Proyecto Final Bioestadistica 2

GENERAL EDUCATION- QUANTITATIVE LITERACY
PLANTILLA PARA EL PROYECTO FINAL
FACULTAD CIENCIAS DE LA SALUD
DICIEMBRE 2021
Plantilla Proyecto Final
Universidad Popular Autónoma del Estado

de Puebla
Campus Puebla
Facultad de enfermería
Bioestadistica MAT203
PROYECTO FINAL
“Estado nutricional en Nepal”
Presenta:
Miriam Garcia Cortes 14802428
Jennifer Karina Martinez Juares 14802419
Monica Regino Morales 14802132
Docente:
Carlos Antonio Abella Medrano
Puebla, Pue.
Diciembre 2021
| QUANTITATIVE LITERACY
TÍTULO DEL PROYECTO
1. Introducción
En Nepal, el estado nutricional de las madres y los niños menores de cinco años
es extremadamente deficiente. Con respecto a los niños, los déficits
antropométricos varían según las zonas ecológicas, y así el retraso del
crecimiento y la insuficiencia ponderal son más frecuentes en las montañas y los
cerros, y la emaciación es más frecuente en el Terai. En los últimos veinte años no
se ha observado mejora alguna en el estado nutricional de los niños (FAO 2010).
Las mujeres nepalesas están muy afectadas de malnutrición, especialmente en las

regiones no montañosas. En Nepal, la escasez de alimentos debida a la
estacionalidad contribuye a la malnutrición. A través del estado antropométrico
materno, la estacionalidad afecta el peso al nacer, y continúa afectando el
crecimiento durante toda la infancia. La FAO estima que la proporción de la
población desnutrida en el sentido de carecer de alimentación suficiente era de
alrededor del 29 por ciento en 1990-92, frente al 45 por ciento en 1969-1971 (FAO
2010).
El escaso consumo de frutas y de hortalizas frescas, que depende mucho de la

disponibilidad de existencias estacionales en el lugar, contribuye a trastornos
nutricionales tales como carencias de hierro y de vitamina A. Los trastornos
nutricionales, incluida la carencia de yodo, son más frecuentes en distritos
montañosos aislados e inaccesibles en los que la disponibilidad de alimentos
locales es sinónimo de producción local (FAO 2010).
Se realizó un censo poblacional en el 2011 comparando los distritos y las

ecorregiones (Hill, Terai y Montañas) y se tomaron los datos nutricionales de
mujeres y de niños menores de 5 años.
El 5 de mayo de 2011, Nepal se convirtió en uno de los primeros países (el quinto)
en incorporarse al Movimiento para el fomento de la nutrición (Movimiento SUN)
con una carta de compromiso, en la que se propuso intensificar la acción colectiva
para fomentar la nutrición y erradicar la malnutrición del país. Nepal ha
demostrado su compromiso en su labor de reunir a las personas, desarrollar un
marco legal y político coherente, alinear los programas en torno a un marco común
de resultados, desarrollar un marco de resultados y efectuar el seguimiento
financiero periódico, así como de profundizar sus compromisos políticos. Nepal ha
seguido los pasos de la hoja de ruta del Movimiento SUN a la hora de ofrecer un
espacio para generar compromisos, inspirar e invertir, que permitió reunir,
movilizar, intercambiar, aprender, promocionar, alinear y coordinar las medidas de
nutrición. (scaling up nutrition 2019).
ANEMIA
La anemia es una afección en la que el número de glóbulos rojos o la

concentración de hemoglobina dentro de estos es menor de lo normal. La
hemoglobina es necesaria para transportar oxígeno y si una persona tiene muy
pocos glóbulos rojos, si estos son anómalos o no hay suficiente hemoglobina, ello
disminuirá la capacidad de la sangre para transportar oxígeno a los tejidos del
organismo. Esto se manifiesta por síntomas como fatiga, debilidad, mareos y
dificultad para respirar, entre otros. La concentración óptima de hemoglobina
necesaria para satisfacer las necesidades fisiológicas varía según la edad, el
sexo, la elevación sobre el nivel del mar, el tabaquismo y el embarazo. Las causas
más comunes de anemia son las carencias nutricionales, particularmente de

hierro, aunque las carencias de folato, vitaminas B12 y A. (OMS 2018).
1.1 Planteamiento del problema

Las anemias nutricionales son unas de las patologías más comunes siendo un
problema generalizado de salud pública con un alto riesgo de morbilidad y
mortalidad, se encuentra entre las diez enfermedades más frecuentes en el
mundo. En Nepal gran parte de la población de mujeres están sometidas a un
estilo de vida con ritmo acelerado, debido a las condiciones ambientales de la
zona, tomando en cuenta su clima, el medio de transporte y costumbres
alimenticias que a pesar de tener una alimentación de exceso no es balanceada.
En caso de la universidad UPAEP de la facultad de enfermería las estudiantes
están expuestas a un alto grado de estrés y de mala alimentación por las
exigencias de la carrera, sumando a esto también que en el siglo XXI se tienden
hacer énfasis en el peso queriendo llegar a una figura estipulada ya que las
modas imponen a un estereotipo de “cuerpo perfecto”, trayendo como
consecuencia la vulnerabilidad de adquirir esta patología. (scribd 2018). Con
respecto al consumo y relación de los minerales especiales en el desarrollo de la
anemia nutricional tenemos que el hierro especial para el buen funcionamiento del
cuerpo, es decir que no pueden ser sintetizados por este y tiene como función
principal el transporte de oxígeno para que sea utilizado por la células y además
la recolección de dióxido de carbono que es un material de desecho de dichas
células para que sea eliminado por el sistema respiratorio.
Existen diferentes causad de anemia, entre las cuales la más habitual es la

anemia por carencia de hierro, la carencia de nutrientes como la vitamina B12 y
las proteínas, pueden causar anemia. (OMS 2019)
¿Cómo analizar estadísticamente diferencias con respecto a la prevalencia de
Anemia en niños y mujeres en las tres ecorregiones censadas?
1.2 Objetivos
1.2.1 General
Analizar la prevalencia de anemia en mujeres y niños en cada ecorregión.
1.2.2 Específicos
 Ordenar adecuadamente la base de datos.
 Determinar la media antes y después de los tratamientos
 Realizar la prueba de normalidad y tomar la decisión de qué prueba
estadística realizar (paramétrica o no paramétrica).
1.3 Justificación o relevancia

El tema de anemia es un tema muy importante de conocer, prevenirlo no
solo en el país de Nepal si no en todo el mundo influye directamente en el proceso
de maduración cerebral de los infantes y su capacidad de aprendizaje, para
nosotras como enfermeras es relevante reducir los estadísticos en anemia, porque
contribuye a nuestra sociedad ya que afecta el sistema inmune y deja a la persona
más propensa a sufrir cualquier enfermedad infecciosa. La anemia es un grave
problema de salud pública en el mundo que afecta particularmente a los niños
pequeños y las embarazadas. La OMS calcula que, en todo el mundo, son
anémicos un 42% de los niños menores de 5 años y un 40% de las embarazadas.
(OMS 2018)
2. Desarrollo Matemático
La desnutrición es un problema persistente en Nepal. Muchos nepalíes no tienen
acceso a suficientes alimentos, y los que tienen carecen de los nutrientes y
proteínas que necesitan para mantenerse sanos. A pesar de que el 70% de la
población activa se dedica a la agricultura, más de un tercio de los jóvenes sufre
retraso en el crecimiento, y hay tasas alarmantes de anemia, que oscilan entre el
40 y el 60% en mujeres y niños. (innovacion, 2020)
Las tasas de retraso en el crecimiento en los niños pequeños aún siguen siendo
demasiado elevadas: una meta que no se logró cumplir durante la era de los
Objetivos de Desarrollo del Milenio. El retraso en el crecimiento se ha reducido de
manera constante en los últimos 17 años, ya que era del 57 % en 2001, del 49 %
en 2006, del 41 % en 2011, del 37 % en 2014 y del 36 % en 2016/17, según la
encuesta de demografía y salud de Nepal.
Al menos 1 de cada 3 niños menores de 5 años está desnutrido o tiene sobrepeso,
y 1 de cada 2 padece hambre oculta, lo que menoscaba la capacidad de millones
de niños para crecer y desarrollar su pleno potencial. La baja calidad de la
alimentación de los niños es la principal causa de la triple carga de malnutrición: 2
de cada 3 niños no reciben una alimentación mínimamente diversificada para un
crecimiento y un desarrollo saludables. (Brian Keeley, 2019)
En Nepal surgió una nueva etapa para la nutrición, gracias a las metas para 2025
de la Asamblea Mundial de la Salud y las metas para 2030 de los Objetivos de
desarrollo sostenible (ODS). Conforme a las metas para 2025 de la Asamblea
Mundial de la Salud, Nepal se propuso reducir al 24 % el retraso en el crecimiento
y al 15 % la meta relativa a la nutrición de los ODS, como se muestra en la tabla 1
siguiente. Nepal necesita incrementar la tasa media anual de reducción actual de
retraso en el crecimiento del 3,1 % al 4,3 % para alcanzar la meta para 2025 de la
Asamblea Mundial de la Salud (encuesta de demografía y salud de Nepal y
encuesta de indicadores múltiples por conglomerados de Nepal). (Chitekwe, 2019)
El escaso consumo de frutas y de hortalizas frescas, que depende mucho de la

disponibilidad de existencias estacionales en el lugar, contribuye a trastornos
nutricionales tales como carencias de hierro y de vitamina A. Los trastornos
nutricionales, incluida la carencia de yodo, son más frecuentes en distritos
montañosos aislados e inaccesibles en los que la disponibilidad de alimentos
locales es sinónimo de producción local. Desafortunadamente, como no se
dispone de encuestas nacionales sobre el consumo alimentario, no se puede dar
una información sobre la suficiencia de dicho consumo en la actualidad. Sin
embargo, los datos disponibles indican que en 1970 no se cubrían las
necesidades energéticas diarias por persona, mientras que en 1985 parece que la
situación ha mejorado y las necesidades estaban cubiertas.
El consumo de alimentos es sólo uno de los múltiples factores que interaccionan y
tienen repercusiones en el estado nutricional de toda la población. Otros factores
que influyen son la morbilidad, la escasa cobertura de las infraestructuras
sanitarias y los factores socioeconómicos.
En los últimos 30 años, aunque los servicios sanitarios básicos han aumentado en
el Nepal, su alcance sigue siendo limitado. La tasa de mortalidad infantil, que es
un índice importante del estado sanitario y nutricional de una comunidad es alta de
acuerdo a las normas internacionales: 118 por 1 000 nacimientos. Las numerosas
enfermedades infecciosas, tales como las infecciones respiratorias e intestinales y
el paludismo, siguen siendo las causas principales de morbilidad y mortalidad en
el Nepal, especialmente en las regiones más pobladas. (consumidor, 2010)
Dicho lo anterior, el fin de este trabajo es el comprobar que en el Nepal existe una
desnutrición masiva debido a la falta de alimentos y nutrientes necesarios para un
buen desarrollo y adecuado peso. Por lo tanto es un buen punto por el cual se
debería ayudar a Nepal para disminuir la tasa de anemias en mujeres y niños, así
como un bajo peso.
La realización de este trabajo se realizó mediante la obtención de datos verídicos

en investigaciones profundas vía internet, por lo cual se obtuvieron datos
importantes para la ejecución y comprobación de la falta importante de
desnutrición y bajo peso con posibles anemias.
El método utilizado fue el de probabilístico aleatorio estratificado. Una población
de muestra de 75 sujetos y 16 variables, de las cuales solo tomaremos 7 variables
ya que son las de mayor importancia y nos ayudaran a comprobar la desnutrición;
las cuales son: 1) S.N, 2) Distrito, 3) Eco_Region, 4) Frecuencia mínima de
comida, 5) Anemia_niños, 6) Anemia_mujeres y 7) Bajo_peso.
2.1 Metodología
Para realizar la presente investigación de la comunidad de Nepal que tiene como
principal objetivo proponer una definición acerca del concepto de líder socialmente
responsables e identificar las competencias atribuidas a los mismos por medio de
la revisión de literatura al respecto y la utilización de la metodología de Delphi. El
trabajo de investigación “estado nutricional de Nepal” por la modalidad
corresponde a un proyecto de desarrollo por cuanto está encaminado a resolver
problemas prácticos, a través de una evaluación del proyecto en mención.
Por la naturaleza es una investigación cualitativa en razón de que buscamos
analizar el problema, mediante la interpretación y compresión hermenéutica de los
procesos y resultados de la influencia del proyecto.
2.1.1 Población objetivo

Comunidad de Montaña, Hill y Tarai en niños y mujeres en el Nepal
2.1.2 Variables en estudio
Variable Clasificación Escala de medición

S.N Cuantitativa discreta Ordinal
Distrito Cualitativa Nominal
Eco-región Cualitativa Nominal
Frecuencia mínima de Cuantitativa continua Intervalo
comida independiente
Anemia-niños Cuantitativa continua Intervalo
dependiente
Anemia-Mujeres Cuantitativa continua Intervalo
dependiente
Bajo peso Cuantitativa continua Razón
dependiente
2.1.3 Hipótesis de investigación

La alimentación en la vida diaria es un hábito obligación de muchas
sociedades, esta es muy distinta de algunos con otros debido a distintos
caracteres y propias costumbres de la sociedad.
Pero, existen muchos problemas para poder cumplir con nuestras bajos
caprichos, lamentablemente no todos estamos en las mismas condiciones
unos con otros.
La pobreza en las sociedades es una fuerte causa de que muchas cosas no
se cumplan, uno de ellos, la alimentación. Este mal está presente en casi
todos los lugares del mundo y en cada rincón de nuestras pequeñas
comunidades.
Debido a todo esto, muchas veces la alimentación se ve mermada por todo

esto, es aquí qué la presencia de diferentes enfermedades aparecen, es
por ellos que tenemos certeza que una causa de peso es la pobreza ya que
de él recae muchas escenas de la vida cotidiana y que merman por
completo muchas otras.
El poder adquisitivo es determinante para poseer bastantes cuestiones en
la vida real. Por ello es que la pobreza y la poca educación provocan
bastantes interrogantes y justifican el actuar de mesitas mismas.
La pobreza es una causa importante de que la anemia existan en la
comunidad, ya que esta condición provocas que no se logre poder adquirir,
entre tantas cosa, alimentos y bebidas naturales.
La pobreza ataca en todos los aspectos de la vida cotidiana al punto de
llegar a intentar sobrevivir de la maneras imaginables, ya que sin el poder
adquisitivo toco necesario y con la alza de varios productos de la canasta
basura, se vuelve esencia la presencia de poder monetario para poder así
subsanar los gastos que lamentablemente cada día se ha ido aumentando.
2.1.4 Hipótesis estadísticas

Una hipótesis estadística es una afirmación acerca del parámetro de la población
en estudio.
Plantear al menos un juego de hipótesis (hipótesis nula y alternativa) para cada
una de las hipótesis de investigación planteadas.
Especificar y justificar la prueba estadística y la distribución de probabilidad a
utilizar para comprobarlas.
Tabla Y. Hipótesis estadísticas
Hipótesis de Hipótesis estadísticas Prueba estadística y
investigación distribución de
probabilidad
Hipótesis 1. Existe una Ho: ρ = 0 Prueba bilateral para
relación positiva entre el Ha: ρ ≠ 0 el coeficiente de
peso y la estatura. correlación de Pearson
con distribución T de
Student
Hipótesis 2. El gasto Ho: µ ≤ 10,000 Prueba unilateral de
promedio en medicamentos Ha: µ > 10,000 cola superior para la
al mes es superior a 10,000 media poblacional con
pesos distribución Z dado
que el tamaño de
muestra es mayor a 30
elementos
Hipótesis 3. Redacción Ho:
Ha:
Caso 2. Fuentes documentales

2.1.5.1 Fuentes de información
El proyecto se guio por recurso bibliográficos en la cual obtuvimos datos de
recolección para formular todas nuestras operaciones. En la búsqueda de estas
fuentes fue que llegamos acabo toda nuestra investigación.
2.1.5.2 Descripción de la base de datos y de las modificaciones

realizadas para su análisis
En caso de que esta aplique la descripción de las modificaciones a la base de

datos original, deberá indicarse los procedimientos ejecutados para preparar los
datos previos al análisis realizado.
2.2 Resultados
DATOS Frecuencia_mínima_c ANEMIA_NIÑ Anemia_Mujeres Bajo_Peso
omida OS
Media aritmética o 80.29733 45.17200 31.62133 3.34920
promedio
Mediana 78.1 43.60 33.10 2.410
Moda 90 43.6 35.9 4.02
Valor mínimo 64.7 33.10 19.20 0.000
Valor maximo 90.0 60.40 49.00 20.460
ESTADISTICOS: 75.8 40.55 24.30 1.260
RESUEMENES:
COJUNTO DE DATOS
ACTIVO
Q1
Q3 88.0 49.50 35.90 4.540
IQR 12.20 8.95 11.60 3.28
ESTADISTICOS: 6.947972 6.493251 8.846610 3.433377
RESUMENES,:RESU
MEN NUMERICO
Desviación
0estándar (SD)
VAR (TT2$V1) 48.2743171 42.1623135 78.2625117 11.7880777
Varianza
Coeficiente de 0.08652806 0.14374505 0.27976715 1.02513347
variación (CV)
Curtosis -0.8746030 -0.4573029 -1.0182160 8.6525352

(KURTOSIS)
Asimetría -0.02803284 0.25877181 0.21768768 2.50422665
(SKEWNESS)
prueba de p-value = p-value = p-value = 0.0007271 p-value =
normalidad 0.000006478 0.03534 0.000000001131
Shapiro-Wilk
Histograma, una gráfica de tallos y hojas, una gráfica de cajas y alambres, un

diagrama de puntos.
65 70 75 80 85 90
Frecuencia_mínima_comida
FRECUENCIA_MÍNIMA_COMIDA
40
35 40 45 50 55 60
30
Anemia_Niños
frequency
20
Rcmdr> with(PROY,
stem.leaf(Frecuencia_mínima_comida, na.rm=TRUE))
10
1 | 2: represents 12
0
leaf unit: 1
60 65 70 75 80 85 90
Frecuencia_mínima_comida n: 75
2 f | 44
5 s | 777
90
6. |
85
7* |
80
8 t | 333
75
22 f | 55555555555555
70
33 s | 66666666666
65
(14) 7. | 88888888899999
8* |
ANEMIA_NIÑOS
35 40 45 50 55 60
30
Anemia_Niños
25
Rcmdr> with(PROY, stem.leaf(Anemia_Niños,

20
na.rm=TRUE))
frequency
15
10
leaf unit: 1
5
n: 75
0
3 t | 333
30 35 40 45 50 55 60 65
Anemia_Niños
f|
10 s | 6666666
3. |
60
23 4* | 0000000000000
55
(19) t | 2222222233333333333
50
Anemia_Niños
f|
45
33 s | 6666666
40
26 4. | 88899999
35
18 5* | 111
15 t | 2222222222
f|
ANEMIA_MUJERES
15
20 25 30 35 40 45 50
Anemia_Mujeres
10
Rcmdr> with(PROY, stem.leaf(Anemia_Mujeres,

frequency
na.rm=TRUE))
5
leaf unit: 1
n: 75
0
15 20 25 30 35 40 45 50
12 1. | 999999999999
Anemia_Mujeres
2* |
19 t | 2222222
50
f|
45
30 s | 66666666666
40
Anemia_Mujeres
34 2. | 8888
35
3* |
30
(13) t | 2223333333333
25
28 f | 55555555555
20
s|
BAJO_PESO
0 5 10 15 20
Bajo_Peso
Rcmdr> with(PROY, stem.leaf(Bajo_Peso,

na.rm=TRUE))
30
1 | 2: represents 1.2
25
leaf unit: 0.1

20
frequency
n: 75
15
6 0* | 002334
10
16 0. | 5555666689
5
27 1* | 01222344444
0
0 5 10 15 20 31 1. | 5567
Bajo_Peso
(8) 2* | 00022244
36 2. | 5778899
65
20
29 3* | 012223
3. |
15
66
23 4* | 0033
Bajo_Peso
64
68
10
19 4. | 789
16 5* | 0234
5
5. |
12 6* | 3333
0
8 6. | 9
7 7* | 0
GRAFICAS XY
90
90
85
85
80
80
75
75
70
70
65
65
0 5 10 15 20
35 40 45 50 55 60
Bajo_Peso
Anemia_Niños
90
85
80
75
70
65
20 25 30 35 40 45 50
Anemia_Mujeres
Prueba de T-Estudent
1. Prueba de normalidad de las variables que se quieren analizar.
FRECUENCIA p-value = 0.000006478 NO NORMAL

MINIMA COMIDA
BAJO PESO p-value = 0.000000001131 NO NORMAL
2. Histograma de las variables que se quieren analizar.

40
30
25
30
20
frequency
frequency
20
15
10
10
5
0
60 65 70 75 80 85 90
0 5 10 15 20
Bajo_Peso
ANOVA Y KRUSKAL-WALLIS
ECOREGION CON RESPECTO FRECUENCIA MINIMA COMIDA
1. Prueba de normalidad y homocedasticidad de las variables que se quieren analizar.

FRECUENCIA p-value = 0.000006478 NO NORMAL
MINIMA COMIDA
Eco_Region = Hill
15
frequency
10
5
0
65 70 75 80 85 90
Eco_Region = Mountain
15
frequency
10
5
0
65 70 75 80 85 90
Eco_Region = Tarai
15
frequency
10
Test de Bartlet
5
0
65 70 75 80 85 90
FRECUENCIA MINIMA K-squared = 1.1912 df = 2 p-value = 0.5512 HOMOCEDASTICIDAD

COMIDA/ECOREGION
3. Grafica de cajas y alambres de las variables que se quieren analizar.
Boxplot
90
85
80
75
70
65
Hill Mountain Tarai
Eco_Region
F value: 15.34 Pr(>F)= 0.00000283 *** Df=2 SIGNIFICATIVO

Residuals 72
ECOREGION RESPECTO A BAJO PESO
BAJO PESO p-value = 0.000000001131 NO NORMAL

Eco_Region = Hill
25
frequency
15
0 5
0 5 10 15 20 25
Bajo_Peso
25
frequency
15
0 5
0 5 10 15 20 25
Bajo_Peso
Eco_Region = Tarai
25
frequency
15
0 5
Test de
0 Bartlet 5 10 15 20 25
Bajo_Peso
BAJO PESO K-squared = 44.142 df = 2 p-value = HETEROCEDASTICIDAD
/ECOREGION 2.598e-10
Boxplot
20
15
Bajo_Peso
10
60
70
74
5
0
Hill Mountain Tarai
Eco_Region
KRUSKAL-WALLIS
chi-squared = 9.5982 df = 2 p-value = 0.008237 NO SIGNIFICATIVO
ECOREGION CON RESPECTO ANEMIA MUJERES

ANEMIA MUJERES p-value = 0.03534 NO NORMAL

Eco_Region = Hill
8 10
frequency
6
4
2
0
20 25 30 35 40 45 50
Anemia_Mujeres
8 10
frequency
6
4
2
0
20 25 30 35 40 45 50
Anemia_Mujeres
Eco_Region = Tarai
8 10
frequency
6
4
2
0
20 25 30 35 40 45 50
Anemia_Mujeres
Test de Bartlet
ECOREGION/ K-squared = 1.7941 df = 2 p-value = 0.4078 HOMOCEDASTICIDAD

ANEMIA MUJERES
Boxplot
50
58
57
56
45
Anemia_Mujeres
35
49
48
47
30
25
20
Hill Mountain Tarai
Eco_Region
ANOVA
F value: 48.86 Pr(>F) = 3.93e-14 *** Df=2 SIGNIFICATIVO

Residuals 72
ECOREGION CON RESPECTO ANEMIA NIÑOS

ANEMIA NIÑOS p-value = 0.0007271 NO NORMAL

Eco_Region = Hill
15
frequency
10
5
0
| QUANTITATIVE
30 LITERACY
35 40 45 50 55 60
Anemia_Niños
15
frequency
10
5
0
30 35 40 45 50 55 60
Anemia_Niños
Eco_Region = Tarai
15
frequency
10
5
0
30 35 40 45 50 55 60
Anemia_Niños
Test de Bartlet
ECOREGION/ K-squared = 27.924 df = 2 p-value = 0.0000008637 HETEROCEDASTICIDAD

ANEMIA NIÑOS
Boxplot
60
55
50
mia_Niños
40
35 29
23
22
Hill Mountain Tarai
Eco_Region
KRUSKAL-WALLIS
chi-squared = 39.116 df = 2 p-value =0.000000003206 NO SIGNIFICATIVO

2.3 Conclusiones y recomendaciones
En este apartado se presentan ideas sintetizadas que exponen de manera
reflexiva, clara y concisa la solución al problema planteado. Se argumenta el logro
o no de los objetivos. Además, se incluyen sugerencias, sobre algún proceso o
resultado que se haya obtenido durante la realización del proyecto, con el objetivo
de generar mejoras o incluir elementos o variables de interés para enfrentar de
mejor forma el problema planteado.
En las recomendaciones, incluir sugerencias para mejorar el estudio o proponer
nuevas rutas de investigación. Es posible señalar deficiencias del estudio pero sin
extenderse en las fallas.
2.4 Anexos
Rcmdr> PRO1 <- read.table("C:/Users/Miria_000/Documents/PROYCBIO2.txt",
Rcmdr+ header=TRUE, stringsAsFactors=TRUE, sep="", na.strings="NA", dec=".",
Rcmdr+ strip.white=TRUE)
RcmdrMsg: [2] NOTA: El conjunto de datos PRO1 tiene 75 filas y 7 columnas.
Rcmdr> PRO1
S.N. District Eco_Region Frecuencia_mínima_comida Anemia_Niños
1 1 Taplejung Mountain 87.5 51.3
2 2 Panchthar Hill 90.0 42.3
3 3 Ilam Hill 90.0 42.3
4 4 Jhapa Tarai 79.7 49.5
5 5 Morang Tarai 79.7 49.5
6 6 Sunsari Tarai 79.7 49.5
7 7 Dhankuta Hill 90.0 42.3
8 8 Terhathum Hill 90.0 42.3
9 9 Sangkhuwasabha Mountain 87.5 51.3
10 10 Bhojpur Hill 90.0 42.3
11 11 Solukhumbu Mountain 87.5 51.3
12 12 Khotang Hill 90.0 42.3
13 13 Okhaldhunga Hill 90.0 42.3
14 14 Udayapur Hill 90.0 42.3
15 15 Saptari Tarai 79.7 49.5
16 16 Siraha Tarai 79.7 49.5
17 17 Dhanusha Tarai 75.8 46.7
18 18 Mahottari Tarai 75.8 46.7
19 19 Sarlahi Tarai 75.8 46.7
20 20 Sindhuli Hill 78.1 40.2
21 21 Ramechhap Hill 78.1 40.2
22 22 Dolakha Mountain 84.6 33.1
23 23 Sindhupalchok Mountain 84.6 33.1
24 24 Kabhrepalanchok Hill 78.1 40.2

25 25 Lalitpur Hill 78.1 40.2
26 26 Bhaktapur Hill 78.1 40.2
27 27 Kathmandu Hill 78.1 40.2
28 28 Nuwakot Hill 78.1 40.2
29 29 Rasuwa Mountain 84.6 33.1
30 30 Dhading Hill 78.1 40.2
31 31 Makawanpur Hill 78.1 40.2
32 32 Rautahat Tarai 75.8 46.7
33 33 Bara Tarai 75.8 46.7
34 34 Parsa Tarai 75.8 46.7
35 35 Chitawan Tarai 75.8 46.7
36 36 Gorkha Hill 88.0 43.6
37 37 Lamjung Hill 88.0 43.6
38 38 Manang Mountain 75.2 52.7
39 39 Kaski Hill 88.0 43.6
40 40 Tanahun Hill 88.0 43.6
41 41 Syangja Hill 88.0 43.6
42 42 Parbat Hill 88.0 43.6
43 43 Baglung Hill 88.0 43.6
44 44 Myagdi Hill 88.0 43.6
45 45 Mustang Mountain 75.2 52.7
46 46 Palpa Hill 88.0 43.6
47 47 Nawalparasi Tarai 67.7 48.8
48 48 Rupandehi Tarai 67.7 48.8
49 49 Kapilbastu Tarai 67.7 48.8
50 50 Arghakhanchi Hill 88.0 43.6
51 51 Gulmi Hill 88.0 43.6
52 52 Rukum Hill 76.1 36.0
53 53 Salyan Hill 76.1 36.0
54 54 Rolpa Hill 76.1 36.0
55 55 Pyuthan Hill 76.1 36.0

56 56 Dang Tarai 73.2 56.9
57 57 Banke Tarai 73.2 56.9
58 58 Bardiya Tarai 73.2 56.9
59 59 Surkhet Hill 76.1 36.0
60 60 Jajarkot Hill 76.1 36.0
61 61 Dailekh Hill 76.1 36.0
62 62 Dolpa Mountain 75.2 52.7
63 63 Jumla Mountain 75.2 52.7
64 64 Kalikot Mountain 75.2 52.7
65 65 Mugu Mountain 75.2 52.7
66 66 Humla Mountain 75.2 52.7
67 67 Bajhang Mountain 90.0 52.7
68 68 Bajura Mountain 90.0 52.7
69 69 Achham Hill 76.2 40.9
70 70 Doti Hill 76.2 40.9
71 71 Kailali Tarai 64.7 60.4
72 72 Kanchanpur Tarai 64.7 60.4
73 73 Dadeldhura Hill 76.2 40.9
74 74 Baitadi Hill 76.2 40.9
75 75 Darchula Mountain 90.0 52.7
Anemia_Mujeres Bajo_Peso
1 26.5 0.58
2 26.1 1.24
3 26.1 1.60
4 44.9 1.45
5 44.9 4.90
6 44.9 3.26
7 26.1 0.49
8 26.1 1.18
9 26.5 0.61
10 26.1 0.09
11 26.5 0.97
12 26.1 1.46
13 26.1 2.29
14 26.1 1.55
15 44.9 2.22
16 44.9 1.47
17 42.6 4.02
18 42.6 2.98
19 42.6 4.37
20 19.5 1.28
21 19.5 0.64
22 19.2 0.53
23 19.2 1.41
24 19.5 1.39
25 19.5 4.02
26 19.5 2.58
27 19.5 5.49
28 19.5 2.73
29 19.2 2.94
30 19.5 1.28
31 19.5 2.41
32 42.6 4.71
33 42.6 6.31
34 42.6 5.37
35 42.6 2.01
36 35.9 1.78
37 35.9 0.27
38 33.1 0.00
39 35.9 0.67
40 35.9 0.59
41 35.9 0.33
42 35.9 0.59
43 35.9 1.01
44 35.9 1.44
45 33.1 0.30
46 35.9 3.28
47 32.7 2.82
48 32.7 3.36
49 32.7 6.36
50 35.9 0.80
51 35.9 0.66
52 22.5 2.85
53 22.5 2.70
54 22.5 1.56
55 22.5 3.11
56 49.0 3.02
57 49.0 5.03
58 49.0 3.22
59 22.5 2.04
60 22.5 7.01
61 22.5 2.08
62 33.1 2.43
63 33.1 8.97
64 33.1 11.09
65 33.1 20.46
66 33.1 14.65
67 33.1 4.82
68 33.1 10.32
69 28.8 4.31
70 28.8 6.94
71 41.9 2.20
72 41.9 8.36
73 28.8 5.27
74 28.8 6.31
75 33.1 6.35
Rcmdr> normalityTest(~Frecuencia_mínima_comida, test="shapiro.test", data=PRO1)
Shapiro-Wilk normality test
data: Frecuencia_mínima_comida
W = 0.88679, p-value = 0.000006478
Rcmdr> normalityTest(~Anemia_Niños, test="shapiro.test", data=PRO1)
data: Anemia_Niños
W = 0.96485, p-value = 0.03534
Rcmdr> normalityTest(~Anemia_Mujeres, test="shapiro.test", data=PRO1)
data: Anemia_Mujeres
W = 0.93398, p-value = 0.0007271
Rcmdr> normalityTest(~Bajo_Peso, test="shapiro.test", data=PRO1)
data: Bajo_Peso
W = 0.76257, p-value = 0.000000001131
Rcmdr> with(PRO1, Hist(Frecuencia_mínima_comida, scale="frequency",
Rcmdr+ breaks="Sturges", col="darkgray"))
Rcmdr> with(PRO1, Hist(Anemia_Mujeres, scale="frequency", breaks="Sturges",
Rcmdr+ col="darkgray"))
Rcmdr> with(PRO1, Hist(Anemia_Niños, scale="frequency", breaks="Sturges",
Rcmdr> with(PRO1, Hist(Bajo_Peso, scale="frequency", breaks="Sturges",
Rcmdr> with(PRO1, cor.test(Anemia_Niños, Frecuencia_mínima_comida,
Rcmdr+ alternative="two.sided", method="spearman"))
Spearman's rank correlation rho
data: Anemia_Niños and Frecuencia_mínima_comida

S = 90880, p-value = 0.01081
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.2927443
RcmdrMsg: [3] AVISO: Warning in cor.test.default(Anemia_Niños,
RcmdrMsg+ Frecuencia_mínima_comida, alternative = "two.sided", :
RcmdrMsg+ Cannot compute exact p-value with ties
Rcmdr> scatterplot(Frecuencia_mínima_comida~Anemia_Niños, regLine=FALSE,
Rcmdr+ smooth=FALSE, boxplots=FALSE, data=PRO1)
Rcmdr> with(PRO1, cor.test(Anemia_Mujeres, Frecuencia_mínima_comida,
Rcmdr+ alternative="two.sided", method="spearman"))
Spearman's rank correlation rho
data: Anemia_Mujeres and Frecuencia_mínima_comida
S = 84980, p-value = 0.07219
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.2088196
RcmdrMsg: [4] AVISO: Warning in cor.test.default(Anemia_Mujeres,
RcmdrMsg+ Frecuencia_mínima_comida, alternative = "two.sided", :
RcmdrMsg+ Cannot compute exact p-value with ties
Rcmdr> scatterplot(Frecuencia_mínima_comida~Anemia_Mujeres, regLine=FALSE,
Rcmdr+ smooth=FALSE, boxplots=FALSE, data=PRO1)
Rcmdr> scatterplot(Frecuencia_mínima_comida~Bajo_Peso, regLine=FALSE, smooth=FALSE,
Rcmdr+ boxplots=FALSE, data=PRO1)
Rcmdr> normalityTest(~Frecuencia_mínima_comida, test="shapiro.test", data=PRO1)
data: Frecuencia_mínima_comida
W = 0.88679, p-value = 0.000006478
Rcmdr> normalityTest(~Bajo_Peso, test="shapiro.test", data=PRO1)

data: Bajo_Peso
W = 0.76257, p-value = 0.000000001131
Rcmdr> with(PRO1, Hist(Frecuencia_mínima_comida, scale="frequency",
Rcmdr> with(PRO1, Hist(Bajo_Peso, scale="frequency", breaks="Sturges",
Rcmdr> with(PRO1, median(Frecuencia_mínima_comida - Bajo_Peso, na.rm=TRUE))
Rcmdr+ # median difference
[1] 75.52
Rcmdr> with(PRO1, wilcox.test(Frecuencia_mínima_comida, Bajo_Peso,
Rcmdr+ alternative='two.sided', paired=TRUE))
Wilcoxon signed rank test with continuity correction
data: Frecuencia_mínima_comida and Bajo_Peso
V = 2850, p-value = 5.387e-14
alternative hypothesis: true location shift is not equal to 0
Rcmdr> with(PRO1, median(Anemia_Niños - Anemia_Mujeres, na.rm=TRUE))
Rcmdr+ # median difference
[1] 13.9
Rcmdr> with(PRO1, wilcox.test(Anemia_Niños, Anemia_Mujeres,
Rcmdr+ alternative='two.sided', paired=TRUE))
Wilcoxon signed rank test with continuity correction
data: Anemia_Niños and Anemia_Mujeres
V = 2850, p-value = 4.998e-14
alternative hypothesis: true location shift is not equal to 0
Rcmdr> with(PRO1, Hist(Anemia_Niños, scale="frequency",
Rcmdr> with(PRO1, Hist(Anemia_Mujeres, scale="frequency",
Rcmdr> normalityTest(~Anemia_Mujeres, test="shapiro.test", data=PRO1)

data: Anemia_Mujeres
W = 0.93398, p-value = 0.0007271
Rcmdr> normalityTest(~Anemia_Niños, test="shapiro.test", data=PRO1)
data: Anemia_Niños
W = 0.96485, p-value = 0.03534
Rcmdr> library(lattice, pos=17)
Rcmdr> xyplot(Frecuencia_mínima_comida ~ Bajo_Peso, type="p", pch=16,
Rcmdr+ auto.key=list(border=TRUE), par.settings=simpleTheme(pch=16),
Rcmdr+ scales=list(x=list(relation='same'), y=list(relation='same')),
Rcmdr+ data=PRO1)
Rcmdr> xyplot(Frecuencia_mínima_comida ~ Anemia_Niños, type="p",
Rcmdr+ pch=16, auto.key=list(border=TRUE),
Rcmdr+ par.settings=simpleTheme(pch=16),
Rcmdr+ data=PRO1)
Rcmdr> xyplot(Frecuencia_mínima_comida ~ Anemia_Mujeres, type="p",

Rcmdr+ pch=16, auto.key=list(border=TRUE),
Rcmdr+ par.settings=simpleTheme(pch=16),
Rcmdr+ data=PRO1)
Rcmdr> Tapply(Frecuencia_mínima_comida ~ Eco_Region, median,
Rcmdr+ na.action=na.omit, data=PRO1) # medians by group
Hill Mountain Tarai
78.1 84.6 75.8
Rcmdr> kruskal.test(Frecuencia_mínima_comida ~ Eco_Region, data=PRO1)
Kruskal-Wallis rank sum test
data: Frecuencia_mínima_comida by Eco_Region
Kruskal-Wallis chi-squared = 22.032, df = 2, p-value =
0.00001644
Rcmdr> AnovaModel.1 <- lm(Frecuencia_mínima_comida ~ Eco_Region,
Rcmdr+ data=PRO1, contrasts=list(Eco_Region ="contr.Sum"))
Rcmdr> Anova(AnovaModel.1)
Anova Table (Type II tests)
Response: Frecuencia_mínima_comida
Sum Sq Df F value Pr(>F)
Eco_Region 1067.2 2 15.336 0.00000283 ***
Residuals 2505.1 72
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Rcmdr> Tapply(Frecuencia_mínima_comida ~ Eco_Region, mean,
Rcmdr+ na.action=na.omit, data=PRO1) # means
Hill Mountain Tarai
82.77949 82.04375 74.06000
Rcmdr> Tapply(Frecuencia_mínima_comida ~ Eco_Region, sd,
Rcmdr+ na.action=na.omit, data=PRO1) # std. deviations
Hill Mountain Tarai
6.068520 6.463639 5.021155
Rcmdr> xtabs(~ Eco_Region, data=PRO1) # counts
Eco_Region
Hill Mountain Tarai
39 16 20
Rcmdr> Tapply(Frecuencia_mínima_comida ~ Eco_Region, var,
Rcmdr+ na.action=na.omit, data=PRO1) # variances by group
Hill Mountain Tarai
36.82694 41.77862 25.21200
Rcmdr> bartlett.test(Frecuencia_mínima_comida ~ Eco_Region, data=PRO1)
Bartlett test of homogeneity of variances
data: Frecuencia_mínima_comida by Eco_Region
Bartlett's K-squared = 1.1912, df = 2, p-value = 0.5512
Rcmdr> Boxplot(Frecuencia_mínima_comida~Eco_Region, data=PRO1,

Rcmdr+ id=list(method="y"))
Rcmdr> library(mvtnorm, pos=18)
Rcmdr> library(survival, pos=18)
Rcmdr> library(MASS, pos=18)
Rcmdr> library(TH.data, pos=18)
Warning: package 'TH.data' was built under R version 4.0.5
Attaching package: 'TH.data'
The following object is masked from 'package:MASS':
geyser
Rcmdr> library(multcomp, pos=18)
Warning: package 'multcomp' was built under R version 4.0.5
Rcmdr> library(abind, pos=23)
Rcmdr> AnovaModel.2 <- aov(Frecuencia_mínima_comida ~ Eco_Region,
Rcmdr+ data=PRO1)
Rcmdr> summary(AnovaModel.2)
Df Sum Sq Mean Sq F value Pr(>F)
Eco_Region 2 1067 533.6 15.34 0.00000283 ***
Residuals 72 2505 34.8
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Rcmdr> with(PRO1, numSummary(Frecuencia_mínima_comida,
Rcmdr+ groups=Eco_Region, statistics=c("mean", "sd")))
mean sd data:n
Hill 82.77949 6.068520 39
Mountain 82.04375 6.463639 16
Tarai 74.06000 5.021155 20
Rcmdr> Tapply(Bajo_Peso ~ Eco_Region, var, na.action=na.omit,
Rcmdr+ data=PRO1) # variances by group
Hill Mountain Tarai
3.44062 37.22755 3.27408
Rcmdr> bartlett.test(Bajo_Peso ~ Eco_Region, data=PRO1)

data: Bajo_Peso by Eco_Region
Bartlett's K-squared = 44.142, df = 2, p-value = 2.598e-10
Rcmdr> Boxplot(Frecuencia_mínima_comida~Eco_Region, data=PRO1,
Rcmdr> Boxplot(Bajo_Peso~Eco_Region, data=PRO1, id=list(method="y"))
[1] "60" "70" "74"
Rcmdr> AnovaModel.3 <- aov(Bajo_Peso ~ Eco_Region, data=PRO1)
Eco_Region 2 121.0 60.48 5.795 0.00464 **
Residuals 72 751.4 10.44
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Rcmdr> with(PRO1, numSummary(Bajo_Peso, groups=Eco_Region,
Rcmdr+ statistics=c("mean", "sd")))
mean sd data:n
Hill 2.238974 1.854891 39
Mountain 5.401875 6.101438 16
Tarai 3.872000 1.809442 20
Rcmdr> Tapply(Anemia_Niños ~ Eco_Region, var, na.action=na.omit,
Hill Mountain Tarai
7.061781 60.686500 22.809763
Rcmdr> bartlett.test(Anemia_Niños ~ Eco_Region, data=PRO1)
data: Anemia_Niños by Eco_Region
Bartlett's K-squared = 27.924, df = 2, p-value =
0.0000008637
Rcmdr> with(PRO1, Hist(Anemia_Mujeres, groups=Eco_Region,
Rcmdr+ scale="frequency", breaks="Sturges", col="darkgray"))

Rcmdr> with(PRO1, Hist(Frecuencia_mínima_comida, groups=Eco_Region,
Rcmdr> with(PRO1, Hist(Bajo_Peso, groups=Eco_Region,
Rcmdr> Tapply(Anemia_Mujeres ~ Eco_Region, var, na.action=na.omit,
Hill Mountain Tarai
40.49260 31.59463 23.38589
Rcmdr> bartlett.test(Anemia_Mujeres ~ Eco_Region, data=PRO1)
data: Anemia_Mujeres by Eco_Region
Bartlett's K-squared = 1.7941, df = 2, p-value = 0.4078
Rcmdr> Boxplot(Anemia_Mujeres~Eco_Region, data=PRO1,
[1] "47" "48" "49" "56" "57" "58"
Rcmdr> AnovaModel.4 <- aov(Anemia_Mujeres ~ Eco_Region, data=PRO1)
Eco_Region 2 3334 1667.2 48.86 3.93e-14 ***
Residuals 72 2457 34.1
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Rcmdr> with(PRO1, numSummary(Anemia_Mujeres, groups=Eco_Region,
Rcmdr+ statistics=c("mean", "sd")))
mean sd data:n
Hill 26.97179 6.363380 39
Mountain 29.25625 5.620910 16
Tarai 42.58000 4.835896 20
Rcmdr> Tapply(Bajo_Peso ~ Eco_Region, median, na.action=na.omit,
Rcmdr+ data=PRO1) # medians by group
Hill Mountain Tarai

1.560 2.685 3.310
Rcmdr> kruskal.test(Bajo_Peso ~ Eco_Region, data=PRO1)
data: Bajo_Peso by Eco_Region
0.008237
Rcmdr> with(PRO1, Hist(Anemia_Niños, groups=Eco_Region,
Rcmdr> Tapply(Anemia_Niños ~ Eco_Region, var, na.action=na.omit,

Hill Mountain Tarai
7.061781 60.686500 22.809763
Rcmdr> bartlett.test(Anemia_Niños ~ Eco_Region, data=PRO1)
Bartlett's K-squared = 27.924, df = 2, p-value =
0.0000008637
Rcmdr> Boxplot(Anemia_Niños~Eco_Region, data=PRO1,
[1] "22" "23" "29"
Rcmdr> Tapply(Anemia_Niños ~ Eco_Region, median, na.action=na.omit,
Rcmdr+ data=PRO1) # medians by group
Hill Mountain Tarai
40.90 52.70 49.15
Rcmdr> kruskal.test(Anemia_Niños ~ Eco_Region, data=PRO1)
0.000000003206
Rcmdr> library(e1071, pos=24)

Rcmdr> numSummary(PRO1[,c("Anemia_Mujeres", "Anemia_Niños",
Rcmdr+ "Bajo_Peso", "Frecuencia_mínima_comida", "S.N."), drop=FALSE],
Rcmdr+ statistics=c("mean", "sd", "se(mean)", "IQR", "quantiles",
Rcmdr+ "cv", "skewness", "kurtosis"), quantiles=c(0,.25,.5,.75,1),
Rcmdr+ type="2")
mean sd se(mean) IQR
Anemia_Mujeres 31.62133 8.846610 1.0215186 11.60
Anemia_Niños 45.17200 6.493251 0.7497761 8.95
Bajo_Peso 3.34920 3.433377 0.3964522 3.28
Frecuencia_mínima_comida 80.29733 6.947972 0.8022827 12.20
S.N. 38.00000 21.794495 2.5166115 37.00
cv skewness kurtosis 0%
Anemia_Mujeres 0.27976715 0.21768768 -1.0182160 19.2
Anemia_Niños 0.14374505 0.25877181 -0.4573029 33.1
Bajo_Peso 1.02513347 2.50422665 8.6525352 0.0
Frecuencia_mínima_comida 0.08652806 -0.02803284 -0.8746030 64.7
S.N. 0.57353933 0.00000000 -1.2000000 1.0
25% 50% 75% 100% n
Anemia_Mujeres 24.30 33.10 35.90 49.00 75
Anemia_Niños 40.55 43.60 49.50 60.40 75
Bajo_Peso 1.26 2.41 4.54 20.46 75
Frecuencia_mínima_comida 75.80 78.10 88.00 90.00 75
S.N. 19.50 38.00 56.50 75.00 75
RcmdrMsg: [5] AVISO: Warning in cv(X) : not all values are positive
Rcmdr> binnedCounts(PRO1[,c("Bajo_Peso", "S.N."), drop=FALSE])
Binned distribution of Bajo_Peso
Count Percent
[0, 2] 31 41.33
(2, 4] 21 28.00
(4, 6] 11 14.67
(6, 8] 6 8.00
(8, 10] 2 2.67
(10, 12] 2 2.67
(12, 14] 0 0.00
(14, 16] 1 1.33
(16, 18] 0 0.00
(18, 20] 0 0.00
(20, 22] 1 1.33
Total 75 100.00
Binned distribution of S.N.
Count Percent
[0, 10] 10 13.33
(10, 20] 10 13.33
(20, 30] 10 13.33
(30, 40] 10 13.33
(40, 50] 10 13.33
(50, 60] 10 13.33
(60, 70] 10 13.33
(70, 80] 5 6.67
Total 75 99.98
Rcmdr> discreteCounts(PRO1[,c("Anemia_Mujeres", "Anemia_Niños",
Rcmdr+ "Frecuencia_mínima_comida"), drop=FALSE])
Distribution of Anemia_Mujeres
Count Percent
19.2 3 4.00
19.5 9 12.00
22.5 7 9.33
26.1 8 10.67
26.5 3 4.00
28.8 4 5.33
32.7 3 4.00
33.1 10 13.33
35.9 11 14.67
41.9 2 2.67
42.6 7 9.33
44.9 5 6.67
49 3 4.00
Total 75 100.00
Distribution of Anemia_Niños
Count Percent
33.1 3 4.00
36 7 9.33
40.2 9 12.00
40.9 4 5.33
42.3 8 10.67
43.6 11 14.67
46.7 7 9.33
48.8 3 4.00
49.5 5 6.67
51.3 3 4.00
52.7 10 13.33
56.9 3 4.00
60.4 2 2.67
Total 75 100.00
Distribution of Frecuencia_mínima_comida
Count Percent
64.7 2 2.67
67.7 3 4.00
73.2 3 4.00
75.2 7 9.33
75.8 7 9.33
76.1 7 9.33
76.2 4 5.33
78.1 9 12.00
79.7 5 6.67
84.6 3 4.00
87.5 3 4.00
88 11 14.67
90 11 14.67
Total 75 100.00
3. Referencias
1. Bishwakarma, R. (2011). Spatial inequality in child nutrition in Nepal:

implications of regional context and individual/household composition. University of
Maryland, College Park.
2. Brian Keeley, E. Z. (Octubre de 2019). UNICEF. Obtenido de Niños,

alimentos y nutrición Crecer bien en un mundo en transformación:
https://www.unicef.org/media/62486/file/Estado-mundial-de-la-infancia-2019.pdf
3. Chhetri, N. B. (2007). Understanding the process of agricultural

adaptation to climate change: Analysis of climate-induced innovation in rice based
cropping system of Nepal. The Pennsylvania State University.
4. Chitekwe, G. B. (2 de Abril de 2019). Scaling up nutrition. Obtenido

de Una historia de cambio en la nutrición en Nepal:
https://scalingupnutrition.org/es/news/una-historia-de-cambio-en-la-nutricion-en-
nepal/
5. consumidor, N. y. (2010). Departamento y agricultura y protección del

consumidor. Obtenido de Nutricion y protección del consumidor:
https://www.fao.org/ag/agn/nutrition/nep_es.stm
6. Data.world, inc (2021). Nepal Census 2011 District Profiles (Health),
https://data.world/hdx/154b90d0-6a95-4998-8e44-fc622ede6e5b. Acceso
Noviembre 2021.
7. FAO. (2010). Nutrición y protección al consumidor, Perfil nutricional
del país, NEPAL, http://www.fao.org/ag/agn/nutrition/nep_es.stm, Acceso
Noviembre 2021.
8. innovacion, L. d. (30 de Marzo de 2020). Laboratorio de Innovación
para el Mejoramiento de Cultivos. Obtenido de El científico y la semilla: la
esperanza de un Nepal con seguridad alimentaria:
https://ilci.cornell.edu/es/2020/03/30/scientist-seed-nepal/
9. OMS. (2018). Anemia. Organización Mundial de la Salud,
https://www.who.int/es/health-topics/anaemia#tab=tab_1, Acceso Diciembre 2021.
10. Shively, G. E., Gars, J., & Sununtnasuk, C. (2011). A review of food
security and human nutrition issues in Nepal.

Proyecto Final Bioestadistica 2

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proyecto Final Bioestadistica 2

Cargado por

Copyright:

Formatos disponibles

GENERAL EDUCATION- QUANTITATIVE LITERACY

PLANTILLA PARA EL PROYECTO FINAL

FACULTAD CIENCIAS DE LA SALUD

Universidad Popular Autónoma del Estado

TÍTULO DEL PROYECTO

Las mujeres nepalesas están muy afectadas de malnutrición, especialmente en las

El escaso consumo de frutas y de hortalizas frescas, que depende mucho de la

Se realizó un censo poblacional en el 2011 comparando los distritos y las

La anemia es una afección en la que el número de glóbulos rojos o la

más comunes de anemia son las carencias nutricionales, particularmente de

1.1 Planteamiento del problema

Existen diferentes causad de anemia, entre las cuales la más habitual es la

1.3 Justificación o relevancia

El escaso consumo de frutas y de hortalizas frescas, que depende mucho de la

La realización de este trabajo se realizó mediante la obtención de datos verídicos

2.1.1 Población objetivo

2.1.2 Variables en estudio

Variable Clasificación Escala de medición

2.1.3 Hipótesis de investigación

Debido a todo esto, muchas veces la alimentación se ve mermada por todo

2.1.4 Hipótesis estadísticas

Hipótesis de Hipótesis estadísticas Prueba estadística y

Caso 2. Fuentes documentales

2.1.5.2 Descripción de la base de datos y de las modificaciones

En caso de que esta aplique la descripción de las modificaciones a la base de

Curtosis -0.8746030 -0.4573029 -1.0182160 8.6525352

Histograma, una gráfica de tallos y hojas, una gráfica de cajas y alambres, un

Rcmdr> with(PROY, stem.leaf(Anemia_Niños,

Rcmdr> with(PROY, stem.leaf(Anemia_Mujeres,

Rcmdr> with(PROY, stem.leaf(Bajo_Peso,

leaf unit: 0.1

1. Prueba de normalidad de las variables que se quieren analizar.

FRECUENCIA p-value = 0.000006478 NO NORMAL

2. Histograma de las variables que se quieren analizar.

ECOREGION CON RESPECTO FRECUENCIA MINIMA COMIDA

1. Prueba de normalidad y homocedasticidad de las variables que se quieren analizar.

2. Histograma de las variables que se quieren analizar.

FRECUENCIA MINIMA K-squared = 1.1912 df = 2 p-value = 0.5512 HOMOCEDASTICIDAD

3. Grafica de cajas y alambres de las variables que se quieren analizar.

Hill Mountain Tarai

F value: 15.34 Pr(>F)= 0.00000283 *** Df=2 SIGNIFICATIVO

ECOREGION RESPECTO A BAJO PESO

1. Prueba de normalidad y homocedasticidad de las variables que se quieren analizar.

BAJO PESO p-value = 0.000000001131 NO NORMAL

2. Histograma de las variables que se quieren analizar.

3. Grafica de cajas y alambres de las variables que se quieren analizar.

Hill Mountain Tarai

chi-squared = 9.5982 df = 2 p-value = 0.008237 NO SIGNIFICATIVO

ECOREGION CON RESPECTO ANEMIA MUJERES

1. Prueba de normalidad y homocedasticidad de las variables que se quieren analizar.

2. Histograma de las variables que se quieren analizar.

ECOREGION/ K-squared = 1.7941 df = 2 p-value = 0.4078 HOMOCEDASTICIDAD

3. Grafica de cajas y alambres de las variables que se quieren analizar.

Hill Mountain Tarai

F value: 48.86 Pr(>F) = 3.93e-14 *** Df=2 SIGNIFICATIVO

ECOREGION CON RESPECTO ANEMIA NIÑOS

1. Prueba de normalidad y homocedasticidad de las variables que se quieren analizar.

2. Histograma de las variables que se quieren analizar.

ECOREGION/ K-squared = 27.924 df = 2 p-value = 0.0000008637 HETEROCEDASTICIDAD

3. Grafica de cajas y alambres de las variables que se quieren analizar.

Hill Mountain Tarai

chi-squared = 39.116 df = 2 p-value =0.000000003206 NO SIGNIFICATIVO