library(RcmdrMisc)
## Cargando paquete requerido: car
## Cargando paquete requerido: carData
## Cargando paquete requerido: sandwich
library(readxl)

Introduccion

Objetivo general

Analizar y comparar distintas variables de habitos de vida tales como horas de sueño, dieta, si el paciente fuma o toma activamente, actividad fisica, nivel de estres, etc. Contra una gran variedad de enfermedades, demostrando que ciertos factores pueden o no pueden afectar directamente a la condicion medica que sufre cada paciente.

Descripcion de las variables

EDAD: Edad del paciente en años (Cuantitativa discreta)

GENERO: Sexo del paciente (Cualitativa nominal)

CON_MED: Condición médica (Cualitativa nominal)

GLUCOSA: Nivel de glucosa en la sangre (Cuantitativa continua)

PRES_SAN: Medición de la presión sanguínea (Cuantitativa continua)

IMC: Índice de masa corporal (Cuantitativa continua)

SATU_OXI: Nivel de saturación de oxigeno en la sangre (Cuantitativa continua)

ESTANCIA: Días de hospitalización (Cuantitativa discreta)

COLESTEROL: Nivel de colesterol en la sangre (Cuantitativa continua)

TRIGLICERIDOS: Nivel de trigliceridos en la sangre (Cuantitativa continua)

HEMOGLOBINA: Hemoglobina glicosilada (Cuantitativa continua)

¿FUMA?: Estado de fumador (Cualitativa nominal dicotómica)

¿TOMA?: Consumo de alcohol (Cualitativa nominal dicotómica)

ACT_FISICA: Horas de actividad física por semana (Cuantitativa continua)

PUNT_ DIETA: Puntaje numérico de calidad de dieta (Cuantitativa continua)

HISTO_FAMI: Historial Familiar (Cualitativa nominal dicotómica)

NIVEL ESTRES: Nivel de estrés en escala numérica (Cuantitativa continua)

HORAS SUEÑO: Promedio de horas de sueño por día (Cuantitativa continua)

Medidas de tendencia central de cada variable

Analisis de variables

conteo <- table(MED_DATA$GENERO)
pie(conteo, main = "Genero de pacientes" , col= c("pink", "lightblue"))

Con este diagrama circular evaluamos que los pacientes de la muestra son proporcionales y no hay alguna inclinacion hacia ningun genero.

with(MED_DATA, Barplot(MED_DATA$`¿FUMA?`, by=CON_MED, style="parallel", legend.pos="topright", xlab="X.FUMA.", ylab="Porcentaje",scale="percent", label.bars=TRUE))

Lo que se puede evidenciar de la siguiente grafica es que si bien la mayoria de individuos responden que no fuman hay un gran apuntamiento en las personas que si lo hacen en especifico los pacientes que tienen hipertension, lo que corresponde puesto que la nicotina produce una elevacion en la presion arterial que si bien no fuma tanto para un fumador frecuente puede agravar su enfermedad. En las enfermades de artritis, asma y obesidad el factor de fuma o no fuma no parece tener relevancia.

with(MED_DATA, Barplot(MED_DATA$`¿TOMA?`, by=CON_MED, style="parallel", legend.pos="topright", xlab="X.TOMA", ylab="Porcentaje",scale="percent", label.bars=TRUE))

Nuevamente en este grafico, se presenta un caso de apuntamiento para aquellos individuos que toman y tienen hipertension evidenciando una mayor concentracion en una sola problematica, en el grupo de aquellos que no toman hay una distribucion mas equilibrada.

Si tomamos encuenta las dos graficas y las comparamos podemos concluir que los grupos de los que no toman y no fuman presentan un mayor porcentajes de personas saludables, los que si toman y si fuman concentran mas problemas graves.

library(knitr)
include_graphics("C:\\Users\\segur\\Downloads\\gactycond.png")

En estos histogramas podemos analizar que la mayoria de datos tienden a la simetria, dependiendo hacia que lado se inclinen los datos representa que tal estan en su actividad fisica, si los datos van a la izquierda los individuos no realizan actividad fisica pero si por el contrario la grafica esta hacia la derecha significa que su condicion fisica es buena. Esto se puede evidenciar tomando de ejemplo la grafica de personas saludables esta muy inclinada hacia la derecha mientras que las afecciones de obesidad y diabetes estan distribuidas hacia la izquierda.

Conclusion