Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
AUTOR
Barbarita Paula Janeth RAMIREZ UCAÑAY
ASESOR
Dra. Olga Lidia SOLANO DÁVILA
Lima, Perú
2023
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales
https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica
Datos de autor
Datos de asesor
Datos de investigación
A.3.2.4. Probabilidades y Procesos
Línea de investigación
Estocásticos (espacial)
Modelos Cuantitativos Aplicados a la
Grupo de investigación
Investigación - MOCA
Agencia de financiamiento Sin financiamiento
Edificio: Universidad Nacional Mayor de San
Marcos
País: Perú
Departamento: Lima
Ubicación geográfica de la Provincia: Lima
investigación Distrito: Lima
Calle: Av. Venezuela cuadra s/n, Ciudad
Universitaria
Latitud: 12°3′30″ S
Longitud: 77°5′0″ W
Año o rango de años en que se
Septiembre 2021 - Abril 2023
realizó la investigación
URL de disciplinas OCDE
Estadísticas, Probabilidad
https://purl.org/pe-repo/ocde/ford#1.01.03
Dedicatoria
A mi abuela Paula E. Cumpa y a mi madre Janeth C. Ucañay, pues sin ellas no lo habrı́a logrado.
Gracias por su invalorable apoyo; mucho de mis logros se los debo a ustedes. Este trabajo es producto
de la motivación constante que siempre me dieron para alcanzar mis anhelos. Fueron el ejemplo más
grande para concluir con éxito esta etapa de mi vida, las amo.
1
AGRADECIMIENTOS
Mi sincero agradecimiento a mis maestros, el Dr. Misael E. Maguiña Palma y la Mg. Ysela D. Agüero
Palacios, de igual forma a mi asesora la Dra. Olga L. Solano Dávila por brindarme su apoyo, tiempo,
predisposición y conocimientos para lograr el desarrollo de mi tesis.
Asimismo, extender mis agradecimientos a todos los docentes de la Facultad de Ciencias Matemáticas de
la Universidad Nacional Mayor de San Marcos, especialmente a aquellos que aportaron significativamente
al desarrollo de mis conocimientos; y a la universidad por ser mi casa de estudios, al igual que mi facultad,
que me acogió a lo largo de toda mi carrera.
2
ÍNDICE GENERAL
ÍNDICE DE TABLAS 5
ÍNDICE DE FIGURAS 6
CAPÍTULO 3. MÉTODO 28
3.1 Tipo y diseño de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.1 Tipo de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.2 Fuentes de Información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.3 Diseño de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Población . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3
3.4 Variables de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5 Instrumentos de medición de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.6 Software estadı́stico a ser usado en el procesamiento y análisis de datos . . . . . . . . . . 29
3.6.1 Metodologı́a del sofware SIG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
CONCLUSIONES Y RECOMENDACIONES 41
REFERENCIAS BIBLIOGRÁFICAS 42
ANEXOS 46
Anexo A: Cuestionario de Salud, Sección 3. Hipertensión y Diabetes . . . . . . . . . . . . . . . 46
Anexo B: Parte de la base de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Anexo B1: Población Estimada por años calendario por sexo, según departamento, 2018-2020 48
Anexo B2: Número de habitantes por cada médico según departamento 2010-2020 . . . . 49
Anexo C: Tablas Estadı́sticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4
ÍNDICE DE TABLAS
Tabla N° C.1 Perú: prevalencia de casos diagnosticados de DM según sexo por ámbito geográfi-
co, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Tabla N° C.2 Distribución estimada de casos diagnosticados de DM según sexo por ámbito
geográfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5
ÍNDICE DE FIGURAS
Figura N° 4.1 Perú: Prevalencia de “Diabetes Mellitus en personas de 15 años a más”, 2019 . 34
Figura N° 4.2 Prevalencia de Diabetes Mellitus según número de “instituciones prestadoras
de servicios de salud”, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Figura N° 4.3 Perú: Prevalencia de “Diabetes Mellitus en personas de 15 años a más según
sexo”, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura N° 4.4 Mapa condicional de prevalencia de DM según número de habitantes por médi-
co, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura N° 4.5 “Mapa de conectividades e histograma de vecindades” . . . . . . . . . . . . . . 38
Figura N° 4.6 Análisis de autocorrelación espacial de los casos diganosticados de DM en el
Perú, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura N° 4.7 Análisis de autocorrelación espacial de mujeres con diganostico de DM en el
Perú, 2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Figura N° A.1 Cuestionario de Salud Sección 3. Hipertensión y Diabetes (pág. 5) - ENDES,
2019 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura N° B.1 Sección de la base de datos utilizada para el análisis . . . . . . . . . . . . . . . 47
Figura N° B1.1 Población Estimada en el 2019 según sexo, según departamento . . . . . . . . . 48
Figura N° B2.1 Número de habitantes por cada médico según departamento 2010-2020 . . . . . 49
6
CAPÍTULO 1
En su gran mayorı́a, los datos que involucran nuestra vida diaria son datos espaciales (la manera de lle-
gar al trabajo, la ubicación de farmacias que contienen cierto medicamento, el servicio de delivery, etc.)
que pueden definirse por su posición en el espacio, estas están presentes en nuestro dı́a a dı́a. Además,
muchos de nuestros problemas cotidianos son problemas espaciales: el tráfico vehicular, la localización de
personas infectadas por algún virus o patologı́a, etc. Dado que todo lo que ocurre en el mundo tiene lugar
en algún sitio, se evidencia la utilidad de la perspectiva espacial, que añade precisión y efectividad debido
a que facilita los procesos de suministrar información real sobre la localización del suceso de interés que
En la actualidad, los investigadores de diversas disciplinas dentro de las ciencias fı́sicas, sociales, ambien-
tales y salud pública se enfrentan cada dı́a más a la tarea de analizar datos que están georreferenciados.
En consecuencia, en la última década se ha visto un desarrollo significativo en el campo del análisis espa-
cial, para conocer una variedad de métodos y aplicaciones, que aún sigue siendo un reto (Banerjee, 2016).
En el caso de los estudios en salud pública, especı́ficamente en epidemiologı́a donde se estudian las enfer-
sus tres ejes principales: persona-tiempo-espacio, donde el eje espacial con frecuencia no es considerado,
ya que las técnicas de análisis estadı́stico en este campo no han sido arduamente desarrolladas, generan-
do ası́ poca oferta de herramientas estadı́sticas que permitan incorporar el eje espacial en el análisis de
datos epidemiológicos, más incluso si el “quién” o “cuándo” ya responden a las principales preguntas de
7
En la complejidad de hoy, donde los métodos estadı́sticos para el análisis de datos tradicionales ya no son
suficientes para explicar estos fenómenos sin concluir con un conocimiento parcial, es un punto de partida
para empezar a ver la importancia de la implementación del atributo espacial en estos métodos. Identificar
un patrón espacial en sucesos de salud es elemental para entender la exposición de alguna enfermedad y
prever eventos futuros, incluso en la toma de decisiones y la gestión de recursos óptima (Velásquez, 2018).
como lo ha proyectado la “Declaración de las Américas” sobre la Diabetes, avalada por la “Federación
Latinoamericana de Diabetes” (ALAD). Es ası́ que, el tratamiento de la diabetes con criterio preventivo,
es una labor ininterrumpida que requiere el esfuerzo de todo el personal de salud y el Estado (American
Diabetes Association).
Según la “Organización Mundial de la Salud” (2016), se estima que en el año 2030 la población de
diabéticos en el mundo se elevará a 370 millones de personas y que en el Perú está enfermedad aqueja a
casi 2 millones de personas convirtiendose en la décimo quinta causa de mortalidad. Cabe enfatizar que
En el escenario de la emergencia sanitaria por la pandemia del coronavirus, el 74.4 % de los fallecidos en
el Perú tuvieron como comorbilidad subyacente algún tipo de diabetes. Es ası́ que, se atribuye a la dia-
betes como una de las comorbilidades más habituales en las personas fallecidas por la COVID-19, según
Los pacientes con diabetes constituyen una población de riesgo, y este aumenta si el control glicémico del
paciente no se logra. Lamentablemente, en los primeros meses de esta pandemia, los servicios de salud
En la actualidad, el Perú registra 4.5 casos de diabetes mellitus (DM), por cada 100 peruanos mayores
registraron 2.9 casos de DM por cada 100 peruanos mayores de 15 años de edad, con un aumento de
8
Para el 2020, según región natural, la mayor cantidad de personas con DM se encuentra en la Costa
(5.2 %), en menor cuantı́a en la Sierra (3.1 %) y la Selva (3.5 %), (“Instituto Nacional de Estadı́stica e
Informática”, 2020). La población femenina fue la más afectada ya que el 60.3 % de los casos se centra
Soler, Soca, Rodrı́guez, Font, Batista y Estévez (2012), desarrollan la idea de que, aún cuando hay dife-
rencias en los indicadores de salud entre hombres y mujeres con diabetes mellitus tipo 2 (DM2), estas no
están suficientemente explicadas en los artı́culos de investigación que presentan estos resultados. Es ası́
que, para ahondar en las causas que podrı́an causar estas diferencias, es necesario incluir indicadores que
incorporen la perspectiva de género; es decir, que habrı́a que distinguir si estas diferencias son debidas a
Como ejemplo de lo anteriormente mencionado, (Ehrmann, Barnes, Rosenfield, Cavaghan & Imperial,
sı́ndrome de ovario poliquı́stico, se concluyó que las mujeres, en su mayorı́a, con sindrome de ovario
poliquı́stico (SOP) son una población ideal en la que se puede desarrollar e implementar estrategias
las mujeres diabéticas con SOP son significativamente más obesas (IMC - Índice de Masa Corporal) que
aquellas con tolerancia normal a la glucosa (IMC 41.0 ± 2.4 vs 33.4 ± 1.1 kg/m2 , P < 0.01)
Frente al evidente problema de salud pública de la diabetes mellitus en mujeres del Perú, se desarrolla
la siguiente pregunta de investigación: ¿cómo se pueden aplicar las técnicas del “análisis exploratorio de
datos espaciales”para determinar la distribución de la diabetes en mujeres del Perú en el 2019? De igual
• ¿De qué manera las técnicas del “Análisis Exploratorio de Datos Espaciales”facultan describir los
• ¿De qué manera se puede representar la distribución espacial de la diabetes mellitus en mujeres
9
1.3 OBJETIVOS
Analizar la prevalencia y distribución espacial de la diabetes mellitus en mujeres del Perú en el año 2019,
para realizar una regionalización de esta enfermedad mediante el uso del análisis exploratorio de datos
espaciales, para ası́ poder determinar poblaciones vulnerables y regiones de atención prioritarias.
• Describir el patrón espacial de la diabetes mellitus en mujeres del Perú en el año 2019.
• Ubicar espacialmente (georreferenciación por coordenadas) y comparar los resultados según las
1.4 JUSTIFICACIÓN
El presente estudio de investigación busca que todo investigador o autoridad interesado en poder des-
cribir un fenómeno epidemiológico complejo a partir de un enfoque espacial, encuentre en esta técnica,
lo que le permita tener más clara la problemática de este suceso epidemiológico facilitando la toma de
decisiones y el entendimiento del mismo, ası́ podrá hacer uso de las diversas técnicas que se presentarán.
Becker, Loch & Reis (2018), identificó la barrera personal más frecuentemente percibida por los directores
de salud para la toma de decisiones basadas en la evidencia y esta fue la falta de estı́mulo y dificultades
para trabajar con evidencia cientı́fica. Este tipo de barreras se pueden superar mediante el uso de técnicas
estadı́sticas cuya forma de presentar esta información compleja es mediante gráficos didácticos, como los
que proveen las técnicas de análisis espacial, haciendo esta complejidad comprensible, lo que hace más
Asimismo, Velásquez (2018) manifiesta que es crucial que los directivos de las “instituciones prestadoras
litadores para mejorar la calidad de los servicios de salud siempre que las autoridades de las IPRESS
desarrollen estrategias de gestión sobre la base de la mejor evidencia cientı́fica disponible, de manera
que, será mucho más factible fortalecer el sistema de salud con el fin de lograr un servicio social equi-
tativo, eficiente y de calidad. La elaboración de estas polı́ticas públicas y programas sociales advierten
10
que se justifique su formulación de manera eficaz, es ası́ que esta evidencia debe describir severidad y
la magnitud del problema, identificar las áreas prioritarias, las necesidades de la población objetivo, la
situación de la oferta y la demanda de servicios de salud y la acción que deberá tomar del Estado frente
Por otro lado, la salud pública no se ha visto exenta del creciente desarrollo de la informática, la cual
ha aportado una transformación importante en esta área. En la actualidad, los sistemas de información
geográfica (SIG) son una alta tecnologı́a geográfico-informática capaz de llevar a cabo el análisis y pre-
sentación de datos espaciales para la resolución de problemas de planificación y gestión (Moreno, 2001).
Es ası́ que estos son utilizados para el análisis situacional de salud, vigilancia, investigación epidemiológi-
ca, la planeación y evaluación de estrategias por zonas (Gonzáles y Pérez, 2013). De ahı́ la utilidad del
presente estudio que permite tener una visión más actualizada y eficaz sobre la situación del problema
de interés.
Por esta razón, el creciente interés de la salud pública en el estudio de la distribución geográfica de las
enfermedades, su relación con los riesgos latentes y el empleo de herramientas ágiles que permiten el
el avance de estos métodos estadı́sticos para ambas disciplinas, dando como resultado un mejor desarrollo
de planes preventivos en salud pública (Gonzáles y Pérez, 2013). Es ası́ que este estudio permitirá al
lector tener una perspectiva técnica de las métodologı́as utilizadas para la toma de decisiones y desarrollo
Del mismo modo, este estudio aborda un problema de salud pública a nivel mundial, que para el siglo
un problema a raı́z de la falta de detección y tratamiento temprano de las personas en alto riesgo de
padecer diabetes quienes deberı́an ser incorporados en programas de prevención, situación que no se da
actualmente en el sistema de salud pública del Perú (Seclén, 2015). Por esta razón, identificar las zonas
más vulnerables ante esta enfermedad servirá para contrastarlo con investigaciones futuras que estén
Segura, Luque y Vanegas (2019), evidenciaron la necesidad de hacer frente al urgente problema del en-
calidad de vida, sino que paralelamente acrecenta las demandas por bienes y servicios de salud, lo que
conlleva a un incremento de los gastos para el estado. Es indispensable tener en cuenta que dada la
11
estructura del sistema de salud en el Perú, donde una amplia cantidad de la población es atendida por el
estado, será imprescindible cada vez más recursos para mitigar los problemas de salud pública como la
de aplicar las técnicas estadı́sticas que incorporen el eje espacial en el análisis de este problema de salud
pública a fin de implementar polı́ticas de salud que permitan la prevención de esta enfermedad y gestión
Segura, Luque y Vanegas (2019) afirman que, tanto los problemas nutricionales como el envejecimiento y
principalmente la obesidad están mayormente presentes en poblaciones con bajos ingresos, ocasionando
una doble carga de enfermedad para este grupo que en algunos casos no ha superado aún las consecuen-
cias de otros padecimientos como la diabetes. Esto los pone en una situación complicada que puede hacer
que sus condiciones de pobreza permanezcan en el tiempo. Lo que hace de mayor interés e importancia
1.5 ORIGINALIDAD
La originalidad del presente estudio de investigación radica en la aplicación de la técnica del “Análisis
mujeres del Perú con un enfoque actualizado (2019) y detallado, tomando en cuenta principalmente el
eje espacial para el análisis de los datos. Asimismo, su aplicación en distintas plataformas de los SIG
de software libre y código abierto para distintas plataformas (GNU/Linux, Unix, Mac OS, Microsoft
Windows y Android) como QGIS, ArcMap, RStudio y GeoDa, que pueden ser de guı́a para la aplicación
El presente trabajo de investigación, por hacer uso de fuentes de información secundarias, se limi-
tará a trabajar con las variables propuestas por la “Encuesta Nacional Demográfica y de Salud Fa-
miliar”(ENDES - 2019).
12
CAPÍTULO 2
MARCO TEÓRICO
Conforme la OMS (2016), en el mundo se calcula que alrededor de 422 millones de adultos tenı́an dia-
betes en el 2014, dicha cantidad se cuatriplicó a comparación con los 108 millones en 1980. Desde 1980
la prevalencia de diabetes a nivel mundial se ha duplicado (del 4.7 % al 8.5 %) en la población adulta.
También advierten que, en los últimos 10 años, la “prevalencia de diabetes ha aumentado” con mayor
rapidez en los estados con ingresos medios a diferencia de los que cuentan con ingresos altos.
Este crecimiento desmedido de la diabetes en el mundo se corresponde con el aumento de sus “factores
de riesgo”, tales como “sobrepeso “obesidad”(OMS, 2016). En el Perú, estos factores se han convertido
2
en los principales factores que incrementan el riesgo de que una persona adquiera diabetes especialmente
del tipo 2. Es ası́ que, según Seclén (2015) advierte que los malos hábitos en el estilo de vida de la
población y el fenómeno de “obesogenización”, en correspondencia con una base genética, están dando
que conduce al desarrollo de hiperglicemia, que es un indicador de los estados diabéticos y prediabéticos.
Esto podrı́a explicar las crecientes tasas de prevalencia de diabetes mellitus tipo 2 en todos los grupos
Salas-Bravo y Ramı́rez-Vélez (2018), hasta el 2017, más de 97 variantes genéticas asociadas a la obesi-
dad han sido descubiertas. El gen FTO (Fat-mass-associated-gene) es el gen que ha presentado la mayor
magnitud de asociación con la obesidad, por ello se están realizando varios estudios referentes a este, de
los cuales uno de ellos realizado por Yang, Liu, Xia, Yan, Liu, Hu & Liu (2017) reveló, mediante el uso
del análisis espacial y el meta- análisis en Asia, Norte América y Europa, que existen asociaciones entre
polimorfismos genéticos en el gen FTO y la diabetes tipo 2 y estas están relacionadas con su espacio
geográfico. Este estudio representó un paso inicial en el análisis espacial de factores genéticos y regionales
que propician el desarrollo de la diabetes, aunque queda mucho trabajo por hacer antes de que se pueda
13
En el caso de América, Juárez (2019) evidencia cómo la epidemia de la diabetes en México se ha con-
vertido en uno de los problemas de salud pública más grandes que afronta y afrontará el continente y
que trae consecuencias negativas tanto en la calidad de vida de las personas que la padecen, como en los
entornos en donde se produce. La disminución de la productividad laboral, el gasto público derivado del
control de la enfermedad o la mortalidad creciente que presenta, son solo algunas de las consecuencias
más resaltantes de esta enfermedad. Ası́, se evidenció la necesidad de que el análisis de la diabetes se
debe llevar a cabo desde diversas perspectivas, una de las cuales es la espacial, lo cual permitirı́a explorar
la problemática tratando de dar respuesta a las variaciones que se presentan a lo largo del territorio
Uno de sus hallazgos más relevantes fue, para municipios pequeños y medianos durante el periodo 2010
- 2016, la tasa promedio de mortalidad femenina rebasa a la de los hombres entre 6 y hasta 10 puntos
dependiendo del tamaño del municipio y el año de medición. Según grupo etario las tasas medias de
crecimiento son mayores en ambos sexos en personas de 45 a 64 años con respecto al grupo etario de 65
y más años, lo que indicó que los habitantes están muriendo cada vez más jóvenes, independientemente
Del mismo modo, según Sapunar (2016), Chile tendrı́a la prevalencia más alta de diabetes en Lati-
noamérica, donde la cantidad de casos diagnosticados de diabetes se ha duplicado en los últimos 30 años
hasta el momento de la investigación. Además, el 10.2 % del presupuesto destinado a salud en Chile es
sonas con trastornos nutricionales es probable que este gasto aumente notoriamente en los próximos años.
En el Perú, la cantidad de personas diagnosticadas con diabetes mellitus está creciendo vertiginosamente
y la principal causa de su acelerado crecimiento es el cambio del estilo de vida de la población peruana,
principalmente caracterizada por la excesiva ingesta de alimentos con alto contenido calórico, ası́ como
la disminución de la actividad fı́sica que conllevan a altos ı́ndices de sobrepeso y obesidad (Instituto
y se registran por cada cien personas dos casos nuevos al año; infortunadamente la evidencia aún es
escasa en regiones rurales o de la selva que, por temas socioeconómicos o de acceso a atención de salud
14
Ccorahua, Atamari, Miranda, Campero, Rondón y Pereira (2019) en su estudio sobre la “prevalencia de
la DM tipo 2 en la población menor de 30 años durante el 2005 - 2018”, donde se realizó una comparativa
“tasa de prevalencia para el sexo femenino” fue superior en todo el periodo de análisis, incrementándose
de 5.3 en 2005 a 58 casos por 100 000 habitantes en 2018. Asimismo, la región con mayor aumento en el
nivel de prevalencia de DM fué la Costa que pasó de 3.8 a 35.3 por cada 100 000 habitantes seguido de la
Selva de 1.1 a 21.6 por cada 100 000 habitantes y las ciudades con mayor densidad poblacional tuvieron
mayor incremento en la prevalencia, como Cajamarca (1733.3 %), Puno (1704.2 %), Tumbes (1594 %),
Dentro del marco del “Análisis Exploratorio de Datos Epaciales”, se definirá, de manera compacta, los
Los datos espaciales o geográficos, son aquellos datos que se caracterizan por la presencia de un vı́nculo
geográfico con localizaciones cercanas a o en la superficie terrestre. Constan de dos elementos: la entidad
geográfica, o también llamada entidad de la realidad que pueden ser un rı́o, provincia, etc. sobre la cual
se observa un fenómeno que es de interés; y, por otro lado, la variable o atributo temático, que puede ser
cualquier hecho sobre una realidad que adopte diferentes modalidades en cada observación como puede
ser el caudal del rı́o, habitantes de cierta provincia, extensión etc. (López y Bleda, 1999) se pueden
Los datos georreferenciados son aquellos que poseen una posición geográfica definida. Su caracterı́stica
fundamental es la de ser objetos “dibujables” y por lo tanto representables sobre un mapa (edificios, par-
celas, rı́os, etc.). Los elementos georreferenciados dan lugar a las denominadas Bases de Datos Gráficas
(BDG), constituidas por conjunto de ficheros conteniendo: códigos, posiciones geográficas, descripciones
geométricas, etc. Son las que constituiran el mapa o documento gráfico (López y Bleda, 1999).
15
Figura 2.1
Esquema de datos georeferenciados
Nota: Adaptado del libro “Introducción a la geoestadı́stica: Teorı́a y aplicación” Universidad Nacional
de Colombia, Departamento de Estadı́stica. Giraldo, R. (2002)
Cuando estudiamos el comportamiento de una variable aleatoria a lo largo de un periodo de tiempo, don-
de los resultados son no determinı́sticos, estamos ante un proceso estocástico, también llamado proceso
parametrizada por un conjunto T, llamado espacio parametral, en donde las variables Z(τ ) toman valores
Si trasladamos las ideas del parrafo anterior al contexto espacial, la variable aleatoria Z(s) vendrı́a
determinada por las ubicaciones s del espacio geográfico en observación D, en otras palabras, varı́a
sobre un conjunto de ı́ndices del proceso estocástico D ⊂ Rd que representa una ubicación en el espacio
euclidiano d - dimensional (Giraldo, 2002). La variable aleatoria asociada a la localización s se define del
siguiente modo:
{Z(s) ∈ R | s ∈ D} (2.1)
(2.1) es un proceso estocástico espacial (definido también como función aleatoria, campo espacial aleato-
rio, variable aleatoria georreferenciada o variable regionalizada) denotada comunmente Z(s); es ası́ que
este proceso aleatorio (2.1) es materia de estudio de la Estadı́stica Espacial (Giraldo, 2002).
16
2.2.3 Matriz de Contigüidad
Se llama “matriz de contigüidad o de conectividad” o usualmente conocida como “matriz de pesos espa-
ciales”. En esta se representa la relación que tiene cada una de las zonas con las demás zonas en el espacio
en estudio. Hay muchas formas en que la “matriz de contigüidad”se puede elaborar, la más simple es
utilizando “notación binaria”, donde 1 representa la presencia de contigüidad espacial entre dos unidades
y 0 la ausencia de contigüidad espacial entre dos unidades (Bohórquez & Ceballos, 2008).
Figura 2.2
Nota: Adaptado del artı́culo “La autocorrelación espacial y el desarrollo de la geografı́a cuantitativa”
Siabato, W. y Guzmán-Manrique, J. (2019)
W es una “matriz cuadrada no estocástica cuyos elementos wij ”manifiestan el grado de la interdepen-
dencia que existe entre cada par de regiones i y j; los valores de wij deben de ser positivos y finitos,
cabe decir que no hay una definición exácta para las caracterı́sticas de estos valores o pesos (Siabato y
Guzmán, 2019). Frecuentemente suele usarse la contigüidad fı́sica de primer orden, donde wij es igual a
1
Si la región i y la región j son adyacentes ∀i 6= j
wij = (2.2)
0
En caso contrario
2.2.4.1 Historia
La Estadı́stica Espacial formal tiene sus orı́genes en la revolución de la geografı́a cuantitativa alrededor
de la década de los 50’s, en un intento por definir leyes que rigen las pautas de la distribución de los
fenómenos que ocurren en el espacio geográfico con metodologı́as más rigurosas, sistemáticas y consis-
tentes, para ello la geografı́a cuantitativa se basó en las ciencias matemáticas y la geografı́a para dar
17
A pesar de que la estadı́stica espacial es considerado un método reciente en el campo de la epidemiologı́a,
existen dos antecedentes históricos que datan del siglo XVIII y XIX en donde los mapas coropléticos se
usaron como una herramienta provechosa mientras se investigaban los brotes de distintas enfermedades:
el primer antecedente fue el estudio del Dr. Seaman durante el brote de fiebre amarilla en 1798, con-
cluyó que la mayorı́a de los casos de muerte por esta enfermedad se encontraban cerca de los “miasmas
mórbidos” (Koch, 2011); el segundo antecedente histórico data de 1854 en Londes, durante la epidemia
del Cólera, el estudio del Dr. Snow usando mapas coropléticos concluyó que dichos casos estaban ligados
2.2.4.2 Definición
“análisis exploratorio de datos”(AED) (Anselin, 1999). El AED estila ser el primer paso para comenzar
a analizar cualquier conjunto de datos, para este caso, como la distribución de datos georreferenciados
es de carácter geográfico, los mapas son la mejor herramienta para ese fin.
Los mapas son una de las herramientas más útiles para visualizar la distribución de los datos georre-
en salud mediante esta herramienta se utiliza con fines descriptivos, para la vigilancia epidemiológica en
áreas de riesgo, desarrollo de polı́ticas sanitarias y determinar la mejor disposición de recursos financieros
y humanos (Lawson, Biggeri, Boehning, Lesaffre, Viel, Clark, Schlattmann, & Divino, 2000). Los mapas
Desde el punto de vista estadı́stico, este último es el más empleado, ya que facilita tanto información
cuantitativa del evento en estudio como su distribución en el espacio. “Existen tres tipos básicos de
mapas epidemiológicos correspondientes a ciertos tipos de datos, que son: mapa de densidad de puntos o
caso-evento, mapas coropléticos para datos por región e isopléticos para datos continuos. En el análisis
espacial se usan principalmente los mapas de puntos con datos de caso - evento y los mapas coropléticos
Las principales técnicas de AEDE expuestas en este trabajo, siguen el “esquema reticular o lattice”,
18
2.2.4.3 Métodos gráficos del AEDE
En la siguiente figura 2.3 se aprecian los “métodos gráficos del AEDE según el esquema reticular” .
Figura 2.3
Nota: Adaptado del artı́culo “Métodos gráficos del Análisis Exploratorio de Datos Espaciales” Chasco
Yrigoyen, Coro (2003)
Se presentarán las técnicas del AEDE, más usadas en el contexto de análisis espacial univariante,
las cuales nos ayudan a identificar tendencias, equemas de asociación y distribución espacial.
a) Mapas Temáticos
Consisten en una representación cartográfica de una variable de interés. Esta se puede realizar
“mediante sı́mbolos y colores que ubiquen el valor de una variable en cada una de las unidades
Es ası́ que estos mapas modelan el comportamiento de la distribución de una variable geo-
rreferenciada; para lo cual, los datos se categorizan mediante colores (paleta de colores o la
degradación, con la intención de dar visualmente una transición suave y gradual entre dos
o más colores) o sı́mbolos diferentes para cada valor o para cada intervalo de valores de la
19
variable (De Corso, Rivera y Navarro, 2017). Dentro del AEDE reticular, los “mapas temáti-
cos” más importantes para el modelamiento de la “tendencia espacial de una variable, son el
1) Mapa de cuantiles
Los datos, en este tipo de mapas, se dividen y agrupan en una serie de categorı́as (cuan-
tiles) con igual cantidad de datos. “Cuando las categorı́as se dividen en 4, 5, 6 se les
Este tipo de mapas no son muy útiles cuando la variable a graficar contenga una gran
Este tipo de mapas agrupa los datos según su pertenencia a “un rango estandarizado, el
20
Figura 2.4
Mapa de cuantiles: tasa de generación de residuos (kg-dı́a-hab) en Lima, 2019
Nota: Considerando los datos tomados del “Instituto Nacional de Estadı́stica e Informática”, se ha
elaborado el mapa de cuantiles de la tasa de generación de residuos (kg-dı́a-hab) de Lima en el 2019
con el Sistema de Información Geográfica QGS.
3) Mapa Dinámico
También llamado “map movie”, es un tipo de mapa animado donde “distintas unidades
geográficas” se iluminan según su orden respecto del valor que adoptan en una variable
21
Figura 2.5
Comportamiento delictivo violento en la Ciudad de México por cada periodo de tiempo
Nota: Considerando los datos fueron recopilados del Portal de Datos Abiertos del Gobierno de la
Ciudad de México, se ha elaborado el mapa dinámico - temporal del comportamiento delictivo violento
en esta zona con el Sistema de Información Geográfica QGS, software de codigo libre.
4) Gráficos condicionales
Ayudan a estudiar “un conjunto de datos condicionados por dos variables que dividen
los datos en varias categorı́as” . En los ejes (X e Y), se “representan cada una de las dos
variables condicionadas y se segmentan los ejes en tres grupos de valores: altos, medios y
bajos” . Como resultado se obtiene un total de nueve cuadrantes que están representados
por mapas. Finalmente, una tercera variable se grafica en función de las observaciones
que estén contenidas dentro de cada categorı́a (De Corso, Rivera y Navarro, 2017).
22
Figura 2.6
“Grafico condicional del NBI, por departamentos en Colombia”, 2015
Nota: el gráfico es recuperado del artı́culo “Methods Exploratory Analysis Graphs Spatial Data With
Desde mucho antes de la revolución de la geografı́a cuantitativa, se habı́a generado el interés acerca de
¿cómo se puede tener en cuenta la correlación de variables espacialmente distribuidas? El término auto-
correlación espacial fue ideado por Andrew Cliff y Ketih Ord en 1967, durante la conferencia anual de la
“Regional Science Association” (Cliff & Ord, 1969), el termino tiene origen en el concepto de “correlación
de la estadı́stica univariada”.
Ası́, la autocorrelación se define como la correlación de una variable consigo misma en el espacio geográfi-
co. Es decir, el valor de una variable en una región no viene explicado únicamente por condiciones internas
si no además por el valor de esta variable en otras zonas; por tanto se incumple el supuesto de inde-
pendencia entre las observaciones. “De esta forma la existencia de dependencia espacial hace posible
cambiar la localización de los valores de una variable sin afectar a la información contenida en la mues-
23
Autocorrelación Espacial Global
Los ı́ndices de autocorrelación espacial global realizan un análisis de asociación para el conjunto de uni-
dades del fenómeno que componen la muestra o población, considerando a todas las unidades de análisis
como un conjunto mediante la media global del fenómeno en análisis (x̄), para determinar si las “uni-
dades espaciales” estan “distribuidas aleatoriamente” o si, por el contrario, siguen un patrón determinado.
Los ı́ndices de autocorrelación global evalúan asociaciones para el conjunto de valores de interés, consi-
derando todas las unidades de análisis como un bloque que componen la muestra a través de la “media
global del fenómeno analizado” (x̄); asimismo, estos “no son sensibles a escenarios en los que se presenta
• Índice de Moran (I): este ı́ndice nos da la medida general de la asociación espacial que existe en
el conjunto de datos. El ı́ndice varı́a de -1 a 1, con valores cercanos a cero que indican la inexistencia
Esto indica que el valor del atributo correspondiente a una determinada ubicación en el espacio
tiende a ser similar al de sus vecinos. Cuando el ı́ndice muestra valores negativos, significa que hay
1. µ(Xs ) = µX ∀ s ∈ Ds
2. µ((Xs − µ(Xs )2 ) = σX
2
∀ s ∈ Ds
2
Si ambos, µX y σX son desconocidos, se llama Índice de Moran de X sobre Dn asociado a
WR a:
Pn Pn
n wij (xi − x̄)(xj − x̄)
I= Pn Pnj=1
i=1
Pn (2.3)
( i=1 j=1 wij ) i=1 (xi − x̄)2
Donde:
1 X
x̄ = xs (2.4)
n
s∈Dn
24
n: número total de áreas
Figura 2.7
Nota: Valores del dominio del I de Moran. Adaptado del artı́culo “La autocorrelación espacial y el
desarrollo de la geografı́a cuantitativa”. Siabato y Guzmán (2019)
Figura 2.8
“Patrones espaciales y su relación con la autocorrelación espacial”
Nota: Adaptado del artı́culo “La autocorrelación espacial y el desarrollo de la geografı́a de la geografı́a
25
2.2.5 Sistemas de Información Geográfica
Los “Sistemas de Información Geográfica” (SIG), como herramientas de informática multipropósito, son
capaces de gestionar, analizar y modelar información georreferenciada con el objetivo de resolver proble-
mas territoriales de diversos campos. Los SIG están enfocados principalmente al conocimiento y estudio
de las estructuras espaciales, donde la posición relativa que ocupan los elementos geográficos referentes a
un determinado fenómeno resulta esencial (Santos, 2020). En la actualidad, los estudios realizados en el
campo del AEDE se han centrado en el uso conjunto de los SIG con “paquetes estadı́sticos como SPSS,
Uno de los propósitos principales del SIG es la determinación de un punto sobre la superficie terrestre.
En consecuencia, un camino para cumplir este objetivo es el sistema de coordenadas; esta permite definir
analiticamente la posición de un objeto o un fenómeno. Desde el punto de vista matemático, todos los
sistemas de coordenadas son aceptados, y el motivo para seleccionar uno u otro es la conveniencia o
su simplicidad. En el sentido práctico, se eligen los sistemas de coordenadas que permitan representar
el objeto de estudio de una forma fı́sica e interpretable geometricamente y ası́ que pueda ser medida.
Los más utilizados para representar los puntos en la tierra son el “sistema de coordenadas geográficas”,
determina con dos ángulos medidos desde el centro de la Tierra, latitud y longitud” (Navarro, 2011).
La longitud (α) “de un punto es el ángulo medido a lo largo del Ecuador, desde cualquier punto de la
tierra. Las lı́neas verticales de igual longitud son cı́rculos máximos que pasan por los polos y se llaman
meridianos. La longitud se mide con respecto a un meriadiano principal, que normalmente es el meri-
La latitud (β) “de un punto es el ángulo medido desde el centro de la Tierra hacia el norte, entre el
Ecuador y la posición de un punto sobre la superficie terrestre. Las lı́neas horizontales de igual latitud
26
Figura 2.9
“Valores de longitud y latitud de un punto sobre la esfera”
Nota: Figura tomada de “ESRI (Environmental Systems Research Institute, Inc)”, 2011.
http://www.esri.com
Prevalencia : “es la medida del número total de casos existentes, llamados casos prevalentes, de una
enfermedad en un punto o periodo de tiempo y en una población determinados, sin distinguir si son o no
prevalence) se trata para referirse a dos cosas: a) al número o a la frecuencia absoluta de personas
que presentan una cierta caracterı́stica (normalmente una enfermedad) en un instante dado, y
considerada en la población, la proporción suele multiplicarse por 100 o por 10n para ofrecerla en
27
CAPÍTULO 3
MÉTODO
Según su finalidad, el presente estudio es de tipo aplicado, puesto que trata de resolver un problema de
salud pública mediante la aplicación de teorı́as y leyes ya comprobadas (Narváez, 2009), con el apoyo
de los sistemas de información geográfica (SIG). Asimismo, se considerará, según su alcance, de tipo
descriptivo dado que se va a determinar el “patrón espacial”de la prevalencia, mediante las medidas de
La recopilación de datos, necesaria para cumplimiento de los objetivos del presente estudio, son de fuente
El diseño de investigación es observacional - transversal debido a que se observan tal cual se presentan
los casos para luego analizar el patrón espacial de esta enfermedad y transversal porque se mide los casos
3.2 POBLACIÓN
Todas las mujeres de 15 años a más de edad por cada hogar particular del Perú en el año 2019. No obs-
tante se excluye “a las personas que residen en viviendas colectivas (hoteles, hospitales, asilos y claustros
28
3.3 MUESTRA
como unidad de investigación a los integrantes del hogar familiar. Obteniendo 19 312 registros de mujeres
Para el análisis de los datos obtenidos para la presente investigación se utilizará los softwares estadı́sticos
GeoDa 1.18 para el caso del AED y AEDE se usará QGIS 3.16.2 y ArpMap 10.8 o RStudio 4.0.3. Cabe
indicar que el pocesamiento de datos tanto para el filtrado y limpieza de datos se usarán los sofwares
29
Tabla 3.1
Paquetes informaticos para el análisis de datos espaciales
Paquete
Autor / Empresa Página Web
Informático
Impact (USA)
La clasificación debe verse en términos de propósito y de método, sin embargo, el software SIG casi
no impone restricciones a la selección del método de clasificación por parte del usuario, por lo que es
responsabilidad del analista elegir los procedimientos y configuraciones adecuados que se ajusten a su
Dentro de las opciones que nos ofrece el sofware SIG para la clasificación se encuentran: herramien-
reclasificación); y en la visualización de datos de campo continuos (De Smith, Goodchild & Longley,
2007).
La Tabla proporciona detalles de varios de los esquemas de clasificación que nos pueden ofrecer los
30
Tabla 3.2
Esquemas de clasificación univariante del sofware SIG seleccionados
cual agrupa a los datos “en una serie de categorı́as (cuantiles)” que
cada intervalo.
Cortes Naturales das. Los datos se dividen en clases cuyos lı́mites quedan establecidos
esto no da como resultado una clase central, solo clases a ambos lados
de la media.
31
CAPÍTULO 4
RESULTADOS Y DISCUSIÓN
casos diagnosticados de diabetes mellitus de personas de 15 y más años según sexo y ámbito geográfico
en el Perú, con el fin de conocer la frecuencia de casos según estas caracterı́sticas de interés.
Cabe señalar que para las estimaciones a nivel poblacional se usaron los factores de ponderación ajus-
datos, que permite recomponer la estructura poblacional de las personas de 15 años a más. Asimismo,
para obtención de los indicadores relacionados con la Diabetes Mellitus con el software estadı́stico SPSS
v.25 se construyó el plan del diseño muestral (muestras complejas), donde se consideraron las variables
especificadas por la ENDES para este caso particular del estudio de DM. Ası́ se obtuvieron los siguientes
resultados:
Por ámbito geográfico, entre los departamentos del Perú, el mayor porcentaje de casos diagnosticados
con diabetes mellitus se encuentra en Lima (47.6 %) y Callao (6.4 %), y el menor porcentaje de casos se
dio en Pasco (0.2 %) y Huancavelica (0.3 %) (Ver Tabla C.2). Asimismo, por región natural, el mayor
porcentaje de casos diagnosticados con diabetes mellitus se encuentra en la Costa (76.3 %), y Sierra
De la misma forma, según sexo la prevalencia estimada en mujeres fue mayor en mujeres (4.3 %) que
en hombres (3.4 %). El mayor porcentaje de mujeres diagnosticadas con diabetes mellitus se encuentra
en Lima (43.5 %), Callao (7.0 %) y La Libertad (6.5 %). Para el caso de los hommbres diagnosticados
con diabetes mellitus el mayor porcentaje se encuentra en Lima (53.2 %), La Libertad (5.7 %) y Callao
32
4.2 “Análisis Exploratorio de Datos Espaciales”
En principio, para empezar con el AEDE iniciaremos con la representación de la prevalencia de diabetes
mellitus en el Perú en el 2019 a través de un mapa temático de acuerdo a un criterio de intervalos, con
el fin de tener un primer acercamiento al tipo de “distribución espacial”de esta variable de interés. En
este caso, el criterio de intervalo usado es el criterio de cortes naturales de Jenks. Estos resultados se
En la figura 4.1 se observa que los departamentos con alta prevalencia de DM son coloreados en azul más
intenso. Es ası́ que, el Callao y Madre de Dios son los departamentos que muestran alta prevalencia de
DM a comparación de los departamentos de Pasco, Junı́n, Huancavelica, Apurı́mac y Puno que muestran
una baja prevalencia de DM. Esto conlleva a sospechar que la “distribución espacial de la prevalencia de
diabetes” mellitus en personas de 15 años a más “están distribuidos en forma no homogénea” a lo largo
de todo el Perú.
Para el análisis de la Diabetes Mellitus según sexo, podemos observar, de acuerdo al “criterio de ge-
neración de intervalos”de cortes naturales de Jenks, se han construido intervalos diferentes para cada
caso, en el caso de las mujeres podemos observar los lı́mites, tanto superior como inferior, mayores a los
establecidos por los hombres. Es decir que las prevalencias estimadas de diabetes mellitus en mujeres en
el Perú en el año 2019 según departamento son mayores a la de los hombres tanto en sus valores más
De la misma forma, en la figura 4.3 se observa que los “departamentosçon alta prevalencia de DM son
coloreados en un rojo más intenso. Es ası́ que, se identificó, para en ambos sexos, el Callao es la región
con alta prevalencia de DM. Asimismo, en esta región, la prevalencia en mujeres (8.4) es mucho mayor
Finalmente, en la Figura N°4.2a, se puede apreciar que las regiones con baja prevalencia de Diabetes
Mellitus tienen una mayor cantidad de “instituciones prestadoras de servicios de salud”(IPRESS) en sus
regiones; del mismo modo, los departamentos con mayor prevalencia de DM tienen una menor cantidad
33
Figura 4.1
Perú: Prevalencia de “Diabetes Mellitus en personas de 15 años a más”, 2019
Prevalencia
(por cada 100 personas) [25]
0.94 - 1.58 [5]
1.58 - 2.85 [6]
2.85 - 4.11 [7]
4.11 - 5.25 [5]
5.25 - 6.82 [2]
Nota: Considerando los datos tomados del “Instituto Nacional de Estadı́stica e Informática”, se ha
elaborado el mapa coroplético de la prevalencia de DM en personas de 15 años a más en el 2019 con el
Sistema de Información Geográfica QGIS, software de código libre.
34
Figura 4.2
Prevalencia de Diabetes Mellitus según número de “instituciones prestadoras de servicios de salud”, 2019
(a) Perú: Prevalencia de diabetes mellitus según número de “instituciones pres-(b) Callao: Prevalencia de diabetes mellitus según número de “instituciones
tadoras de servicios de salud”, 2019 prestadoras de servicios de salud”, 2019
35
Prevalencia de DM
(por cada 100 personas)
Nota: Considerando los datos tomados del “Instituto Nacional de Estadı́stica e Informática”, se ha elaborado el mapa de calor sobrepuesto a el mapa
coroplético de la prevalencia de DM en personas de 15 años a más en el 2019 con el Sistema de Información Geográfica QGIS, software de código libre.
Figura 4.3
Perú: Prevalencia de “Diabetes Mellitus en personas de 15 años a más según sexo”, 2019
36
Prevalencia de DM en Hombres
Prevalencia de DM en mujeres (por cada 100 hombres)
(por cada 100 mujeres)
0.1 - 0.7 [5]
1.2 - 2.4 [9]
0.7 - 1.8 [4]
2.4 - 3.6 [4]
1.8 - 3.1 [7]
3.6 - 5 [7]
3.1 - 4.7 [7]
5 - 6.4 [4]
4.7 - 5.7 [2]
6.4 - 8.4 [1]
Nota: Considerando los datos tomados del “Instituto Nacional de Estadı́stica e Informática”, se ha elaborado el mapa coroplético de la prevalencia de
DM en personas de 15 años a más según sexo en el 2019 con el Sistema de Información Geográfica QGIS, software de código libre.
Figura 4.4
Mapa condicional de prevalencia de DM según número de habitantes por médico, 2019
Nota: Considerando los datos tomados del “Instituto Nacional de Estadı́stica e Informática” y el
“Colegio Médico del Perú”, se ha elaborado el mapa condicional de la prevalencia de DM en personas
de 15 años a más por número de habitantes por cada médico en la zona en el 2019 con el SIG: QGIS.
El gráfico condicional (Figura N° 4.4) nos permite analizar nuestro conjunto de datos condicionados por
la prevalencia de DM y número de habitantes por cada médico según departamento, dividiendo nuestra
muestra en varias categorı́as. De esta manera, se logró segmentar “los ejes en tres grupos de valores:
altos, medios y bajos”. Es ası́ que podemos apreciar, que el departamento de Tumbes que cuenta con
un total de 1 077 habitantes por 1 médico en esta región y una prevalencia estimada alta de DM (5.2),
nos da un alcance de que posiblemente la falta de personal de salud capacitado para el diagnóstico y
prescripción del tratamiento farmacológico de esta enfermedad, ya que los médicos son los únicos auto-
rizados para estas tareas, está afectando de manera significativa la captación y atención de los nuevos
casos de DM, impidiendo visualizar el verdadero alcance de esta enfermedad crónica. Del mismo modo
para las siguientes regiones: Madre de Dios y Moquegua, con la diferencia de que estas regiones cuentan
con un número medio de habitantes por cada médico (860 y 904 respectivamente). Cabe resaltar que, en
su mayorı́a, las regiones de la selva se encuentran tanto en los sectores medios y altos de prevalencia y
37
Para el caso contrario, podemos observar que las regiones con baja prevalencia de DM como Cusco,
Junı́n, Ancash, Puno y Apurı́mac cuentan con una baja prevalencia de DM y un bajo y medio número
de habitantes por cada médico en sus regiones (478, 605, 711, 734 y 875 respectivamente), lo que nos da
una idea que en estas regiones existe suficiente personal de salud autorizado para abarcar la demanda
la contigüidad de tipo reina de primer orden, aquella que para determinar vecindades se desplaza hacia
cualquier polı́gono que comparta frontera de al menos un punto (esquina o vértice) la cual se observa en
la sección (a) de la Figura 4.5. Se determinó que en promedio una provincia en el Perú tiene aproxima-
damente 5.35 vecinos y la cantidad máxima y mı́nima de vecindades fueron de 11 y uno respectivamente,
Figura 4.5
“Mapa de conectividades e histograma de vecindades”
terplot”. Estos se muestran en la Figura 4.6. Este ı́ndice resultó superior a cero lo cual evidencia de
la “dependencia espacial” existente entre las personas diagnosticadas de Diabetes Mellitus y su lugar
de residencia, es decir que la prevalencia de DM en un lugar determinado dentro del territorio peruano
38
Figura 4.6
Análisis de autocorrelación espacial de los casos diganosticados de DM en el Perú, 2019
Nota: Considerando los datos tomados del INEI, se ha elaborado el mapa de clusterización de la
prevalencia de DM en personas de 15 años a más con el Sistema de Información Geográfica GeoDa.
Finalmente, en base a los “indicadores locales de asociación espacial”, se identificó la presencia de clúste-
res significativos tal cual se muestra en la Figura N°4.6 (b). Para los casos diagnosticados de diabetes
mellitus en el Perú, para los cuales se identificaron provincias que presentan alta cantidad de casos
diagnosticados de DM. La etiqueta Alto-Alto, significan que estos distritos tienen valores altos y están
rodeados también de vecindades que tienen valores altos. Por tanto, estos distritos representan las zonas
con alta presencia de casos diagnosticados de DM. Este clúster se encuentra resaltado en color rojo y está
conformado por las provincias de: Lima, Cañete y Huaral en Lima; Callao en la provincia constitucional
del Callao y Zarumilla en Tumbes. En el caso opuesto, se identificó un clúster altamente significativo
de distritos con riesgo más bajo, formados por las provincias: Pomabamba, Santa, Sihuas en Ancash;
terplot”para los casos de diagnóstico de DM en mujeres. Estos se muestran en la Figura N°4.7. Este
ı́ndice resultó superior a cero lo cual evidencia de la “dependencia espacial” existente entre las personas
lugar determinado dentro del territorio peruano influye (baja influencia) en medida de dicho atributo en
39
Figura 4.7
Análisis de autocorrelación espacial de mujeres con diganostico de DM en el Perú, 2019
Nota: Considerando los datos tomados del INEI, se ha elaborado el mapa de clusterización de la
prevalencia de DM en mujeres de 15 años a más con el Sistema de Información Geográfica GeoDa.
Para los casos diagnosticados de diabetes mellitus en mujeres del Perú, se identificaron provincias que
presentan alta cantidad de casos diagnosticados de DM. Estos distritos representan las zonas con alta
presencia de casos diagnosticados de DM. Está conformado por las provincias de: Ambo, Pachitea, Ya-
rowilca en Huánuco.
En el caso opuesto, se identificó un clúster altamente significativo de distritos con riesgo más bajo,
formados por las provincias: Islay en Arequipa; Tambopata, Mariscal Nieto, General Sanchez Cerro en
Moquegua; Piura, Ayabaca, Morropon, Paita, Sullana en Piura, Puno, Azangaro, Carabaya, El Collao,
Huancane, San Antonio de Putina, San Roman en Puno; Moyobamba, El Dorado, Huallaga, Lamas en
San Martı́n; Candarave, Jorge Basadre, Tarata, Contralmirante Villar, en Tumbes y Atalaya, en
Ucayali.
40
CONCLUSIONES Y RECOMENDACIONES
Se logró identificar las siguientes regiones que muestran alta prevalencia de DM: el Callao y Madre de
Dios. Para los casos de DM en mujeres se detectaron mayor cantidad de regiones con alta prevalencia de
Se identificó a el departamento de Tumbes, Moquegua y Madre de Dios que cuentan con un total de 1
077, 904 y 860 respectivamente de habitantes por un médico en esta región y una prevalencia estimada
alta de DM (5.2, 4.6 y 6.0 respectivamente), lo que nos da un alcance de que posiblemente la falta de
personal de salud capacitado para el diagnóstico y prescripción del tratamiento farmacológico de esta
enfermedad, ya que los médicos son los únicos autorizados para estas tareas, esté afectando de manera
significativa la captación y atención de los nuevos casos de DM, impidiendo visualizar el verdadero al-
A partir del ı́ndice de Morán se identificó que la prevalencia de diabetes mellitus en un lugar determinado
dentro del territorio peruano influye en la medida que la prevalencia de DM sea alta o baja en las pro-
vincias vecinas (I.Morán = 0.361). Asimismo, a partir del “ı́ndice de LISA”, se encontró la existencia de
“clústeres” conformados por provincias con alta concentración de casos de Diabetes Mellitus y a su vez
se rodean de provincias que tienen altos valores: Lima, Cañete y Huaral en Lima; Callao en la Provincia
Para los casos de diabetes mellitus en mujeres, a partir del ı́ndice de Morán se identificó que la preva-
lencia de diabetes mellitus en un lugar determinado dentro del territorio peruano influye en la medida
que la prevalencia de DM sea alta o baja en las provincias vecinas (I.Morán = 0.061). Asimismo, a
partir del “ı́ndice de LISA”, se encontró la presencia de “clústeres” conformados por provincias con alta
concentración de casos de Diabetes Mellitus y a su vez se rodean de provincias con altos valores: Ambo,
Las herramientas de AEDE han demostrado proporcionar una variedad de gráficos que permiten analizar
el fenómeno de interés considerando el lugar donde estos ocurren, dándonos una visión completa de su
41
REFERENCIAS BIBLIOGRÁFICAS
American Diabetes Association (2003). Report of the expert committee on the diagnosis and classification
Anselin, L. (1995). Local indicators of spatial association-lisa. Geographical analysis. 27(2), 93-115.
Banerjee, S. (2016). Spatial data analysis. Annual review og public health, 37, 47-60.
Becker, L., Loch, M. y Reis, R. (2018). Barreiras percebidas por diretores de saúde para tomada de
Berke, O. (2004). Exploratory disease mapping: kriging the spatial risk function from regional count
torio de datos espaciales. Ecos de Economı́a: A Latin American Journal of Applied Economics,
12(27), 9-2.
Carrillo Larco, R. y Bernabé Ortiz, A. (2019). Diabetes mellitus tipo 2 en Perú: una revisión sistemática
Casetti, E. & Poon, J. (1995). Econometric models and spatial parametric instability: relevant concepts
and an instability index. In New directions in spatial econometrics (pp. 301-321). Springer.
Ccorahua, R., Atamari A., Miranda A., Campero-Espinoza, A., Rondón A. y Pereira V. (2019). Preva-
lencia de la diabetes mellitus tipo 2 en poblaciónmenor de 30 años para el periodo de 2005 a 2018 con
Cliff, A. & Ord, K. (1969). The problem of spatial autocorrelation. London Papers in Regional Science.
42
De Corso Sicilia, G., Rivera, M. & Navarro, J. (2017). Métodos gráficos de análisis exploratorio de da-
De Smith, M., Goodchild, M., $ Longley, P. (2007). Geospatial analysis: A comprehensive guide to prin-
Ehrmann, D., Barnes, R., Rosenfield, R., Cavaghan, M. & Imperial, J. (1999). Prevalence of impaired
glucose torerance and diabetes in women with polycystic ovary syndrome, Diabetes care, 22(1), 141-
146.
González, P., y Pérez, B. (2013). La minerı́a de datos espaciales y su aplicación en los estudios de salud
Instituto Nacional de Salud (2006). Encuesta nacional de indicadores nutricionales, bioquı́micos, socio-
Janampa, N. (2021). Comorbilidad y mortalidad por COVID-19 en el Perú. Boletı́n Epidemiológico del
Perú, 30(15):432.
Juárez, O. (2019). Mortalidad por Diabetes Mellitus y su relación espacial con la pobreza en Mexico.
Koch, T. (2011). Disease maps: epidemics on the ground. University of Chicago Press.
Lawson, A., Biggeri, A., Boehning, D., Lesaffre, E., Viel, J.-F., Clark, A., Schlattmann, P. & Divino, F.
(2000). Disease mapping models: an empirical evaluation. Disease mapping collaborative group. Sta-
López, P.y Bleda, J. (1999). Informática Gráfica. Universidad de Castilla - La Mancha, España
43
Moreno, J. (2001). Geomarketing con sistemas de información geográfica. Departamento de Geografı́a.
Navarro, A. (2011). Introducción a los sistemas de información geográfica y geotelemática, 173. Editorial
UOC.
OPS (2011). Módulo de principios de epidemiologı́a para el control de enfermedades (mopece), segunda
Salud.
Ulloa N., Villagrán, M., Riffo, B., Gleisner, A., Petermann-Rocha, F., Mardones, L., Leiva, A., Martı́nez-
Sanguinetti, M. y Celis-Morales, C. (2020). Asociación entre el polimorfismo rs9939609 del gen FTO
y marcadores de adiposidad en población infantil chilena. Revista Médica de CHile, 146(6), 717-726.
Revilla, L. (2021). Situación de vigilancia epidemiologica de diabetes en Servicios de Salud, año 2020.
salubrista. Caso Sı́ndrome de Down. Revista Cubana de Salud Pública, 34(4), 1-11.
Sapunar, J. (2016). Epidemiologı́a de la diabetes mellitus en Chile. Revista Médica Clı́nica Las Condes,
27(2), 146-151.
Seclén, S. (2015). Diabetes Mellitus en el Perú : hacia dónde vamos. Revista Médica Herediana, 26(1),
3-4.
Segura, C., Luque, V. y Vanegas, S. (2019). Análisis basado en técnicas de econometrı́a espacial para
44
Siabato, W. y Guzmán-Manrique, J. (2019). La autocorrelación espacial y el desarrollo de la geografı́a
Soler, A. Soca, P., Rodrı́guez, M., Font, J., Batista, Y. y Estévez, M. (2012). Caracterización clı́nica,
antopométrica y de laboratorio, de mujeres con diabetes mellitus tipo 2. Revista Médica Electrónica,
34(1).
Velásquez, A. (2018). Investigación en polı́ticas y sistemas de salud para la gestión basada en evidencias.
Waller, L. & Gotway, C. (2004). Applied spatial statistics for public health data, 368. John Willey &
Sons.
Yang, Y., Liu, B., Xia, W., Yan, J., Liu, H.-Y., Hu, L. & Liu, S.-M. (2017). Fto genotype and type 2
diabetes mellitus: spatial analysis and meta-analysis of 62 case-control studies from diferrent regions.
Yrigoyen, C. (2003). Métodos gráficos del análisis exploratorio de datos espaciales. Anales de economı́a
45
ANEXOS
Figura A.1
Cuestionario de Salud Sección 3. Hipertensión y Diabetes (pág. 5) - ENDES, 2019
107 ¿En los últimos 12 meses,es decir, desde _______ del año SI........................................................................................ 1
pasado hasta _______ de este año, algún médico u otro personal NO...................................................................................... 2
109
de salud le ha medido la glucosa o el "azúcar" en la sangre? NO SABE / NO RECUERDA.............................................. 8
OTRAS CAMPAÑAS______________________________ 42
(ESPECIFIQUE)
OTRO__________________________________________ 96
(ESPECIFIQUE)
NO SABE / NO RECUERDA.............................................. 98
111 ¿En los últimos 12 meses, es decir, desde _______ del año SI........................................................................................ 1
pasado hasta _______ de este año, usted ha recibido y/o NO...................................................................................... 2
comprado medicamentos para controlar su "diabetes" o "azúcar 200
NO SABE / NO RECUERDA.............................................. 8
alta" en la sangre?
112 ¿En los últimos 12 meses usted recibió o compró los CON RECETA MEDICA..................................................... 1
medicamentos con receta médica al menos una vez? SIN RECETA MEDICA....................................................... 2
NO SABE / NO RECUERDA.............................................. 8
113 ¿En los últimos 12 meses usted tomó sus medicamentos tal SI........................................................................................ 1
como le indicó el médico? NO...................................................................................... 2
NO SABE / NO RECUERDA.............................................. 8
CONSIDERAR COMO "SÍ" CUANDO EL INFORMANTE MANIFIESTA
QUE SE INYECTA INSULINA
46
Anexo B: Base de Datos
Figura B.1
Sección de la base de datos utilizada para el análisis
Personas de 15 Personas de 15
Le midieron el Le diagnosticaron Perímetro
Código del Sexo del Años Tiene Seguro años a más de años a más de
azúcar o glucosa diabetes o azúcar abdominal en UBIGEO IIDDPTO DEPARTAMENTO IDPROV PROVINCIA CODCCPP NOMCCPP longitudx latitudy
Ecuestado Encuestado Cumplidos de Salud edad - Peso en edad - Talla en
en la sangre alta centímetros
kilogramos centímetros
100201 MUJER 33.0 SI SI NO 59.3 150.0 89.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000102801 MUJER 36.0 SI SI SI 84.3 160.5 105.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000104801 MUJER 28.0 NO NO NO 85.1 157.9 109.1 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000113601 MUJER 30.0 SI NO NO 57.6 152.9 87.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000116701 MUJER 18.0 NO SI NO 45.5 154.4 73.1 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000119101 MUJER 23.0 SI NO NO 52.6 158.7 76.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000120701 HOMBRE 15.0 NO NO NO 65.7 161.1 84.7 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000122201 HOMBRE 71.0 SI NO NO 85.8 172.9 109.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8738300 -6.2233200
000200301 HOMBRE 71.0 SI SI NO 79.8 173.7 93.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000203001 HOMBRE 28.0 SI SI NO 74.8 166.3 97.3 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000204001 MUJER 23.0 SI NO NO 63.1 149.4 84.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000204601 MUJER 40.0 SI SI NO 75.5 162.0 100.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000205201 MUJER 51.0 SI SI NO 69.9 151.3 99.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000207701 HOMBRE 54.0 SI SI SI 82.8 171.5 102.7 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000208001 HOMBRE 45.0 SI NO NO 89.0 174.2 108.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000209401 MUJER 69.0 SI SI NO 72.0 152.0 110.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000211301 MUJER 57.0 SI NO NO 73.5 146.5 109.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000211701 MUJER 19.0 SI SI NO 72.2 150.3 100.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8734500 -6.2269900
000301001 MUJER 30.0 SI NO NO 65.4 148.7 93.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000305001 MUJER 26.0 SI NO NO 81.7 165.2 92.1 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000308301 MUJER 63.0 SI SI NO 53.8 140.8 85.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000310401 MUJER 36.0 SI NO NO 73.5 162.6 97.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000311501 MUJER 25.0 SI NO NO 50.2 158.3 76.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000316001 HOMBRE 28.0 NO NO NO 64.6 157.4 80.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000320001 HOMBRE 60.0 SI SI NO 63.9 158.0 89.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000322501 MUJER 23.0 NO SI NO 62.1 158.3 81.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000325801 HOMBRE 49.0 SI NO NO 69.4 154.5 90.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8645700 -6.2205900
000400101 HOMBRE 40.0 NO NO NO 68.5 165.2 91.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000400601 MUJER 86.0 SI NO NO 46.2 137.6 86.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000401301 HOMBRE 62.0 SI NO NO 81.1 168.1 103.3 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000403801 HOMBRE 26.0 SI NO NO 85.5 165.9 100.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000409001 HOMBRE 35.0 SI NO NO 105.1 170.1 119.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000413001 HOMBRE 35.0 NO NO NO 77.4 162.7 96.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000413101 MUJER 34.0 SI NO NO 65.9 159.2 85.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000415901 MUJER 17.0 SI NO NO 56.4 155.4 77.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000417401 HOMBRE 66.0 SI NO NO 60.4 153.0 95.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8531900 -6.2334000
000500501 MUJER 23.0 SI NO NO 44.6 147.6 78.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000500801 MUJER 50.0 SI NO NO 76.7 163.0 96.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000501101 MUJER 20.0 SI SI NO 53.6 156.2 76.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000502401 MUJER 85.0 SI NO NO 39.6 140.4 81.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000503401 MUJER 39.0 SI SI NO 75.4 156.4 98.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000505801 MUJER 55.0 SI NO NO 61.4 155.7 93.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000508001 HOMBRE 32.0 SI NO NO 68.5 160.3 94.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000509801 MUJER 50.0 NO NO NO 59.5 150.3 97.7 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000512001 MUJER 25.0 SI NO NO 48.7 146.5 79.7 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8574900 -6.2347000
000600101 MUJER 30.0 SI NO NO 69.0 146.4 87.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000602501 MUJER 79.0 SI SI SI 72.8 149.9 107.8 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000606601 MUJER 37.0 SI NO NO 86.2 168.2 101.3 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000610401 MUJER 16.0 NO NO NO 49.1 157.2 64.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000610701 MUJER 19.0 NO NO NO 65.0 158.7 94.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000611601 MUJER 26.0 NO SI NO 71.3 147.9 94.5 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000613201 MUJER 26.0 SI SI NO 57.6 141.6 87.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000617801 HOMBRE 63.0 SI SI NO 95.7 166.9 113.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8725100 -6.2342400
000701901 MUJER 75.0 SI SI NO 56.8 143.3 91.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000702001 HOMBRE 33.0 SI NO NO 75.9 168.4 96.1 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000702501 MUJER 27.0 SI SI NO 60.0 157.1 87.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000706201 HOMBRE 47.0 SI NO NO 50.5 148.3 78.4 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000711701 MUJER 35.0 SI SI NO 64.8 147.0 91.2 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000712001 HOMBRE 40.0 SI NO NO 61.0 155.7 88.1 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000712101 HOMBRE 26.0 SI NO NO 55.5 160.1 76.7 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000713701 HOMBRE 25.0 SI NO SI 71.7 171.4 89.6 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000717501 MUJER 28.0 SI SI NO 36.0 140.7 65.0 010101 01 AMAZONAS 0101 CHACHAPOYAS 0001 CHACHAPOYAS -77.8803800 -6.2267900
000800201 MUJER 26.0 SI SI NO 57.7 145.1 93.3 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000801101 MUJER 39.0 SI NO NO 49.1 142.7 80.3 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000801201 MUJER 36.0 SI NO NO 54.0 146.6 82.3 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000801601 MUJER 32.0 SI NO NO 59.4 148.9 86.2 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000803701 HOMBRE 49.0 SI NO NO 49.6 153.3 82.7 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000803901 MUJER 74.0 SI NO NO 39.5 146.1 75.0 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000805501 MUJER 19.0 SI NO NO 49.9 150.2 75.7 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000806301 HOMBRE 45.0 SI NO NO 55.1 157.4 78.4 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000808601 MUJER 24.0 SI NO NO 59.4 152.7 82.7 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000808701 HOMBRE 29.0 SI NO NO 58.5 157.7 80.8 010403 01 AMAZONAS 0104 CONDORCANQUI 0040 YUTUPIS -77.7582400 -4.0609600
000903001 HOMBRE 52.0 SI NO NO 77.9 162.0 94.0 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000903401 MUJER 23.0 SI NO NO 57.9 145.9 88.7 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000906701 MUJER 38.0 SI NO NO 77.5 141.8 115.3 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000910501 HOMBRE 54.0 SI NO NO 80.3 161.8 104.8 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000911301 MUJER 43.0 SI SI NO 56.0 147.9 80.2 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000913801 MUJER 39.0 SI SI NO 82.3 153.7 98.3 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000915501 HOMBRE 34.0 SI NO NO 65.8 160.4 81.7 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000915601 HOMBRE 29.0 SI NO NO 66.7 160.6 86.6 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
000916101 MUJER 28.0 NO NO NO 104.9 158.9 123.7 010205 01 AMAZONAS 0102 BAGUA 0001 CHIRIACO -78.2876300 -5.1621800
001001501 MUJER 41.0 SI NO NO 57.3 152.4 88.3 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001003201 MUJER 15.0 SI NO NO 58.8 160.0 76.5 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001009301 MUJER 25.0 SI NO NO 60.5 150.9 85.0 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001014601 HOMBRE 36.0 SI SI SI 55.7 151.6 85.2 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001019101 MUJER 36.0 SI NO NO 76.6 157.7 108.0 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001022701 HOMBRE 53.0 SI NO NO 76.9 163.6 98.0 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001024301 MUJER 39.0 SI NO NO 63.9 155.4 97.8 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001029501 MUJER 22.0 NO NO NO 48.3 151.6 71.2 010205 01 AMAZONAS 0102 BAGUA 0046 IMACITA -78.3376700 -5.0593000
001102101 MUJER 43.0 SI NO NO 61.1 145.2 90.1 010202 01 AMAZONAS 0102 BAGUA 0001 ARAMANGO -78.4391100 -5.4123000
001102701 HOMBRE 61.0 SI SI NO 84.1 162.2 108.9 010202 01 AMAZONAS 0102 BAGUA 0001 ARAMANGO -78.4391100 -5.4123000
47
Anexo B1: Población estimada por años calendario según sexo, según depar-
tamento, 2018-2020
Figura B1.1
Población Estimada en el 2019 según sexo, según departamento
POBLACIÓN ESTIMADA AL 30 DE JUNIO, POR AÑOS CALENDARIO Y SEXO, SEGÚN DEPARTAMENTO, 2018-2020
Conclusión.
2018 2019 2020
UBIGEO DEPARTAMENTO
Total Hombre Mujer Total Hombre Mujer Total Hombre Mujer
000000 PERÚ 31,562,130 15,642,691 15,919,439 32,131,400 15,938,284 16,193,116 32,625,948 16,190,895 16,435,053
010000 AMAZONAS 419,833 216,264 203,569 423,863 218,313 205,550 426,806 219,801 207,005
020000 ÁNCASH 1,155,451 580,623 574,828 1,169,522 588,568 580,954 1,180,638 594,832 585,806
030000 APURÍMAC 427,323 218,413 208,910 429,587 219,678 209,909 430,736 220,370 210,366
040000 AREQUIPA 1,428,708 700,132 728,576 1,464,638 718,816 745,822 1,497,438 735,707 761,731
050000 AYACUCHO 659,061 336,123 322,938 664,494 339,510 324,984 668,213 341,951 326,262
060000 CAJAMARCA 1,438,325 719,380 718,945 1,447,891 724,299 723,592 1,453,711 727,265 726,446
070000 CALLAO 1,078,789 524,357 554,432 1,105,512 537,980 567,532 1,129,854 550,046 579,808
080000 CUSCO 1,320,530 667,179 653,351 1,340,457 677,738 662,719 1,357,075 686,543 670,532
090000 HUANCAVELICA 376,346 189,101 187,245 371,260 186,847 184,413 365,317 184,121 181,196
100000 HUÁNUCO 757,467 382,865 374,602 759,851 384,108 375,743 760,267 384,345 375,922
110000 ICA 923,175 461,888 461,287 950,100 475,898 474,202 975,182 488,836 486,346
120000 JUNÍN 1,335,139 664,362 670,777 1,350,021 672,386 677,635 1,361,467 678,494 682,973
130000 LA LIBERTAD 1,938,501 960,375 978,126 1,979,901 981,392 998,509 2,016,771 1,000,002 1,016,769
140000 LAMBAYEQUE 1,270,295 617,896 652,399 1,292,105 628,919 663,186 1,310,785 638,228 672,557
150000 LIMA 10,180,641 4,896,065 5,284,576 10,416,139 5,014,821 5,401,318 10,628,470 5,119,560 5,508,910
160000 LORETO 1,000,350 517,162 483,188 1,015,212 524,761 490,451 1,027,559 531,000 496,559
170000 MADRE DE DIOS 161,324 91,398 69,926 167,674 94,873 72,801 173,811 98,215 75,596
180000 MOQUEGUA 186,371 99,046 87,325 189,781 101,115 88,666 192,740 102,855 89,885
190000 PASCO 271,704 139,919 131,785 272,157 140,270 131,887 271,904 140,252 131,652
200000 PIURA 1,974,368 990,086 984,282 2,013,517 1,012,062 1,001,455 2,047,954 1,030,975 1,016,979
210000 PUNO 1,236,836 610,930 625,906 1,239,022 612,053 626,969 1,237,997 611,616 626,381
220000 SAN MARTÍN 866,861 458,280 408,581 884,283 466,947 417,336 899,648 474,458 425,190
230000 TACNA 354,644 178,967 175,677 363,205 183,826 179,379 370,974 188,152 182,822
240000 TUMBES 241,321 130,103 111,218 246,699 133,059 113,640 251,521 135,675 115,846
250000 UCAYALI 558,767 291,777 266,990 574,509 300,045 274,464 589,110 307,596 281,514
Notas:
1
Datos obtenidos del Instituto Nacional de Estadı́stica e Informática - INEI
2
Referencia para el cálculo de la prevalencia de Diabetes Mellitus, según total poblacional estimado
48
Anexo B2: Número de habitantes por cada médico según departamento 2010-
2020
Figura B2.1
Número de habitantes por cada médico según departamento 2010-2020
Departamento 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Total 508 489 468 451 432 418 406 394 383 373 362
Amazonas 2 079 1 987 1 893 1 793 1 741 1 710 1 659 1 636 1 596 1 599 1 569
Áncash 1 150 1 054 962 907 837 824 792 763 733 711 687
Apurímac 1 394 1 311 1 237 1 154 1 047 971 925 894 883 875 881
Arequipa 295 287 277 270 262 254 252 247 242 240 237
Ayacucho 1 907 1 847 1 748 1 647 1 550 1 495 1 466 1 435 1 402 1 393 1 331
Cajamarca 2 473 2 321 2 168 2 057 1 914 1 789 1 723 1 635 1 569 1 510 1 464
Prov. Const. del Callao 439 435 433 434 433 437 445 454 466 477 492
Cusco 799 748 707 670 627 592 558 530 501 478 458
Huancavelica 1 926 1 787 1 618 1 520 1 426 1 348 1 272 1 238 1 210 1 186 1 152
Huánuco 1 717 1 578 1 494 1 393 1 310 1 181 1 098 1 031 970 904 862
Ica 463 461 450 437 428 423 421 415 420 413 410
Junín 1 028 939 869 816 781 740 697 673 637 605 583
La Libertad 564 535 495 462 428 400 376 353 334 317 305
Lambayeque 648 620 589 554 530 502 481 456 434 412 392
Lima 270 263 255 249 241 237 232 228 224 219 215
Loreto 1 291 1 219 1 157 1 101 1 061 998 967 960 942 931 916
Madre de Dios 965 935 908 910 847 826 814 820 840 860 882
Moquegua 620 597 575 567 554 547 552 552 560 552 546
Pasco 1 553 1 447 1 325 1 259 1 216 1 168 1 091 1 080 1 029 969 996
Piura 1 207 1 169 1 125 1 084 1 034 964 912 883 843 809 770
Puno 1 528 1 424 1 311 1 208 1 085 987 914 837 786 734 689
San Martín 1 977 1 924 1 847 1 783 1 712 1 672 1 661 1 605 1 548 1 541 1 428
Tacna 461 428 401 380 355 336 327 316 314 301 297
Tumbes 1 237 1 189 1 158 1 136 1 080 1 057 1 063 1 053 1 054 1 077 1 066
Ucayali 1 548 1 491 1 428 1 351 1 245 1 225 1 152 1 101 1 064 1 006 937
49
Anexo C: Tablas Estadı́sticas
50
Tabla C.1
Perú: prevalencia de casos diagnosticados de DM según sexo por ámbito geográfico, 2019
Sexo
Prevalencia global
Ámbito geográfico Mujer Hombre estimada
*Nota: valores expresados como número total de casos por cada 100 habitantes en el ámbito geográfico
51
Tabla C.2
Distribución estimada de casos diagnosticados de DM según sexo por ámbito geográfico
Sexo
Totales
Ámbito geográfico Mujer Hombre
N % N % N %
*Nota: la densidad total de casos diagnosticados de Diabetes Mellitus absolutos se obtubieron con