La diabetes es una enfermedad crónica que representa un reto para los sistemas de salud debido a sus complicaciones y a la necesidad de identificar factores asociados con su aparición. El análisis estadístico de los datos permite describir las características de una población, identificar patrones y explorar relaciones entre variables clínicas y demográficas.
En este trabajo se realiza un análisis exploratorio y estadístico de una base de datos relacionada con diabetes. Se estudian variables como la glucosa, la edad, el índice de masa corporal (IMC), la presión arterial, los embarazos y el resultado de la clasificación de diabetes.
Analizar estadísticamente una base de datos relacionada con diabetes mediante técnicas descriptivas e inferenciales, con el fin de identificar características relevantes y posibles asociaciones entre las variables estudiadas.
La base contiene información de personas con variables relacionadas con antecedentes de embarazos, glucosa, presión arterial, insulina, índice de masa corporal, edad y resultado de diabetes.
La base analizada contiene 10 registros y 10 columnas.
| Característica | Resultado |
|---|---|
| Número de registros | 10 |
| Número de variables | 10 |
| Registros duplicados | 0 |
La siguiente tabla presenta los primeros registros de la base para conocer su estructura.
| Index | Pregnancies | Glucose | BloodPressure | SkinThickness | Insulin | BMI | DiabetesPedigreeFunction | Age | Outcome |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 6 | 148 | 72 | 35 | 0 | 33.6 | 627 | 50 | 1 |
| 1 | 1 | 85 | 66 | 29 | 0 | 46199 | 351 | 31 | 0 |
| 2 | 8 | 183 | 64 | 0 | 0 | 46104 | 672 | 32 | 1 |
| 3 | 1 | 89 | 66 | 23 | 94 | 46050 | 167 | 21 | 0 |
| 4 | 0 | 137 | 40 | 35 | 168 | 43.1 | 2288 | 33 | 1 |
| 5 | 5 | 116 | 74 | 0 | 0 | 46198 | 201 | 30 | 0 |
| 6 | 3 | 78 | 50 | 32 | 88 | 31.0 | 248 | 26 | 1 |
| 7 | 10 | 115 | 0 | 0 | 0 | 35.3 | 134 | 29 | 0 |
| 8 | 2 | 197 | 70 | 45 | 543 | 46172 | 158 | 53 | 1 |
| 9 | 8 | 125 | 96 | 0 | 0 | 0.0 | 232 | 54 | 1 |
| Variable | Descripción |
|---|---|
| Pregnancies | Número de embarazos registrados |
| Glucose | Medición de glucosa |
| BloodPressure | Presión arterial diastólica, según la definición de la base |
| SkinThickness | Espesor del pliegue cutáneo |
| Insulin | Medición de insulina |
| BMI | Índice de masa corporal |
| DiabetesPedigreeFunction | Indicador relacionado con antecedentes familiares de diabetes |
| Age | Edad de la persona |
| Outcome | Clasificación de diabetes: habitualmente 0 = no y 1 = sí |
La interpretación de las variables debe contrastarse con la documentación original de la base de datos.
Se calculan medidas de tendencia central y dispersión para las variables numéricas.
| Variable | Media | Mediana | Desviacion_estandar | Minimo | Maximo | |
|---|---|---|---|---|---|---|
| Index | Index | 4.5 | 4.5 | 3.03 | 0 | 9 |
| Pregnancies | Pregnancies | 4.4 | 4.0 | 3.50 | 0 | 10 |
| Glucose | Glucose | 127.3 | 120.5 | 40.08 | 78 | 197 |
| BloodPressure | BloodPressure | 59.8 | 66.0 | 25.65 | 0 | 96 |
| SkinThickness | SkinThickness | 19.9 | 26.0 | 17.98 | 0 | 45 |
| Insulin | Insulin | 89.3 | 0.0 | 169.94 | 0 | 543 |
| DiabetesPedigreeFunction | DiabetesPedigreeFunction | 507.8 | 240.0 | 654.11 | 134 | 2288 |
| Age | Age | 35.9 | 31.5 | 11.87 | 21 | 54 |
| Outcome | Outcome | 0.6 | 1.0 | 0.52 | 0 | 1 |
Estas medidas permiten conocer el valor promedio, el valor central, la variabilidad y el rango de los datos. La media puede verse afectada por valores extremos, por lo que se interpreta junto con la mediana y la desviación estándar.
Se analiza la frecuencia de las categorías registradas en la variable Outcome.
El gráfico permite comparar la cantidad y el porcentaje de registros de cada categoría. Una mayor frecuencia en una categoría describe la composición de esta base, pero no necesariamente representa la prevalencia de diabetes en la población general.
El histograma permite observar en qué intervalos se concentra la glucosa y si la distribución presenta asimetría o valores alejados del resto de los registros.
El diagrama de dispersión permite explorar la relación entre edad e IMC e identificar posibles agrupaciones. La visualización por sí sola no demuestra que exista una relación causal.
El diagrama de cajas permite comparar la mediana, la dispersión y los posibles valores extremos de glucosa entre las dos categorías.
Se plantea la siguiente hipótesis:
Se utiliza una prueba t de Welch para comparar las medias, sin asumir que las varianzas de ambos grupos sean iguales.
| Estadistico_t | Valor_p | IC_inferior | IC_superior |
|---|---|---|---|
| -2.2509 | 0.0595 | -89.1322 | 2.2989 |
Con un nivel de significancia del 5%, no se rechaza la hipótesis nula. Los datos no aportan evidencia estadística suficiente para afirmar que las medias de glucosa sean diferentes.
La interpretación debe considerar el tamaño de la muestra, la variabilidad de las mediciones y la calidad de los datos.
Se calcula la correlación de Pearson entre glucosa, edad e índice de masa corporal para explorar la dirección y la intensidad de sus relaciones lineales.
| Concepto | Cantidad |
|---|---|
| Registros iniciales | 10 |
| Registros válidos para correlación | 10 |
| Registros excluidos | 0 |
| Glucose | Age | BMI | |
|---|---|---|---|
| Glucose | 1.000 | 0.610 | 0.176 |
| Age | 0.610 | 1.000 | -0.222 |
| BMI | 0.176 | -0.222 | 1.000 |
kable( round(matriz_cor, 3), caption = “Matriz de correlación de Pearson” ) } else { cat(“No hay suficientes registros completos para calcular las correlaciones.”) } ```
Los coeficientes próximos a 1 indican una asociación lineal positiva; los próximos a -1, una asociación negativa; y los cercanos a 0, una asociación lineal débil. La correlación no implica causalidad.