1 CARGA DE DATOS Y LIBRERIAS

CARGA DE LIBRERÍAS

library(readxl)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(knitr)
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

CARGA DE DATOS

ruta <- "C:/Users/juner/OneDrive/Desktop/r/5000_Datos (1).xlsx"
datos <- read_excel(ruta)

2 VARIABLE GRAVEDAD DE LESIÓN

Injury <- as.character(datos$NATURE_INJURY)
Injury <- Injury[!is.na(Injury)]
Injury <- tolower(Injury)

Injury[grep("cut|bruise|abrasion|scratch", Injury)] <- "Leve"
Injury[grep("sprain|strain|twist", Injury)] <- "Moderada"
Injury[grep("fracture|break", Injury)] <- "Grave"
Injury[grep("amputation|crush|burn", Injury)] <- "Muy Grave"
Injury[grep("fatal|death", Injury)] <- "Fatal"

Injury <- factor(Injury,
                 levels=c("Leve","Moderada","Grave","Muy Grave","Fatal"),
                 ordered=TRUE)

3 TABLA DE FRECUENCIAS

ni <- table(Injury)
hi <- prop.table(ni)*100

tabla_injury <- data.frame(
  Gravedad = names(ni),
  ni = as.numeric(ni),
  hi = as.numeric(hi),
  P = as.numeric(hi)
)

tabla_injury$Nivel_num <- 1:nrow(tabla_injury)
kable(tabla_injury)

Gravedad	ni	hi	P	Nivel_num
Leve	1391	38.026244	38.026244	1
Moderada	1365	37.315473	37.315473	2
Grave	664	18.151996	18.151996	3
Muy Grave	238	6.506288	6.506288	4
Fatal	0	0.000000	0.000000	5

4 GRÁFICA DE DISTRIBUCIÓN

barplot(tabla_injury$P,
        names.arg = tabla_injury$Nivel_num,
        col="gray",
        ylim=c(0,100),
        main="Gráfica N°1: Distribución de probabilidad de la gravedad de las lesiones 
        en accidentes laborales",
        ylab="Probabilidad (%)")

5 MODELO BINOMIAL

n <- sum(tabla_injury$ni)
x <- tabla_injury$ni
X <- 1:length(x)

media_observada <- sum(X*x)/n
p <- media_observada/length(x)

P_binomial <- dbinom(X, size=length(x), prob=p)

6 CONJETURA DEL MODELO

Fo <- (tabla_injury$ni/n)*100
Fe <- P_binomial*100

barplot(rbind(Fo,Fe), beside=TRUE,
        col=c("skyblue","blue"),
        names.arg=tabla_injury$Nivel_num,
        main="Gráfica N°2: Comparación de la realidad con el\nmodelo binomial de la gravedad de las lesiones\nen accidentes laborales"
,
        ylab="Probabilidad (%)",
        ylim=c(0,100))
legend("topright",
       legend=c("Modelo","Real"),
       fill=c("skyblue","blue"),
       bty="n")

7 TEST DE APROBACION

TEST DE PEARSON

Correlacion <- cor(Fo,Fe)*100
Correlacion

## [1] 96.16498

plot(Fo, Fe,
     main = "Gráfica N°3: Correlación de frecuencias\nen el modelo binomial de la gravedad\nde las lesiones",
     xlab = "Frecuencia Observada (%)",
     ylab = "Frecuencia Esperada (%)",
     pch = 19,
     col = "darkblue")

abline(lm(Fe ~ Fo), col = "red", lwd = 2)

TEST DE CHI-CUADRADO

gl <- length(x)-1
x2 <- sum((Fo-Fe)^2/Fe)
vc <- qchisq(0.99, gl)

x2

## [1] 5.810064

vc

## [1] 13.2767

x2 < vc

## [1] TRUE

8 TABLA RESUMEN

tabla_resumen <- data.frame(
  Variable="Gravedad de lesión",
  Pearson=round(Correlacion,2),
  Chi2=round(x2,2),
  Umbral=round(vc,2)
)

kable(tabla_resumen)

Variable	Pearson	Chi2	Umbral
Gravedad de lesión	96.16	5.81	13.28

9 CÁLCULO DE PROBABILIDAD BINOMIAL

¿Cuál es la probabilidad de que un accidente presente una lesión de gravedad grave?

# Nivel 3 corresponde a lesión Grave
prob_lesion_grave <- dbinom(3, size = length(x), prob=p)*100
prob_lesion_grave

## [1] 21.70904

plot(1, type = "n", axes = FALSE, xlab = "", ylab = "")

text(
  x = 1, y = 1,
  labels = paste(
    "Cálculo de probabilidad\n",
    "¿Cuál es la probabilidad de que un accidente\n",
    "presente una lesión de gravedad GRAVE?\n\n",
    "Probabilidad = ",
    round(prob_lesion_grave,2), " (%)",
    sep = ""
  ),
  cex = 1.4,
  col = "black",
  font = 2
)

10 CONCLUSIÓN

La variable gravedad de la lesión se explica a través de un modelo binomial, el cual es aprobado mediante los test de Pearson y chi-cuadrado. De esta manera, es posible calcular probabilidades; por ejemplo, la probabilidad de que un accidente presente una lesión grave es del 21.71 %.

Modelo Binomial – Gravedad de Lesiones