---
title: "Estadísticas de Salud"
author: "Paula Ávila, Marilyn Mateus, Leandro Reyes"
date: 2026-09-2
format:
html:
theme:
light: flatly
dark: darkly
toc: true
number-sections: true
code-fold: true
code-tools: true
code-copy: true
lang: es
editor_options:
chunk_output_type: console
---
<style>
h1, h2, h3, h4, h5, h6 {
color: #17365D;
}
</style>
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
# Información general sobre la base de datos:
## ¿De dónde provienen?
Fuente de los datos: Kaggle, conjunto de datos Estadísticas de Salud Global, publicado/atribuido a MALAIARASUGRAJ, Recuperado del 10 de agosto de 2026.
## ¿A qué población o fenómeno corresponden?
Corresponde a los registros de indicadores de salud de personas pertenecientes a diferentes países y grupos de edad, relacionados con diversas enfermedades y sus características epidemiológicas, económicas y de atención de salud.
El fenómeno de estudio corresponde al comportamiento de las enfermedades y de sus principales indicadores de salud, como las tasas de prevalencia, incidencia, mortalidad y recuperación, así como su posible relación con factores demográficos, socioeconómicos y de atención sanitaria.
## ¿Por qué nos interesa?
El análisis de este conjunto de datos resulta de interés porque permite explorar el comportamiento de diferentes indicadores de salud y observar posibles asociaciones entre factores demográficos, epidemiológicos, socioeconómicos y relacionados con la atención en salud. A partir de esta información, se plantean los siguientes objetivos:
- Evaluar la relación entre la tasa de mortalidad y el grupo de edad afectado, con el propósito de identificar las poblaciones con mayor riesgo frente a las distintas enfermedades.
- Analizar la relación entre el ingreso per cápita y el acceso a la atención médica, para determinar si existen asociaciones entre el nivel económico de los países y la disponibilidad de los servicios de salud.
- Mostrar la relación entre la tasa de incidencia y la tasa de mortalidad, con el propósito de determinar si una mayor incidencia de las enfermedades se asocia con mayores tasas de mortalidad.
- Analizar la relación entre el costo promedio del tratamiento y la tasa de recuperación, con el propósito de determinar si el costo de los tratamientos se asocia con mejores resultados de recuperación.
# Carga del conjunto de datos:
```{r}
datos <- read.csv(
"/cloud/project/Global_Salud.csv",
sep = ";"
)
datos <- datos[, 1:11]
names(datos) <- c(
"Country",
"Disease_Category",
"Prevalence_Rate",
"Incidence_Rate",
"Mortality_Rate",
"Age_Group",
"Healthcare_Access",
"Treatment_Type",
"Average_Treatment_Cost",
"Recovery_Rate",
"Per_Capita_Income"
)
```
Para comprobar que la lectura del conjunto de datos se realizó correctamente, se
visualizaron sus primeras filas mediante la función `head()`.
```{r}
knitr::kable(
head(datos),
caption = "Primeras seis filas del conjunto de datos"
)
```
# Exploración inicial del conjunto de datos:
Usamos la funcion "str()" para dar un vistazo inicial a la estructura de los datos. Esta función permite identificar el
número de observaciones y variables, los nombres de las columnas y el tipo de dato de cada variable:
```{r}
str(datos)
```
Para facilitar la visualización de los tipos de datos de cada variable, se
presenta adicionalmente la siguiente tabla:
```{r}
estructura <- data.frame(
Variable = names(datos),
Tipo = sapply(datos, class),
row.names = NULL
)
knitr::kable(
estructura,
caption = "Estructura y tipo de dato de las variables"
)
```
Posteriormente, se utiliza la función `summary()` para obtener un resumen general del conjunto de datos.
```{r}
resumen <- summary(datos)
```
### Resumen general de las variables
```{r}
variables_numericas <- sapply(datos, is.numeric)
resumen_numerico <- do.call(
rbind,
lapply(datos[, variables_numericas, drop = FALSE], summary)
)
knitr::kable(
resumen_numerico,
digits = 2,
col.names = c(
"Mínimo",
"1er cuartil",
"Mediana",
"Media",
"3er cuartil",
"Máximo"
),
caption = "Resultados de summary() para las variables cuantitativas"
)
```
En la tabla se pueden observar los resultados de diferentes medidas descriptivas, como el mínimo, el primer cuartil, la mediana, la media, el tercer cuartil y el máximo. En conjunto, estos valores permiten obtener un resumen general de las principales características estadísticas de las variables cuantitativas del conjunto de datos.
A primera vista, llama especialmente la atención la variable correspondiente al costo promedio del tratamiento, debido a la diferencia entre su valor mínimo de 100 USD y su valor máximo de 50.000 USD. Esta amplitud muestra que existe una variación considerable en los costos registrados.
# Dimensión del conjunto
```{r}
dim(datos)
```
```{r}
nrow(datos)
```
```{r}
ncol(datos)
```
```{r}
class(datos)
```
Se determinó que el conjunto está compuesto por 1.000.000 de registros (filas) y 11 variables (columnas). Podemos afirmar que es un data.frame, encontramos que la mayoría de variables fueron leídas por R como character, cuando esperabamos tener más de tipo numeric
# Clasificación de variables
```{r}
names(datos)
```
*"Country"*
Cualitativa nominal - Nombre del país. Es cualitativa porque es una cualidad y nominal porque no tiene orden.
*"Disease_Category"*
Cualitativa nominal - La categoría de la enfermedad (ej: infecciosa)Es cualitativa nominal porque es una cualidad sin orden jerárquico.
*"Prevalence_Rate"*
Cuantitativa continua - Porcentaje de la población afectada. Es cuantitativa continua porque es una cantidad medible con decimales.
*"Incidence_Rate"*
Cuantitativa continua - Porcentaje de casos nuevos. Es cuantitativa continua porque es una tasa con decimales.
*"Mortality_Rate"*
Cuantitativa continua - Porcentaje que fallece. Es cuantitativa continua porque es una tasa medible con decimales.
*"Age_Group"*
Cualitativa ordinal - El rango de edad más afectado. Es cualitativa ordinal porque es categoría pero sí tiene orden natural de menor a mayor.
*"Healthcare_Access"*
Cuantitativa continua - Porcentaje con acceso a atención. Es cuantitativa continua porque es un porcentaje con decimales.
*"Treatment_Type"*
Cualitativa nominal - El método principal (medicamentos, cirugía). Es cualitativa nominal porque es una cualidad sin orden.
*"Average_Treatment_Cost"*
Cuantitativa continua - Costo promedio en USD. Es cuantitativa continua porque es dinero que toma decimales.
*"Recovery_Rate"*
Cuantitativa continua - Porcentaje que se recupera. Es cuantitativa continua porque es una tasa con decimales.
*"Per_Capita_Income"*
Cuantitativa continua - Ingreso promedio por persona. Es cuantitativa continua porque es un promedio monetario con decimales.
# Ajuste de variables
## 6. Ajuste de tipos de variables
```{r}
nums <- c("Prevalence_Rate","Incidence_Rate","Mortality_Rate","Healthcare_Access","Average_Treatment_Cost","Recovery_Rate","Per_Capita_Income")
for(v in nums){
if(v %in% names(datos)) datos[[v]] <- as.numeric(datos[[v]])
}
for(v in nums){
if(v %in% names(datos)) datos[[v]][is.na(datos[[v]])] <- median(datos[[v]], na.rm=TRUE)
}
datos$Country <- as.factor(datos$Country)
datos$Disease_Category <- as.factor(datos$Disease_Category)
datos$Treatment_Type <- as.factor(datos$Treatment_Type)
datos$Age_Group <- factor(datos$Age_Group, ordered = TRUE)
```
Verificamos las variables cambiadas.
```{r}
sapply(datos, class)
summary(datos)
```
Inicialmente las variables **`Country`**, **`Disease_Category`**, **`Age_Group`** y **`Treatment_Type`** estaban como **`character`**.
Tras la conversión, se confirmaron como **`factor`** y **`ordered factor`** DEBIDO A QUE SON CATEGORÍAS en el caso de **`Age_Group`**.
Las variables cuantitativas como **`Prevalence_Rate`**, **`Incidence_Rate`**, **`Mortality_Rate`**, **`Healthcare_Access`**, **`Average_Treatment_Cost`**, **`Recovery_Rate`** y **`Per_Capita_Income`** quedaron como **`numeric`**.
# Análisis univariado
## 7. Análisis univariado
### Variables cualitativas
Para las variables cualitativas (`Country`, `Disease_Category`, `Age_Group` y `Treatment_Type`) se construyen tablas de frecuencia absoluta con `table()` y de frecuencia relativa con `prop.table()`, acompañadas de gráficos
```{r}
tabla_country <- table(datos$Country)
prop_country <- round(prop.table(tabla_country) * 100, 2)
knitr::kable(
data.frame(
Pais = names(tabla_country),
Frecuencia = as.vector(tabla_country),
Porcentaje = as.vector(prop_country)
),
caption = "Distribución de frecuencias de Country"
)
```
```{r, fig.width=10, fig.height=5}
# Crear la tabla DENTRO del chunk, para que Render sí la encuentre
tabla_country <- table(datos$Country)
tabla_ordenada <- sort(tabla_country, decreasing = TRUE)
porc <- as.numeric(prop.table(tabla_ordenada) * 100)
nombres <- names(tabla_ordenada)
par(mar = c(9, 5, 3, 2))
plot(1, type = "n",
xlim = c(1, length(porc)),
ylim = c(4.90, 5.10),
xaxt = "n",
xlab = "",
ylab = "Porcentaje (%)",
main = "Porcentaje de registros por país")
abline(h = seq(4.90, 5.10, by = 0.05), col = "lightgray", lty = 3)
lines(1:length(porc), porc, col = "#1F4E79", lwd = 2)
points(1:length(porc), porc, pch = 19, col = "#1F4E79", cex = 1.2)
axis(1, at = 1:length(porc), labels = nombres, las = 2, cex.axis = 0.85)
```
```{r}
tabla_disease <- table(datos$Disease_Category)
prop_disease <- round(prop.table(tabla_disease) * 100, 2)
knitr::kable(
data.frame(
Categoria = names(tabla_disease),
Frecuencia = as.vector(tabla_disease),
Porcentaje = as.vector(prop_disease)
),
caption = "Distribución de frecuencias de Disease_Category"
)
```
```{r, fig.width=10, fig.height=5}
# Crear la tabla DENTRO del chunk, para que Render sí la encuentre
tabla_enfermedad <- table(datos$Disease_Category)
tabla_ordenada <- sort(tabla_enfermedad, decreasing = TRUE)
porc <- as.numeric(prop.table(tabla_ordenada) * 100)
nombres <- names(tabla_ordenada)
par(mar = c(9, 5, 3, 2))
plot(1, type = "n",
xlim = c(1, length(porc)),
ylim = c(9.00, 9.15),
xaxt = "n",
xlab = "",
ylab = "Porcentaje (%)",
main = "Porcentaje por categoría de enfermedad")
abline(h = seq(9.00, 9.15, by = 0.05), col = "lightgray", lty = 3)
lines(1:length(porc), porc, col = "#1F4E79", lwd = 2)
points(1:length(porc), porc, pch = 19, col = "#1F4E79", cex = 1.2)
axis(1, at = 1:length(porc), labels = nombres, las = 2, cex.axis = 0.85)
```
```{r}
tabla_age <- table(datos$Age_Group)
prop_age <- round(prop.table(tabla_age) * 100, 2)
knitr::kable(
data.frame(
Grupo_Edad = names(tabla_age),
Frecuencia = as.vector(tabla_age),
Porcentaje = as.vector(prop_age)
),
caption = "Distribución de frecuencias de Age_Group"
)
```
```{r edad_grafico, fig.width=8, fig.height=4.5}
tabla_age <- table(datos$Age_Group)
nombres <- names(tabla_age)
# Orden por edad: 0-18, 19-35, 36-60, 61+
inicio <- as.numeric(gsub("[^0-9].*", "", nombres))
orden <- order(inicio)
tabla_age <- tabla_age[orden]
porc <- as.numeric(prop.table(tabla_age) * 100)
nombres <- names(tabla_age)
# Degradado según el valor
paleta <- colorRampPalette(c("#D9E2F3", "#1F4E79"))
indice <- round((porc - min(porc)) / (max(porc) - min(porc)) * 99) + 1
colores <- paleta(100)[indice]
par(mar = c(5, 5, 3, 1))
# Lienzo vacío con eje recortado de 24 a 25.4
x <- 1:4
plot(x, porc, type = "n",
xlim = c(0.3, 4.7), ylim = c(24, 25.4),
xaxt = "n", yaxt = "n",
xlab = "Grupo de edad", ylab = "Porcentaje (%)",
main = "Porcentaje por grupo de edad",
panel.first = abline(h = seq(24, 25.4, by = 0.2), col = "#E7E6E6", lty = 1))
# Barras que empiezan en 24, no en 0, por eso no se salen
rect(x - 0.3, 24, x + 0.3, porc, col = colores, border = "white")
axis(2, at = seq(24, 25.4, by = 0.2), las = 1, cex.axis = 0.9)
axis(1, at = x, labels = nombres, tick = FALSE, cex.axis = 1.1)
text(x = x, y = porc + 0.04, labels = paste0(round(porc, 2), "%"), cex = 1.2, font = 2)
```
```{r}
tabla_treat <- table(datos$Treatment_Type)
prop_treat <- round(prop.table(tabla_treat) * 100, 2)
knitr::kable(
data.frame(
Tratamiento = names(tabla_treat),
Frecuencia = as.vector(tabla_treat),
Porcentaje = as.vector(prop_treat)
),
caption = "Distribución de frecuencias de Treatment_Type"
)
```
```{r tratamiento_grafico, fig.width=8, fig.height=4.5}
tabla_trat <- table(datos$Treatment_Type)
# Orden de mayor a menor para que se note la diferencia
tabla_trat <- sort(tabla_trat, decreasing = TRUE)
porc <- as.numeric(prop.table(tabla_trat) * 100)
nombres <- names(tabla_trat)
# Degradado según el valor: el más alto más oscuro
paleta <- colorRampPalette(c("#D9E2F3", "#1F4E79"))
indice <- round((porc - min(porc)) / (max(porc) - min(porc)) * 99) + 1
colores <- paleta(100)[indice]
par(mar = c(5, 5, 3, 1))
# Escala recortada automática según tus datos
ymin <- floor(min(porc) * 10) / 10 - 0.2
ymax <- ceiling(max(porc) * 10) / 10 + 0.2
x <- 1:length(porc)
plot(x, porc, type = "n",
xlim = c(0.3, length(porc) + 0.7), ylim = c(ymin, ymax),
xaxt = "n", yaxt = "n",
xlab = "Tipo de tratamiento", ylab = "Porcentaje (%)",
main = "Porcentaje por tipo de tratamiento",
panel.first = abline(h = seq(ymin, ymax, by = 0.2), col = "#E7E6E6", lty = 1))
# Barras que empiezan en ymin, no en 0
rect(x - 0.3, ymin, x + 0.3, porc, col = colores, border = "white")
axis(2, at = seq(ymin, ymax, by = 0.2), las = 1, cex.axis = 0.9)
axis(1, at = x, labels = nombres, tick = FALSE, cex.axis = 1.1)
text(x = x, y = porc + 0.04, labels = paste0(round(porc, 2), "%"), cex = 1.2, font = 2)
```
`Country` está compuesta por 20 países, cada uno con aproximadamente 50.000 registros (cerca del 5 % del total cada uno), por lo que la muestra está perfectamente balanceada entre países y ningún país domina el conjunto de datos. `Disease_Category` agrupa 11 categorías de enfermedad, todas con una participación muy cercana al 9-9,1 % del total; no hay una categoría de enfermedad claramente predominante. `Age_Group` y `Treatment_Type` presentan cada una 4 categorías con una distribución prácticamente uniforme (cerca del 25 % cada una). En conjunto, las cuatro variables cualitativas muestran una distribución equilibrada y sin categorías dominantes, lo cual sugiere que el conjunto de datos fue construido (o muestreado) de forma balanceada por diseño, y no refleja necesariamente la distribución real de estas categorías en el mundo.
### Variables cuantitativas
```{r hist_y_cajas_juntos, fig.width=10, fig.height=14}
variables <- c("Prevalence_Rate", "Incidence_Rate", "Mortality_Rate",
"Healthcare_Access", "Average_Treatment_Cost",
"Recovery_Rate", "Per_Capita_Income")
# 7 filas, 2 columnas: a la izquierda histograma, a la derecha caja
par(mfrow = c(7, 2), mar = c(4, 4, 2.5, 1))
for (v in variables) {
x <- datos[[v]]
x <- x[!is.na(x)]
# 1. Histograma
hist(x, breaks = 20, col = "#9DC3E6", border = "white",
main = paste("Histograma de", v), xlab = v, ylab = "Frecuencia")
abline(v = mean(x), col = "#ED7D31", lty = 2, lwd = 2)
# 2. Diagrama de caja al lado
boxplot(x, horizontal = TRUE, col = "#9DC3E6", border = "#1F4E79",
main = paste("Caja de", v), xlab = v,
medcol = "white", medlwd = 2, outline = FALSE)
points(mean(x), 1, pch = 19, col = "#ED7D31", cex = 1.4)
}
par(mfrow = c(1, 1))
```
Al comparar la media con la mediana se observa que ambas son prácticamente idénticas en las siete variables.
Por ejemplo, Prevalence_Rate tiene media 10,05 y mediana 10,04, y Average_Treatment_Cost tiene media 25.010,31 y mediana 24.980.
Esta cercanía indica ausencia de asimetría relevante: ninguna variable está sesgada a la derecha ni a la izquierda.Esa simetría no se debe a una concentración alrededor del centro, como ocurriría en una distribución normal, sino a que los datos están repartidos de forma pareja en todo su rango.
Los histogramas lo confirman: no presentan un pico claro, sino barras de altura similar entre el mínimo y el máximo.
Por ejemplo, Prevalence_Rate se distribuye entre 0,1% y 20%, Healthcare_Access y Recovery_Rate entre 50% y 100%, y Per_Capita_Income entre 500 y 100.000 USD.
Los diagramas de caja son consistentes con esta lectura: cajas simétricas, mediana centrada y prácticamente sin valores atípicos. El coeficiente de variación es moderado en las tasas de prevalencia, incidencia, mortalidad, costo de tratamiento e ingreso per cápita, entre 19% y 58% aproximadamente, lo que confirma una dispersión considerable, propia de distribuciones uniformes y no de datos concentrados alrededor de la media.
En conjunto, las variables cuantitativas son simétricas, uniformes y sin atípicos, por lo que no requieren transformación para los análisis posteriores.
# Análisis bivariado
## 8. Análisis bivariado
### Dos variables cualitativas: Disease_Category vs. Age_Group
```{r}
tabla_cont <- table(datos$Disease_Category, datos$Age_Group)
knitr::kable(
tabla_cont,
caption = "Tabla de contingencia: Disease_Category x Age_Group (frecuencias)"
)
```
```{r}
tabla_cont_prop <- round(prop.table(tabla_cont, margin = 1) * 100, 1)
knitr::kable(
tabla_cont_prop,
caption = "Tabla de contingencia: Disease_Category x Age_Group (% por fila)"
)
```
```{r bivariado_edad_enfermedad, fig.width=12, fig.height=5.5}
# Tabla en % dentro de cada enfermedad
tab <- prop.table(table(datos$Disease_Category, datos$Age_Group), margin = 1) * 100
# Orden de edad: 0-18, 19-35, 36-60, 61+
orden_edad <- c("0-18", "19-35", "36-60", "61+")
orden_edad <- orden_edad[orden_edad %in% colnames(tab)]
tab <- tab[, orden_edad]
enfermedades <- rownames(tab)
n_enf <- length(enfermedades)
n_edad <- ncol(tab)
# Degradado azul por edad, igual que los otros gráficos
colores <- c("#D9E2F3", "#9DC3E6", "#2E75B6", "#1F4E79")[1:n_edad]
par(mar = c(6, 5, 4, 1))
# Escala desde 0 para no exagerar las diferencias
ymin <- 0
ymax <- 30
grupos_x <- 1:n_enf
plot(0, 0, type = "n",
xlim = c(0.3, n_enf + 0.7), ylim = c(ymin, ymax),
xaxt = "n", yaxt = "n",
xlab = "", ylab = "Porcentaje (%)",
main = "Distribución de grupo de edad dentro de cada categoría de enfermedad (%)",
panel.first = abline(h = seq(ymin, ymax, by = 5), col = "#E7E6E6"))
# Barras agrupadas que empiezan en 0
ancho <- 0.18
for (i in 1:n_enf) {
for (j in 1:n_edad) {
centro <- grupos_x[i] + (j - (n_edad + 1)/2) * (ancho + 0.02)
rect(centro - ancho/2, ymin, centro + ancho/2, tab[i, j],
col = colores[j], border = "white")
}
}
axis(2, at = seq(ymin, ymax, by = 5), las = 1)
axis(1, at = grupos_x, labels = enfermedades, tick = FALSE, las = 2, cex.axis = 0.9)
legend("top", horiz = TRUE, bty = "n", inset = c(0, -0.02),
fill = colores, legend = colnames(tab),
cex = 0.9, xpd = TRUE)
```
No se observa una relación fuerte entre estas dos variables categóricas. En cada categoría de enfermedad, los cuatro grupos de edad se reparten de forma parecida, alrededor de 25% cada uno. Es decir, ninguna categoría de enfermedad está asociada de forma particular a un grupo de edad específico: la distribución de la edad es la misma en todas las enfermedades. Esto indica que, en este conjunto de datos, la categoría de enfermedad no depende del grupo de edad.
### Mortality_Rate vs Recovery_Rate, según grupo/tratamiento
```{r caja_mortalidad_edad, fig.width=7, fig.height=5}
boxplot(
Mortality_Rate ~ Age_Group,
data = datos,
col = "#F79646",
main = "Tasa de mortalidad según grupo de edad",
xlab = "Grupo de edad",
ylab = "Mortality Rate (%)",
medcol = "white", medlwd = 2, outline = FALSE
)
```
```{r caja_recuperacion_tratamiento, fig.width=7, fig.height=5}
boxplot(
Recovery_Rate ~ Treatment_Type,
data = datos,
col = "#9BBB59",
main = "Tasa de recuperación según tipo de tratamiento",
xlab = "Tipo de tratamiento",
ylab = "Recovery Rate (%)",
medcol = "white", medlwd = 2, outline = FALSE
)
```
En ambos diagramas las cajas se superponen casi por completo, lo que indica que no hay diferencias relevantes entre los grupos comparados. En el primer gráfico, la tasa de mortalidad presenta una mediana y un rango intercuartílico prácticamente iguales en los cuatro grupos de edad, alrededor de 5,05% en todos los casos.
Ningún grupo de edad se ubica por encima o por debajo de los demás de forma sistemática, por lo que no hay evidencia de que la edad esté asociada con un mayor riesgo de mortalidad en estos datos. En el segundo gráfico ocurre lo mismo: la tasa de recuperación tiene una mediana y una dispersión muy similares en los cuatro tipos de tratamiento, con promedios que rondan 74,5% en todos los casos.
Ningún tratamiento muestra una recuperación claramente mayor o menor que los otros. En conjunto, la variable categórica no explica a la variable cuantitativa en ninguno de los dos casos: saber el grupo de edad no permite predecir la mortalidad, ni saber el tratamiento permite predecir la recuperación.
### Dos variables cuantitativas
Dado que el conjunto de datos tiene 1.000.000 de registros, graficar todos los puntos generaría un exceso de sobreposición (*overplotting*) que dificultaría la lectura visual. Por esto, para los diagramas de dispersión se toma una muestra aleatoria de 5.000 observaciones, la cual conserva la estructura general de la relación entre las variables.
```{r dos_variables_juntas, fig.width=8, fig.height=11}
options(scipen = 999)
set.seed(123)
muestra <- datos[sample(nrow(datos), 5000), ]
# 3 filas, 1 columna: cada gráfico ocupa todo el ancho
par(mfrow = c(3, 1), mar = c(5, 5, 3.5, 1), cex.main = 1.2, cex.lab = 1.1, cex.axis = 1)
# 1. Incidence vs Mortality
plot(
muestra$Incidence_Rate, muestra$Mortality_Rate,
pch = 16, cex = 0.6, col = rgb(0.31, 0.51, 0.74, 0.3),
main = "Incidence Rate vs. Mortality Rate",
xlab = "Incidence Rate (%)", ylab = "Mortality Rate (%)",
xlim = c(0, 15), ylim = c(0, 8),
panel.first = grid(col = "#E7E6E6")
)
abline(lm(Mortality_Rate ~ Incidence_Rate, data = muestra), col = "#C00000", lwd = 2.5)
# 2. Costo vs Recuperación
plot(
muestra$Average_Treatment_Cost, muestra$Recovery_Rate,
pch = 16, cex = 0.6, col = rgb(0.75, 0.31, 0.30, 0.3),
main = "Average Treatment Cost vs. Recovery Rate",
xlab = "Average Treatment Cost (USD)", ylab = "Recovery Rate (%)",
xlim = c(0, 50000), ylim = c(50, 100),
xaxt = "n", panel.first = grid(col = "#E7E6E6")
)
axis(1, at = seq(0, 50000, by = 10000), labels = c("0", "10k", "20k", "30k", "40k", "50k"))
abline(lm(Recovery_Rate ~ Average_Treatment_Cost, data = muestra), col = "#C00000", lwd = 2.5)
# 3. Ingreso vs Acceso
plot(
muestra$Per_Capita_Income, muestra$Healthcare_Access,
pch = 16, cex = 0.6, col = rgb(0.61, 0.35, 0.64, 0.3),
main = "Per Capita Income vs. Healthcare Access",
xlab = "Per Capita Income (USD)", ylab = "Healthcare Access (%)",
xlim = c(0, 100000), ylim = c(50, 100),
xaxt = "n", panel.first = grid(col = "#E7E6E6")
)
axis(1, at = seq(0, 100000, by = 25000), labels = c("0", "25k", "50k", "75k", "100k"))
abline(lm(Healthcare_Access ~ Per_Capita_Income, data = muestra), col = "#C00000", lwd = 2.5)
par(mfrow = c(1, 1))
```
En la tabla de contingencia, el porcentaje de cada grupo de edad dentro de cada categoría de enfermedad se mantiene siempre muy cerca del 25%, sin importar la enfermedad que se observe. Es decir, no existe ninguna categoría de enfermedad asociada de forma particular a un grupo de edad específico: la distribución de la edad es la misma en todas las enfermedades. Lo mismo ocurre al comparar las variables cuantitativas por grupo.
La tasa de mortalidad promedio es prácticamente idéntica entre los cuatro grupos de edad, alrededor de 5,05% en todos los casos, con desviaciones estándar muy similares. Por lo tanto, en estos datos no hay evidencia de que el grupo de edad esté relacionado con un mayor riesgo de mortalidad, lo cual contradice la hipótesis planteada en el primer objetivo.
De forma análoga, la tasa de recuperación tampoco varía de manera relevante entre tipos de tratamiento, pues los cuatro promedios rondan 74,5%. Los diagramas de dispersión confirman este patrón. En los tres casos las nubes de puntos aparecen completamente dispersas, sin forma ni tendencia visible, y las rectas de regresión son prácticamente horizontales. No hay una relación apreciable entre incidencia y mortalidad, entre costo del tratamiento y recuperación, ni entre ingreso per cápita y acceso a la atención médica. En conjunto, el análisis bivariado sugiere que las variables del conjunto de datos se comportan como si fueran independientes entre sí. Ninguna de las relaciones exploradas muestra asociación, por lo que ninguna variable categórica explica a una cuantitativa, ni ninguna cuantitativa permite predecir a otra. permite predecir a otra.
# Análisis cuantitativo
## 9. Correlaciones entre variables numéricas
```{r matriz_correlacion, fig.width=9, fig.height=7}
nums <- c("Prevalence_Rate", "Incidence_Rate", "Mortality_Rate",
"Healthcare_Access", "Average_Treatment_Cost",
"Recovery_Rate", "Per_Capita_Income")
matriz_cor <- cor(datos[, nums])
knitr::kable(
round(matriz_cor, 3),
caption = "Matriz de correlación de Pearson entre las variables cuantitativas"
)
nombres_cortos <- c("Prevalence", "Incidence", "Mortality",
"Access", "Cost",
"Recovery", "Income")
colnames(matriz_cor) <- nombres_cortos
rownames(matriz_cor) <- nombres_cortos
# AHORA SÍ: 0 = azul claritico, 1 = azul más fuerte
# 0 -> #EBF2FD (casi blanco pero azul)
# 0.2 -> #D9E2F3
# 0.5 -> #B4C6E7
# 1 -> #8EA9DB
paleta <- colorRampPalette(c("#EBF2FD", "#D9E2F3", "#B4C6E7", "#8EA9DB"))(100)
par(mar = c(6, 6, 4, 2))
plot(0, 0, type = "n", xlim = c(0.5, 9.2), ylim = c(0.5, 7.5),
xaxt = "n", yaxt = "n", xlab = "", ylab = "",
main = "Matriz de correlación entre variables numéricas", asp = 1)
for (i in 1:7) {
for (j in 1:7) {
valor <- matriz_cor[8 - i, j]
indice_color <- round(abs(valor) * 99) + 1
rect(j - 0.5, i - 0.5, j + 0.5, i + 0.5,
col = paleta[indice_color], border = "white", lwd = 2)
text(j, i, format(round(valor, 3), nsmall = 3),
cex = 1, col = "black", font = 2)
}
}
axis(1, at = 1:7, labels = nombres_cortos, las = 2, tick = FALSE, cex.axis = 1)
axis(2, at = 1:7, labels = rev(nombres_cortos), las = 2, tick = FALSE, cex.axis = 1)
# Escala con la misma paleta
for (k in 1:100) {
y0 <- 0.5 + (k - 1) * 7 / 100
y1 <- 0.5 + k * 7 / 100
rect(8.2, y0, 8.6, y1, col = paleta[k], border = paleta[k])
}
rect(8.2, 0.5, 8.6, 7.5, border = "grey")
text(8.9, 0.5, "0", cex = 1, adj = 0)
text(8.9, 2, "0.2", cex = 1, adj = 0)
text(8.9, 4, "0.5", cex = 1, adj = 0)
text(8.9, 7.5, "1", cex = 1, adj = 0)
text(8.4, 8.0, "Correlación", cex = 0.9, font = 2)
par(mar = c(5, 4, 4, 2))
```
La totalidad de los coeficientes de correlación de Pearson entre las siete variables cuantitativas se encuentra entre -0,002 y 0,002, es decir, prácticamente cero en todos los casos. Retomando puntualmente las preguntas planteadas al inicio del proyecto:
- **Incidencia vs. mortalidad** la correlación entre `Incidence_Rate` y `Mortality_Rate` es de apenas 0,0003, por lo que **no hay evidencia de que una mayor incidencia de las enfermedades se asocie con mayores tasas de mortalidad** en este conjunto de datos.
- **Costo del tratamiento vs. recuperación (objetivo 4):** la correlación entre `Average_Treatment_Cost` y `Recovery_Rate` es de 0,0005, prácticamente nula, por lo que **el costo promedio del tratamiento no está relacionado con mejores resultados de recuperación**.
- **Ingreso per cápita vs. acceso a la salud (objetivo 2):** la correlación entre `Per_Capita_Income` y `Healthcare_Access` es de -0,0013, también nula, indicando que **el nivel de ingreso de un país no está asociado, en estos datos, con el acceso a servicios de salud**.
En general, la fuerza de todas las relaciones evaluadas es nula (valores absolutos de r muy por debajo de 0,1), lo que confirma lo observado en el análisis bivariado: las variables numéricas del conjunto de datos se comportan de manera estadísticamente independiente entre sí.
# Conclusiones
## 10. Conclusiones del análisis
Este proyecto partió de cuatro preguntas: si la mortalidad varía según el grupo de edad, si el ingreso per cápita se asocia con el acceso a la atención médica, si la incidencia se relaciona con la mortalidad, y si el costo del tratamiento se asocia con la recuperación de los pacientes.
Los principales hallazgos del análisis descriptivo, bivariado y de correlaciones fueron:
- El conjunto de datos es de gran tamaño (1.000.000 de registros, 11 variables) y está **balanceado por diseño**: los 20 países, las 11 categorías de enfermedad, los 4 grupos de edad y los 4 tipos de tratamiento tienen frecuencias casi idénticas entre sí.
- Las siete variables cuantitativas (`Prevalence_Rate`, `Incidence_Rate`, `Mortality_Rate`, `Healthcare_Access`, `Average_Treatment_Cost`, `Recovery_Rate` y `Per_Capita_Income`) se distribuyen de forma **aproximadamente uniforme** dentro de su rango, con medias y medianas prácticamente iguales y sin valores atípicos relevantes.
- **No se encontró evidencia de asociación** entre ninguna de las variables analizadas: ni entre grupo de edad y mortalidad, ni entre categoría de enfermedad y grupo de edad, ni entre tipo de tratamiento y tasa de recuperación, ni en ninguno de los pares de variables cuantitativas evaluados con `cor()` (todas las correlaciones estuvieron entre -0,002 y 0,002).
**¿Qué permiten afirmar los datos?** Los datos permiten afirmar, con bastante certeza, que dentro de este conjunto de datos las cuatro variables categóricas y las siete variables numéricas se comportan como si fueran generadas de manera independiente unas de otras: no hay señales de asociación entre grupo de edad y mortalidad, entre ingreso y acceso a salud, entre incidencia y mortalidad, ni entre costo de tratamiento y recuperación. Es decir, **las cuatro hipótesis planteadas al inicio del proyecto no encuentran respaldo en estos datos**.