CASO 2- COVID MEXICO
Karla Jelitza Bermudez
23/9/2020
OBJETIVO:
Analizar una base de datos de los registros de resultados de personas con caso sospecho de SARS-COVID-19.
DESCRIPCION:
En el portar de datos del gobierno federal se encuentra la base de datos de registro de personas que asisten a distintos sectores de salud para el diagnostico sobre su estado de salud en relacion con el virus SARS-COVID-19.
Cargar librerias.
library(readr) # Cargar datos csv
library(fdth) # Tablas de frecuencias##
## Attaching package: 'fdth'## The following objects are masked from 'package:stats':
##
## sd, varlibrary(dplyr) # Filtros, Select, mutate, arrange, grou_by, summarize, %>%##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(lubridate) # Para manejo de fechas##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)Cargar datos:
getwd()## [1] "C:/Users/pc/Documents"Cargar Base de Datos SARS-COVID-19
datos.covid <- read.csv("200922COVID19MEXICO.csv", encoding = "UTF=8")Explorar datos
summary(datos.covid)## FECHA_ACTUALIZACION ID_REGISTRO ORIGEN SECTOR
## Length:1604845 Length:1604845 Min. :1.000 Min. : 1.000
## Class :character Class :character 1st Qu.:1.000 1st Qu.: 4.000
## Mode :character Mode :character Median :2.000 Median :12.000
## Mean :1.671 Mean : 9.362
## 3rd Qu.:2.000 3rd Qu.:12.000
## Max. :2.000 Max. :99.000
## ENTIDAD_UM SEXO ENTIDAD_NAC ENTIDAD_RES
## Min. : 1.00 Min. :1.000 Min. : 1.0 Min. : 1.00
## 1st Qu.: 9.00 1st Qu.:1.000 1st Qu.: 9.0 1st Qu.: 9.00
## Median :14.00 Median :1.000 Median :15.0 Median :15.00
## Mean :15.49 Mean :1.491 Mean :16.3 Mean :15.73
## 3rd Qu.:22.00 3rd Qu.:2.000 3rd Qu.:23.0 3rd Qu.:22.00
## Max. :32.00 Max. :2.000 Max. :99.0 Max. :32.00
## MUNICIPIO_RES TIPO_PACIENTE FECHA_INGRESO FECHA_SINTOMAS
## Min. : 1.00 Min. :1.000 Length:1604845 Length:1604845
## 1st Qu.: 8.00 1st Qu.:1.000 Class :character Class :character
## Median : 20.00 Median :1.000 Mode :character Mode :character
## Mean : 36.97 Mean :1.171
## 3rd Qu.: 46.00 3rd Qu.:1.000
## Max. :999.00 Max. :2.000
## FECHA_DEF INTUBADO NEUMONIA EDAD
## Length:1604845 Min. : 1.00 Min. : 1.000 Min. : 0.00
## Class :character 1st Qu.:97.00 1st Qu.: 2.000 1st Qu.: 30.00
## Mode :character Median :97.00 Median : 2.000 Median : 41.00
## Mean :80.75 Mean : 1.877 Mean : 42.08
## 3rd Qu.:97.00 3rd Qu.: 2.000 3rd Qu.: 53.00
## Max. :99.00 Max. :99.000 Max. :120.00
## NACIONALIDAD EMBARAZO HABLA_LENGUA_INDIG DIABETES
## Min. :1.000 Min. : 1.00 Min. : 1.000 Min. : 1.000
## 1st Qu.:1.000 1st Qu.: 2.00 1st Qu.: 2.000 1st Qu.: 2.000
## Median :1.000 Median : 2.00 Median : 2.000 Median : 2.000
## Mean :1.005 Mean :48.93 Mean : 5.461 Mean : 2.168
## 3rd Qu.:1.000 3rd Qu.:97.00 3rd Qu.: 2.000 3rd Qu.: 2.000
## Max. :2.000 Max. :98.00 Max. :99.000 Max. :98.000
## EPOC ASMA INMUSUPR HIPERTENSION
## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.000
## 1st Qu.: 2.000 1st Qu.: 2.000 1st Qu.: 2.000 1st Qu.: 2.000
## Median : 2.000 Median : 2.000 Median : 2.000 Median : 2.000
## Mean : 2.244 Mean : 2.228 Mean : 2.262 Mean : 2.109
## 3rd Qu.: 2.000 3rd Qu.: 2.000 3rd Qu.: 2.000 3rd Qu.: 2.000
## Max. :98.000 Max. :98.000 Max. :98.000 Max. :98.000
## OTRA_COM CARDIOVASCULAR OBESIDAD RENAL_CRONICA
## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.000
## 1st Qu.: 2.000 1st Qu.: 2.000 1st Qu.: 2.000 1st Qu.: 2.000
## Median : 2.000 Median : 2.000 Median : 2.000 Median : 2.000
## Mean : 2.386 Mean : 2.242 Mean : 2.102 Mean : 2.239
## 3rd Qu.: 2.000 3rd Qu.: 2.000 3rd Qu.: 2.000 3rd Qu.: 2.000
## Max. :98.000 Max. :98.000 Max. :98.000 Max. :98.000
## TABAQUISMO OTRO_CASO RESULTADO MIGRANTE
## Min. : 1.000 Min. : 1.00 Min. :1.00 Min. : 1.00
## 1st Qu.: 2.000 1st Qu.: 1.00 1st Qu.:1.00 1st Qu.:99.00
## Median : 2.000 Median : 2.00 Median :2.00 Median :99.00
## Mean : 2.192 Mean :14.41 Mean :1.61 Mean :98.63
## 3rd Qu.: 2.000 3rd Qu.: 2.00 3rd Qu.:2.00 3rd Qu.:99.00
## Max. :98.000 Max. :99.00 Max. :3.00 Max. :99.00
## PAIS_NACIONALIDAD PAIS_ORIGEN UCI
## Length:1604845 Length:1604845 Min. : 1.00
## Class :character Class :character 1st Qu.:97.00
## Mode :character Mode :character Median :97.00
## Mean :80.76
## 3rd Qu.:97.00
## Max. :99.00##Limpiar Datos
datos.covid$ORIGEN <- factor(datos.covid$ORIGEN)
datos.covid$SECTOR <- factor(datos.covid$SECTOR)
datos.covid$ENTIDAD_UM <- factor(datos.covid$ENTIDAD_UM)
datos.covid$SEXO <- factor(datos.covid$SEXO)
datos.covid$ENTIDAD_NAC <- factor(datos.covid$ENTIDAD_NAC)
datos.covid$ENTIDAD_RES <- factor(datos.covid$ENTIDAD_RES)
datos.covid$MUNICIPIO_RES <- factor(datos.covid$MUNICIPIO_RES)
datos.covid$TIPO_PACIENTE <- factor(datos.covid$TIPO_PACIENTE)
datos.covid$NACIONALIDAD <- factor(datos.covid$NACIONALIDAD)
datos.covid$HABLA_LENGUA_INDIG <- factor(datos.covid$HABLA_LENGUA_INDIG)
datos.covid$MIGRANTE <- factor(datos.covid$MIGRANTE)
datos.covid$PAIS_ORIGEN <- factor(datos.covid$PAIS_ORIGEN)
datos.covid$FECHA_ACTUALIZACION <- ymd(datos.covid$FECHA_ACTUALIZACION)
datos.covid$FECHA_INGRESO <- ymd(datos.covid$FECHA_INGRESO)
datos.covid$FECHA_SINTOMAS <- ymd(datos.covid$FECHA_SINTOMAS)
datos.covid$FECHA_DEF <- ymd(datos.covid$FECHA_DEF)## Warning: 1509824 failed to parse.datos.covid$INTUBADO <- factor(datos.covid$INTUBADO)
datos.covid$NEUMONIA <- factor(datos.covid$NEUMONIA)
datos.covid$EMBARAZO <- factor(datos.covid$EMBARAZO)
datos.covid$DIABETES <- factor(datos.covid$DIABETES)
datos.covid$EPOC <- factor(datos.covid$EPOC)
datos.covid$ASMA <- factor(datos.covid$ASMA)
datos.covid$INMUSUPR <- factor(datos.covid$INMUSUPR)
datos.covid$HIPERTENSION <- factor(datos.covid$HIPERTENSION)
datos.covid$OTRA_COM <- factor(datos.covid$OTRA_COM)
datos.covid$CARDIOVASCULAR <- factor(datos.covid$CARDIOVASCULAR)
datos.covid$OBESIDAD <- factor(datos.covid$OBESIDAD)
datos.covid$RENAL_CRONICA <- factor(datos.covid$RENAL_CRONICA)
datos.covid$TABAQUISMO <- factor(datos.covid$TABAQUISMO)
datos.covid$OTRO_CASO <- factor(datos.covid$OTRO_CASO)
datos.covid$RESULTADO <- factor(datos.covid$RESULTADO)
datos.covid$UCI <- factor(datos.covid$UCI)Lectura de datos despues de la limpieza
summary(datos.covid)## FECHA_ACTUALIZACION ID_REGISTRO ORIGEN SECTOR
## Min. :2020-09-22 Length:1604845 1: 528546 12 :1004415
## 1st Qu.:2020-09-22 Class :character 2:1076299 4 : 408641
## Median :2020-09-22 Mode :character 6 : 60910
## Mean :2020-09-22 9 : 58673
## 3rd Qu.:2020-09-22 3 : 28304
## Max. :2020-09-22 8 : 13548
## (Other): 30354
## ENTIDAD_UM SEXO ENTIDAD_NAC ENTIDAD_RES
## 9 :394346 1:817659 9 :352304 9 :335180
## 15 :139088 2:787186 15 :177609 15 :194475
## 11 : 93266 11 : 89067 11 : 93196
## 19 : 84540 30 : 69638 19 : 83857
## 21 : 68599 19 : 69149 21 : 66233
## 28 : 64629 21 : 65909 28 : 64560
## (Other):760377 (Other):781169 (Other):767344
## MUNICIPIO_RES TIPO_PACIENTE FECHA_INGRESO FECHA_SINTOMAS
## 7 : 70490 1:1330486 Min. :2020-01-01 Min. :2020-01-01
## 5 : 70027 2: 274359 1st Qu.:2020-06-12 1st Qu.:2020-06-08
## 4 : 59972 Median :2020-07-16 Median :2020-07-13
## 39 : 57716 Mean :2020-07-12 Mean :2020-07-09
## 2 : 56254 3rd Qu.:2020-08-18 3rd Qu.:2020-08-14
## 17 : 48737 Max. :2020-09-22 Max. :2020-09-22
## (Other):1241649
## FECHA_DEF INTUBADO NEUMONIA EDAD NACIONALIDAD
## Min. :2020-01-13 1 : 40853 1 : 199665 Min. : 0.00 1:1597507
## 1st Qu.:2020-06-04 2 : 233306 2 :1405159 1st Qu.: 30.00 2: 7338
## Median :2020-07-06 97:1330486 99: 21 Median : 41.00
## Mean :2020-07-04 99: 200 Mean : 42.08
## 3rd Qu.:2020-08-06 3rd Qu.: 53.00
## Max. :2020-09-22 Max. :120.00
## NA's :1509824
## EMBARAZO HABLA_LENGUA_INDIG DIABETES EPOC ASMA
## 1 : 13361 1 : 13303 1 : 194326 1 : 20923 1 : 45681
## 2 :798655 2 :1534146 2 :1405679 2 :1579623 2 :1554870
## 97:787186 99: 57396 98: 4840 98: 4299 98: 4294
## 98: 5643
##
##
##
## INMUSUPR HIPERTENSION OTRA_COM CARDIOVASCULAR OBESIDAD
## 1 : 19774 1 : 256407 1 : 38728 1 : 30742 1 : 246464
## 2 :1580478 2 :1343941 2 :1559264 2 :1569731 2 :1354105
## 98: 4593 98: 4497 98: 6853 98: 4372 98: 4276
##
##
##
##
## RENAL_CRONICA TABAQUISMO OTRO_CASO RESULTADO MIGRANTE
## 1 : 28002 1 : 131430 1 :777378 1:705263 1 : 1631
## 2 :1572559 2 :1468844 2 :614052 2:820675 2 : 4403
## 98: 4284 98: 4571 99:213415 3: 78907 99:1598811
##
##
##
##
## PAIS_NACIONALIDAD PAIS_ORIGEN UCI
## Length:1604845 99 :1603214 1 : 23367
## Class :character Estados Unidos de América: 258 2 : 250782
## Mode :character República de Honduras : 173 97:1330486
## Venezuela : 167 99: 210
## Colombia : 161
## Cuba : 145
## (Other) : 727ANALISIS DE DATOS.
a) Construir el histograma de casos confirmados por edad
Busqueda de casos confirmados en tabla “RESULTADO” en donde el numero “1” es como resultado ‘positivo’
positivos.covid <- filter(datos.covid, RESULTADO == '1')Por medio de la libreria ggplot se hace el histograma segun positvos comparado con la edad
ggplot(positivos.covid, aes (EDAD)) + geom_histogram(position = "stack", bins = 30)
## Frecuencia de edades.
options(scipen = 999)
frecuencia.edades <- fdt(positivos.covid$EDAD)
frecuencia.edades <- data.frame(frecuencia.edades$table)
frecuencia.edades## Class.limits f rf rf... cf cf...
## 1 [0,5.67524) 4768 0.006760598528 0.6760598528 4768 0.6760599
## 2 [5.67524,11.3505) 4994 0.007081046361 0.7081046361 9762 1.3841645
## 3 [11.3505,17.0257) 10431 0.014790227192 1.4790227192 20193 2.8631872
## 4 [17.0257,22.701) 25747 0.036506948472 3.6506948472 45940 6.5138821
## 5 [22.701,28.3762) 74112 0.105084202631 10.5084202631 120052 17.0223023
## 6 [28.3762,34.0514) 93561 0.132661149103 13.2661149103 213613 30.2884172
## 7 [34.0514,39.7267) 78377 0.111131592044 11.1131592044 291990 41.4015764
## 8 [39.7267,45.4019) 90620 0.128491073543 12.8491073543 382610 54.2506838
## 9 [45.4019,51.0771) 89141 0.126393983521 12.6393983521 471751 66.8900821
## 10 [51.0771,56.7524) 63233 0.089658751416 8.9658751416 534984 75.8559573
## 11 [56.7524,62.4276) 60800 0.086208974524 8.6208974524 595784 84.4768547
## 12 [62.4276,68.1029) 44465 0.063047402175 6.3047402175 640249 90.7815950
## 13 [68.1029,73.7781) 26010 0.036879859003 3.6879859003 666259 94.4695809
## 14 [73.7781,79.4533) 20791 0.029479782719 2.9479782719 687050 97.4175591
## 15 [79.4533,85.1286) 11895 0.016866048552 1.6866048552 698945 99.1041640
## 16 [85.1286,90.8038) 4458 0.006321046191 0.6321046191 703403 99.7362686
## 17 [90.8038,96.479) 1523 0.002159478095 0.2159478095 704926 99.9522164
## 18 [96.479,102.154) 297 0.000421119497 0.0421119497 705223 99.9943284
## 19 [102.154,107.83) 30 0.000042537323 0.0042537323 705253 99.9985821
## 20 [107.83,113.505) 4 0.000005671643 0.0005671643 705257 99.9991493
## 21 [113.505,119.18) 6 0.000008507465 0.0008507465 705263 100.0000000Grafico de barra de Frecuencia de edades.
ggplot(frecuencia.edades, aes(1:21, rf, fill=Class.limits)) + geom_bar(stat = "identity")
## c) Determinar frecuencias por Genero.
frecuencia.genero <- fdt_cat(positivos.covid$SEXO)
frecuencia.genero <- data.frame(frecuencia.genero)
frecuencia.genero## Category f rf rf... cf cf...
## 1 2 367081 0.5204881 52.04881 367081 52.04881
## 2 1 338182 0.4795119 47.95119 705263 100.00000Grafica de Barras de resultados de frecuencias deL Genero en el cual el numero ‘1’ Representa a mujeres y el ‘2’ Representa a los hombres
ggplot(frecuencia.genero, aes(Category, rf, fill=Category)) + geom_bar(stat = "identity")
## Derminar las frecuencias de cada estado de la Republica mexicana.
Clave de entidades: 1=Aguascalientes, 2=Baja California, 3=Baja California Sur, 4=Campeche, 5=Coahuila. 6=Colima, 7=-chiapas, 8=Chihuahua, 9=Cuidad de Mexico“DF”, 10=Durango, 11=Guanajuato, 12=Guerrero, 13=Hidlago, 14=Jalisco, 15=Mexico, 16=Michoacan, 17=Morelos, 18=Nayarit, 19=Nuevo Leon, 20=Oaxaca, 21=Puebla, 22=Queretaro, 23=Quintana Roo, 24=San Luis Potosi,25=Sinaloa, 26=Sonora, 27=Tabasco, 28=Tamaulipas, 29=Tlaxcala, 30=Veracruz, 31=Yucatan, 32=Zacatecas.
frecuencia.estados <- fdt_cat(positivos.covid$ENTIDAD_RES)
frecuencia.estados <- data.frame(frecuencia.estados)
frecuencia.estados## Category f rf rf... cf cf...
## 1 9 118614 0.168184068 16.8184068 118614 16.81841
## 2 15 77823 0.110346069 11.0346069 196437 27.85301
## 3 11 39096 0.055434639 5.5434639 235533 33.39648
## 4 19 36823 0.052211728 5.2211728 272356 38.61765
## 5 30 32175 0.045621279 4.5621279 304531 43.17978
## 6 27 31057 0.044036055 4.4036055 335588 47.58338
## 7 21 30175 0.042785457 4.2785457 365763 51.86193
## 8 28 27968 0.039656128 3.9656128 393731 55.82754
## 9 5 25125 0.035625008 3.5625008 418856 59.39004
## 10 14 24953 0.035381127 3.5381127 443809 62.92816
## 11 26 24006 0.034038366 3.4038366 467815 66.33199
## 12 24 21985 0.031172768 3.1172768 489800 69.44927
## 13 16 19090 0.027067917 2.7067917 508890 72.15606
## 14 2 18619 0.026400081 2.6400081 527509 74.79607
## 15 25 18041 0.025580528 2.5580528 545550 77.35412
## 16 12 17659 0.025038886 2.5038886 563209 79.85801
## 17 31 17479 0.024783662 2.4783662 580688 82.33638
## 18 20 15802 0.022405826 2.2405826 596490 84.57696
## 19 13 12136 0.017207765 1.7207765 608626 86.29774
## 20 23 11410 0.016178362 1.6178362 620036 87.91557
## 21 8 9705 0.013760824 1.3760824 629741 89.29165
## 22 3 9657 0.013692764 1.3692764 639398 90.66093
## 23 22 8337 0.011821122 1.1821122 647735 91.84304
## 24 10 8257 0.011707689 1.1707689 655992 93.01381
## 25 29 7295 0.010343659 1.0343659 663287 94.04818
## 26 32 6837 0.009694256 0.9694256 670124 95.01760
## 27 1 6800 0.009641793 0.9641793 676924 95.98178
## 28 7 6467 0.009169629 0.9169629 683391 96.89875
## 29 4 5890 0.008351494 0.8351494 689281 97.73390
## 30 18 5747 0.008148733 0.8148733 695028 98.54877
## 31 17 5742 0.008141644 0.8141644 700770 99.36293
## 32 6 4493 0.006370673 0.6370673 705263 100.00000Grafica de Frecuencia por Estado-
ggplot(frecuencia.estados, aes(Category, rf, fill="Category")) + geom_bar(stat = "identity")
Tabla de Frecuencia de casos Positivos y No Positivos de SARS-COVID-19.
tabla.frecuencia.resultados <- datos.covid %>% group_by(RESULTADO) %>% summarise(frecuencia = n()) ## `summarise()` ungrouping output (override with `.groups` argument)tabla.frecuencia.resultados## # A tibble: 3 x 2
## RESULTADO frecuencia
## <fct> <int>
## 1 1 705263
## 2 2 820675
## 3 3 78907Tabla de Frecuencias de positivos completa
tabla.frecuencia.resultados.2 <- data.frame(fdt_cat(datos.covid$RESULTADO))
names(tabla.frecuencia.resultados.2) <- c("Resultado", "Freq", "Frec.Rel", "Frec.porc","Freq.Acum.Pror")
tabla.frecuencia.resultados.2## Resultado Freq Frec.Rel Frec.porc Freq.Acum.Pror NA
## 1 2 820675 0.51137337 51.137337 820675 51.13734
## 2 1 705263 0.43945864 43.945864 1525938 95.08320
## 3 3 78907 0.04916799 4.916799 1604845 100.00000Grafico de Resultados en donde el numero ‘1’ se interpreta como Positivo, ‘2’ se interpreta como No Positivo y el ‘3’ Resultado Pendiente.
ggplot(data = tabla.frecuencia.resultados.2, aes(Resultado, Frec.porc, fill=Resultado)) + geom_bar(stat = "identity")
## Tabla de frecuencia de pacientes en estado “Ambulatorio y Hospitalizados”
tabla.frecuencia.tipop <- data.frame(fdt_cat(datos.covid$TIPO_PACIENTE))
names(tabla.frecuencia.tipop) <- c("Tipo", "Freq", "Freq.rel", "Freq.porc","Freq.acum", "Freq.acum.porc")
tabla.frecuencia.tipop## Tipo Freq Freq.rel Freq.porc Freq.acum Freq.acum.porc
## 1 1 1330486 0.8290433 82.90433 1330486 82.90433
## 2 2 274359 0.1709567 17.09567 1604845 100.00000Grafica de Frecuencia de los Tipos de Pacientes
ggplot(data = tabla.frecuencia.tipop, aes(x = Tipo, y = Freq.porc, fill=Tipo)) + geom_bar(stat = "identity") + geom_text(aes(label=Freq))
##Tabla de Frecuencia de Decesos por SARS-COVID-19
datos.covid <- datos.covid %>%
mutate(DECESO = ifelse(is.na(FECHA_DEF), 'NO', 'SI'))
tabla.frecuencia.deceso <- data.frame(fdt_cat(datos.covid$DECESO))
names(tabla.frecuencia.deceso) <- c("Deceso", "Freq", "Freq.rel", "Freq.porc","Freq.acum", "Freq.acum.porc")
tabla.frecuencia.deceso## Deceso Freq Freq.rel Freq.porc Freq.acum Freq.acum.porc
## 1 NO 1509824 0.94079117 94.079117 1509824 94.07912
## 2 SI 95021 0.05920883 5.920883 1604845 100.00000Grafica de los decesos por SARS COVID-19 en Mexico.
ggplot(data = tabla.frecuencia.deceso, aes(x = Deceso,
y = Freq.porc, fill=Deceso)) +
geom_bar(stat = "identity") +
geom_text(aes(label=Freq))
Tabla de frecuencias de UCI
tabla.frecuencia.uci <- data.frame(fdt_cat(datos.covid$UCI))
names(tabla.frecuencia.uci) <-c("UCI", "Freq", "Freq.rel", "Freq.porc","Freq.acum", "Freq.acum.porc")
tabla.frecuencia.uci## UCI Freq Freq.rel Freq.porc Freq.acum Freq.acum.porc
## 1 97 1330486 0.8290433032 82.90433032 1330486 82.90433
## 2 2 250782 0.1562655584 15.62655584 1581268 98.53089
## 3 1 23367 0.0145602846 1.45602846 1604635 99.98691
## 4 99 210 0.0001308538 0.01308538 1604845 100.00000##Grafica de Personas que hay estado en la Unidad de Cuidados Intensivos.
ggplot(tabla.frecuencia.uci, aes(x = UCI, y = Freq.porc, fill=UCI)) + geom_bar(stat = "identity") + geom_text(aes(label=Freq))
Frecuencia de registros de casos por SARS COVID-19 por mes en Mexico.
meses <- month(positivos.covid$FECHA_INGRESO)
tabla.frecuencia.meses <- data_frame(fdt_cat(as.character(meses)))## Warning: `data_frame()` is deprecated as of tibble 1.1.0.
## Please use `tibble()` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.names(tabla.frecuencia.meses) <- c("Mes", "Freq", "Freq.rel", "Freq.porc","Freq.acum", "Freq.acum.porc")
tabla.frecuencia.meses## # A tibble: 9 x 6
## Mes Freq Freq.rel Freq.porc Freq.acum Freq.acum.porc
## <chr> <int> <dbl> <dbl> <int> <dbl>
## 1 7 200085 0.284 28.4 200085 28.4
## 2 8 157119 0.223 22.3 357204 50.6
## 3 6 153224 0.217 21.7 510428 72.4
## 4 5 86719 0.123 12.3 597147 84.7
## 5 9 78941 0.112 11.2 676088 95.9
## 6 4 26626 0.0378 3.78 702714 99.6
## 7 3 2539 0.00360 0.360 705253 100.
## 8 2 8 0.0000113 0.00113 705261 100.
## 9 1 2 0.00000284 0.000284 705263 100Grafica de casos positivos por mes.
ggplot(data = tabla.frecuencia.meses, aes(x = Mes, y = Freq)) + geom_bar(stat = "identity")
Interpretacion.
Las primeras interpetaciones de la base de datos del gobierno nacional de pacientes de sars covid-19.
Como principal dato a valorar en la tabla es los resultados de los pacientes. Suele ser importante tener valores de los casos positivos de covid. En el cual por medio de un grafico por edad podemos darnos cuenta de las siguientes cuestiones:
+ La mayoria de las personas que son Positvas en su mayoria estan entre el 35 a 55 años de edad en su mayoria las personas infectadas se encuentran en ese rango de edad. +Lo que se puede ver es que entre niños y adolescentes los contagios son menores. +Hay pocos contagios de personas mayores pero aun asi no se descartan.
Utilizando por medio de la libreria Ggplot se crearon rangos de edades para valorar la frecuencia de personas por medio de estadistica en donde se puede apreciar lo siguiente:
+Las edades con mayor rango de contagios esta entre los 22 y 28 años. +A continuacion le sigue las edades de 39 a 51 años de mayor a menor.
Se analizo por medio de Frencuencias el Genero en el cual se pudo interpretar lo siguiente:
+ Hay mas hombres con resultado positivo son “338337”. + Las mujeres con resultado positivo han sido “309170”.
En la siguiente grafica se aprecia los estados en donde se ha visto mas casos positivos en donde:
+El estado de mexico ocupa el 1er lugar en casos positivos y no positivos de covid, se puede comprender ya que es la capital del pais y existe un numero elevado de habitantes en la ciudad. +Se puede checar que en el estado de durango hay un rango bajo pero en comparacion a estados como “Morelos y Aguascalientes” sigue siendo elevado.
En la siguiente Tabla se hizo la interpretacion de los resultados totales que son los siguientes:
+En el pais hay 647507 Casos Positivos Registrados desde el mes de Marzo-2020 hasta el dia 22-Sep-2020. +Hay en total 734649 Casos No Positivos Registrados en el pais. +Ademas hay 83537 en “Caso Sospechoso” o que aun no reciben el resultado.
En el siguiente grafico se analizo el Tipo de Paciente Positivo en donde se expresa lo siguiente:
+Hay 1208690 personas registradas que no hay tenido que recibir un tratamiento especial o no lo han recibido despues de haber tenido su resultado. +Del cual 257003 personas han tenido complicaciones los cuales se han tenido que “Hospitalizar”.
En la siguiente tabla y grafico se identifica lo tragico de la enfermedad los decesos en donde arroja los siguientes datos:
El total de personas fallecidas en el pais por SARS COVID-19 es un total de 95021, esto da como porcentaje un 0.05% de las personas infectadas. Del cual hay 1509824 personas que estan en buen estado de salud.
En la siguiente frecuencia se analiza los pacientes que han estado en Unidad de Cuidados Intensivos donde se demuestra lo siguiente:
+En total hay 23367 Pacientes que si estuvieron en cuidados intensivos. +Hay 250782 que no hay estado en cuidados intensivos. +Hay 1330486 personas que no aplicaron para necesitar asistecia de cuidados intensivos.
En el siguiente grafico se analizan los casos positivos por mes en el pais a lo largo de la pandemia.
+El mes con mayor casos positivos en Mexico fue el mes de Julio. +El mes de junio y agosto tienen un rango similar de casos positivos. +Los primeros 3 meses son los que se encuentran menos casos positivos.
En lo que va de el mes de septiembre ha bajado los casos de casos positivos a comparacion de meses anteriores pero las estadisticas se mantienen en un indice alto de contagios en el pais.