## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'dia_de_semana'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'dia_de_semana'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'punto_inicio.factor'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'mov_inicial.factor'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'tipo_de_punto'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'tipo_de_punto'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED', 'tipo_de_punto'. You can
## override using the `.groups` argument.
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
##cantidad de minutos en formato horas
horasxpunto<-boxpuntos %>%
group_by(MICRORED,tipo_de_punto) %>%
summarise(horas_sum = sum(total_horas, na.rm = TRUE))
## `summarise()` has grouped output by 'MICRORED'. You can override using the
## `.groups` argument.
horasxpunto$horas <- paste(floor(horasxpunto$horas_sum / 60))
horasxpunto<-left_join(horasxpunto, pob,by="MICRORED")
horasxpunto<-merge(horasxpunto,perrosmean, by=c("MICRORED","tipo_de_punto"))
horasxpunto<-horasxpunto %>% mutate(cobertura = ( vacunados/VACCINATED_DOGS) * 100)
horasxpunto$horas<-as.numeric(horasxpunto$horas)
#plot covertura y horas por tipo de punto
ggplot(horasxpunto, aes(x = horas, y = cobertura)) +
geom_point(alpha= 0.7, aes(color=tipo_de_punto, size=vacunados))+
scale_size_continuous("Perros Vacunados",
range = c(0, 20),
breaks = seq(0, 10000, by = 1000), # Define los valores de escala que deseas
labels = c(0, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 9000, 10000))+
labs(title = "Cobertura de Perros Vacunados",
x = "Horas de vacunación",
y = "Cobertura vacunación") +
theme_bw()+scale_y_continuous(limits = c(0, 40), breaks = seq(0, 100, by = 5))+
scale_x_continuous(limits = c(0, 600), breaks = seq(0, 600, by = 25))+
theme(plot.title = element_text(size = 16),
axis.text.x = element_text( size = 13),axis.title.x = element_text(size = 18))+
theme(axis.text.y = element_text( size = 13),axis.title.y = element_text(size = 18),
legend.text = element_text(size = 14),
legend.title = element_text(size = 15)) +
geom_text_repel(aes(label = MICRORED),size=2.6)
#plot horas y perros vacunados por tipo de punto
ggplot(horasxpunto, aes(x = horas, y = vacunados)) +
geom_point(alpha= 0.6, aes(color=tipo_de_punto, size=cobertura))+
scale_size_continuous("Cobertura de
Vacunación",
range = c(0, 10),
breaks = seq(0, 35, by = 5),
labels = c(0, 5, 10, 15, 20, 25, 30, 35))+
labs(title = "Perros Vacunados por tipo de punto",
x = "Horas de vacunación",
y = "Perros vacunados") +
theme_bw()+scale_y_continuous(limits = c(0, 12000), breaks = seq(0, 12000, by = 1000))+
scale_x_continuous(limits = c(0, 600), breaks = seq(0, 600, by = 50))+
theme(plot.title = element_text(size = 16),
axis.text.x = element_text( size = 15),axis.title.x = element_text(size = 18))+
theme(axis.text.y = element_text( size = 15),axis.title.y = element_text(size = 18),
legend.text = element_text(size = 14),
legend.title = element_text(size = 15)) +
geom_text_repel (aes(label = MICRORED), size=2.6)
####regresion para ver relacion entre tipo de punto, horas en campo y los perros vacunados####
horasindividual<-select(boxpuntos, id,tipo_de_punto,horas,total_horas,MICRORED, date)
pfii <- pfi %>% rename( vacunados=perros_punto_fijo)
pmii <- pmi %>% rename( vacunados=perros_punto_movil)
pppi <- ppp %>% rename( vacunados=perros_punto_puerta)
coverindividual<-rbind(pfii,pmii,pppi)
coverindividual<-select(coverindividual, id,tipo_de_punto,MICRORED,
date,vacunados,VACCINATED_DOGS)
modvac<-left_join(horasindividual,coverindividual,by=c("id","MICRORED","date","tipo_de_punto") )
#plot individual por tipo de punto y perros vacunados
ggplot(modvac)+
geom_point(aes(x= total_horas, y=vacunados,color=tipo_de_punto),alpha=0.7)+
theme_bw() + labs(title = "Perros Vacunados por tiempo de vacunación",
x = "Minutos de vacunación",
y = "Perros vacunados")+
scale_x_continuous(limits = c(0, 400), breaks = seq(0, 400, by = 25))+
scale_y_continuous(limits = c(0, 200), breaks = seq(0, 200, by = 25))
# Crear el gráfico interactivo con etiquetas
plot_ly(modvac, x = ~total_horas, y = ~vacunados, text = ~id, mode = "markers",
color = ~tipo_de_punto, alpha = 0.8,
marker = list(size = 6, color = "grey50"))
## No trace type specified:
## Based on info supplied, a 'scatter' trace seems appropriate.
## Read more about this trace type -> https://plotly.com/r/reference/#scatter
#histograma vacunados
par(mfrow=c(1,2))
hist(modvac$vacunados)
hist(modvac$total_horas)
##difrencia entre puntos moviles, puerta a puerta y fijos
kruskal.test(vacunados ~ tipo_de_punto, data=modvac)
##
## Kruskal-Wallis rank sum test
##
## data: vacunados by tipo_de_punto
## Kruskal-Wallis chi-squared = 37.753, df = 2, p-value = 6.341e-09
pairwise.wilcox.test(modvac$vacunados, modvac$tipo_de_punto, p.adjust.method = "bonferroni")
##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: modvac$vacunados and modvac$tipo_de_punto
##
## fijo movil
## movil 2.6e-09 -
## puerta 1 1
##
## P value adjustment method: bonferroni
#modelos
#binomial negativa
modelbn<-glm.nb(vacunados ~ total_horas * tipo_de_punto, data=modvac)
summary(modelbn)
##
## Call:
## glm.nb(formula = vacunados ~ total_horas * tipo_de_punto, data = modvac,
## init.theta = 3.469971808, link = log)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -4.7945 -0.7718 -0.1276 0.4510 6.0659
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.5465880 0.0539004 47.246 < 2e-16 ***
## total_horas 0.0057514 0.0002252 25.541 < 2e-16 ***
## tipo_de_puntomovil 0.5473470 0.0941790 5.812 6.18e-09 ***
## tipo_de_puntopuerta 1.0356208 0.4041542 2.562 0.0104 *
## total_horas:tipo_de_puntomovil -0.0015732 0.0003957 -3.976 7.02e-05 ***
## total_horas:tipo_de_puntopuerta -0.0039712 0.0019612 -2.025 0.0429 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for Negative Binomial(3.47) family taken to be 1)
##
## Null deviance: 2312.2 on 1398 degrees of freedom
## Residual deviance: 1573.5 on 1393 degrees of freedom
## AIC: 13085
##
## Number of Fisher Scoring iterations: 1
##
##
## Theta: 3.470
## Std. Err.: 0.145
##
## 2 x log-likelihood: -13070.714
par(mfrow=c(2,2))
plot(modelbn)
exp(modelbn$coefficients)
## (Intercept) total_horas
## 12.7634799 1.0057680
## tipo_de_puntomovil tipo_de_puntopuerta
## 1.7286609 2.8168544
## total_horas:tipo_de_puntomovil total_horas:tipo_de_puntopuerta
## 0.9984280 0.9960367