NOTAS DE JESÚS HERNÁNDEZ

reportes en R, Epigenética

# crear un conjunto de datos ficticio 
datos <- data.frame(
  region = c("Norte", "Sur", "Este", "Oeste"),
  poblacion = c(100000, 75000, 50000, 60000),
  nacimientos = c(1200, 800, 600, 700),
  muertes = c(900, 500, 300, 400),
  casos_enfermedad = c(1500, 1000, 800, 900),
  fallecidos_enfermedad = c(200, 150, 100, 120)
)

# Mostrar los primeros datos
print(datos)

# Resultado 
cat("Tasa de mortalidad:", tasa_mortalidad, "muertes por cada 1,000 habitantes\n")

Tasa de mortalidad: 9 muertes por cada 1,000 habitantes

# Calcular tasas de mortalidad

datos$tasa_mortalidad <- (datos$muertes / datos$poblacion) * 1000
print(datos)

# Gráfico

ggplot(datos, aes(x = region, y = tasa_mortalidad, fill = region)) + 
  geom_bar(stat = "identity") +
  labs(title = "Tasa de mortalidad por Región", x = "Región", y = "Tasa de mortalidad (por 1,000 habitantes)") +
  theme_classic()

Reflexión

1. ¿Qué regiones tienen la tasa de mortalidad más alta? Norte

2. ¿Qué factores pueden influir en la mortalidad regional? La alta relación de muertes en comparación con la cantidad de nacimientos. En el caso del norte, 3/4 del total de nacimientos es equivalente al total de muertes. Así mismo, su numero de fallecidos por enfermedad.

3. ¿Cómo podríamos usar esta información para priorizar intervenciones de salud pública? Se podría buscar o estudiar las posibles fuentes de enfermedades, así mismo estudiar la razón del porqué en la región norte hay un numero de nacimientos tan bajo, siendo casi la misma cantidad que la de muertes.

# -> CALCULAR TASA DE LETALIDAD 

Datos_fallecidos <- 200 # Numero de fallecidos por la enfermedad
casos <- 1500 # Numero total de casos registrados

# Calculo de la tasa de letalidad 
tasa_letalidad <- (Datos_fallecidos / casos) * 100

# Resultado
cat("Tasa de letalidad:", tasa_letalidad, "% de los casos fallecen\n")

Tasa de letalidad: 13.33333 % de los casos fallecen

# Visualización de la tasa de letalidad 
# ggplot2 es una libreria que permite visualizar resultados, graficar, etc.

library(ggplot2)
datos

# Calcular tasas de letalidad 
datos$tasa_letalidad <- (datos$fallecidos / datos$casos * 100)

# Gráfico
ggplot(datos, aes(x = region, y = tasa_letalidad, fill = region)) +
  geom_bar(stat = "identity") +
  labs(title = "Tasa de letalidad por región", x = "Región", y = "Tasa de letalidad (%)") +
  # son los colores que se usarán en la gráfica
  theme_minimal()

Reflexión

1. ¿Qué regiones tienen la tasa de letalidad más alta? Sur

2. ¿Cómo afecta la gravedad de una enfermedad a la tasa de letalidad? Incrementará, además, lo hará aún más si no se cuenta con los servicios de salud correctos.

3. ¿Qué estrategias podrían implementarse para reducir esta tasa? Mejorar los sistemas de salud en base a la situación más presentada en el lugar en cuestión para así atender el problema.

# -> CALCULAR TASA DE NATALIDAD

# Datos
nacimientos <- 1500 # Número de nacimientos en un año 
poblacion_total <- 100000 # Población total en ese año 

# Cálculo de la tasa de natalidad 
tasa_natalidad <- (nacimientos / poblacion_total) * 1000

# Resultado
cat("Tasa de natalidad:", tasa_natalidad, "nacimientos por cada 1,000 habitantes\n")

Tasa de natalidad: 15 nacimientos por cada 1,000 habitantes

# Visualización 
library(ggplot2)
datos

# calcular tasas de natalidad 
datos$tasa_natalidad <- (datos$nacimientos / datos$poblacion) * 1000

# Gráfico
ggplot(datos, aes(x =region, y = tasa_natalidad, fill = region)) +
  geom_bar(stat = "identity") +
  labs(title = "Tasa de natalidad por región", x = "Región", y = "Tasa de natalidad (por 1,000 habitantes)") +
  theme_minimal()

Reflexión

1. ¿Qué regiones tienen la tasa de natalidad más alta? Este y Norte.

2. ¿Cómo podría influir la tasa de natalidad en la planificación de servicios de salud? Podría impulsar o de cierta forma exigir una mayor oferte de servicios o de oportunidades para los pacientes de esas comunidades.

3. ¿Qué otros factores deberíamos analizar para interpretar tendencias de natalidad? Las edades, sin duda. Podríamos incluso agregar el estado economico promedio en esos lugares y buscar alguna tendencia a la maternidad en mujeres dentro de ciertos grupos economicos de la población, en este caso especificamente de las regiones tratadas.