México

Instalar paquetes y llamar librerias

#install.packages("cluster") # Análisis de Agrupamiento
library(cluster)
#install.packages("ggplot2") # Graficar
library(ggplot2)
#install.packages("data.table") # Manejo de muchos datos
library(data.table) 
#install.packages("factoextra") # Gráfic optimización de numero de clusters
library(factoextra)
#install.packages("tidyverse")
# install.packages("dplyr")
library(dplyr)
# install.packages("tibble")
library(tibble)
# install.packages("forcats")
library(forcats)
#install.packages("tidyverse")
library(tidyverse)
library(tibble)  
library(dplyr)
library(ggplot2)
library(forcats)
#install.packages("tibble")
#install.packages("dplyr")
#install.packages("ggplot2")
#install.packages("forcats")

Paso1. Datos de obesidad por estado

## ==Datos (aproximados ENSANUT adultos ≥20 años) ==
datos <- tribble(
  ~estado,              ~obesidad,
  "Aguascalientes",      35,
  "Baja California",     37,
  "Baja California Sur", 35,
  "Campeche",            41,
  "Coahuila",            38,
  "Colima",              36,
  "Chiapas",             31,
  "Chihuahua",           38,
  "Ciudad de México",    36,
  "Durango",             36,
  "Guanajuato",          35,
  "Guerrero",            32,
  "Hidalgo",             34,
  "Jalisco",             36,
  "México",              37,   
  "Michoacán",           34,
  "Morelos",             35,
  "Nayarit",             36,
  "Nuevo León",          40,
  "Oaxaca",              32,
  "Puebla",              35,
  "Querétaro",           36,
  "Quintana Roo",        37,
  "San Luis Potosí",     35,
  "Sinaloa",             36,
  "Sonora",              38,
  "Tabasco",             42,
  "Tamaulipas",          40,
  "Tlaxcala",            34,
  "Veracruz",            37,
  "Yucatán",             41,
  "Zacatecas",           35
) |>
  arrange(desc(obesidad))

## Vista rápida
head(datos, 5)

## # A tibble: 5 × 2
##   estado     obesidad
##   <chr>         <dbl>
## 1 Tabasco          42
## 2 Campeche         41
## 3 Yucatán          41
## 4 Nuevo León       40
## 5 Tamaulipas       40

Paso2. Definir número de clusters y kmeans

set.seed(123)
k <- 3
x <- scale(datos$obesidad)

km <- kmeans(x, centers = k, nstart = 25)

res <- datos %>%
  mutate(cluster = factor(km$cluster))

Paso3. Resumen por cluster

resumen <- res %>%
  group_by(cluster) %>%
  summarise(
    estados = paste(estado, collapse = ", "),
    cantidad = n(),
    promedio_obesidad = round(mean(obesidad), 1),
    min = round(min(obesidad), 1),
    max = round(max(obesidad), 1),
    .groups = "drop"
  )

Paso4. Gráfica de barrasr

res %>%
  mutate(estado = fct_reorder(estado, obesidad)) %>%
  ggplot(aes(x = estado, y = obesidad, fill = cluster)) +
  geom_col() +
  coord_flip() +
  labs(title = paste0("Obesidad por estado (%) y clusters (k = ", k, ")"),
       x = NULL, y = "% obesidad", fill = "Cluster")

# Paso5. Tabla final ordenada

knitr::kable(
  res %>% arrange(cluster, desc(obesidad)),
  col.names = c("Estado", "% Obesidad", "Cluster")
)

Estado	% Obesidad	Cluster
Coahuila	38	1
Chihuahua	38	1
Sonora	38	1
Baja California	37	1
México	37	1
Quintana Roo	37	1
Veracruz	37	1
Colima	36	1
Ciudad de México	36	1
Durango	36	1
Jalisco	36	1
Nayarit	36	1
Querétaro	36	1
Sinaloa	36	1
Aguascalientes	35	1
Baja California Sur	35	1
Guanajuato	35	1
Morelos	35	1
Puebla	35	1
San Luis Potosí	35	1
Zacatecas	35	1
Tabasco	42	2
Campeche	41	2
Yucatán	41	2
Nuevo León	40	2
Tamaulipas	40	2
Hidalgo	34	3
Michoacán	34	3
Tlaxcala	34	3
Guerrero	32	3
Oaxaca	32	3
Chiapas	31	3

Paso6. Conclusiones

Dentro de estos codigos mostramos 3 cluster que se diferencía por alto medio y bajo y separa a los estados depende de como esten sus porcentajes, mostrando así claras diferencias entre ellos.