Temperatura JP x CG

climas = read_csv(here::here("data/clima_cg_jp-semanal.csv"), 
                  col_types = "cTdddddd")

glimpse(climas)

Rows: 2,748
Columns: 8
$ cidade <chr> "Campina Grande", "Campina Grande", "Campina Grande", "Campina Grande", "C…
$ semana <dttm> 1992-12-27, 1993-01-03, 1993-01-10, 1993-01-31, 1993-02-07, 1993-02-14, 1…
$ tmedia <dbl> 26.13333, 26.11905, 25.76667, 25.74000, 26.31429, 26.28571, 26.47143, 26.5…
$ tmax   <dbl> 30.4, 32.4, 32.2, 32.0, 32.7, 32.7, 32.3, 32.3, 32.1, 31.2, 32.2, 31.7, 32…
$ tmin   <dbl> 20.7, 19.3, 19.7, 19.9, 19.6, 20.0, 20.4, 21.2, 19.0, 19.0, 19.3, 19.9, 19…
$ chuva  <dbl> 0.0, 0.0, 0.0, 0.4, 0.3, 0.0, 4.9, 0.0, 0.0, 6.1, 0.4, 1.2, 0.0, 1.6, 0.0,…
$ mes    <dbl> 12, 1, 1, 1, 2, 2, 2, 2, 10, 11, 11, 11, 11, 12, 12, 12, 12, 1, 1, 1, 1, 1…
$ ano    <dbl> 1992, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 19…

Calcular a temperatura da semana anterior em cada linha

climas = climas %>% 
  mutate(tanterior = lag(tmedia, n = 1)) 

Q1: Qual a cidade é mais quente? Isso muda se considerarmos apenas o período de janeiro e fevereiro (pico do verão)?

climas %>% 
  group_by(cidade) %>% 
  ggplot(aes(x = cidade, y = tmedia)) + 
  geom_boxplot()

Utilizando boxplots para uma visualização geral de máximos, mínimos, mediana e quartis, pudemos observar que pelo menos 75% das amostras de temperatura média para a cidade de João Pessoa durante todo o período são maiores do que pelo menos 75% das amostras de temperatura média para a cidade de Campina Grande, o que nos leva a concluir que João Pessoa é a cidade mais quente.

Já se considerarmos apenas o período de Janeiro e Fevereiro:

climas %>%
    filter(mes %in% c("1", "2")) %>%
    group_by(cidade) %>%
    ggplot(aes(x = cidade, y = tmedia)) + 
    geom_boxplot()

Para este caso, o resultado fica ainda mais ainda mais consagrado, tendo em vista que 100% dos valores de temperatura (desconsiderando os outliers) para a cidade de João Pessoa são maiores que pelo menos 75% dos valores de temperatura para a cidade de Campina Grande. Outra métrica é que 75% dos valores de temperatura média para a cidade de João Pessoa são maiores que todos os dados de temperatura média para a cidade de Campina Grande.

Q2: Quais os meses mais quentes e mais frios? Como você descreveria a temperatura das festas juninas das cidades nos últimos anos?

climas %>% 
    mutate(mes = as.character(mes)) %>%
    group_by(mes) %>% 
    ggplot(aes(x = reorder(mes, tmedia, median), y = tmedia)) + 
    geom_boxplot()

Utilizando boxplots para visualização descritiva dos dados, ordenando pela mediana, percebe-se que o mês mais quente do ano é Fevereiro e o mês mais frio é Julho. A temperatura nas festas juninas são as menos registradas, visto que as festas geralmente ocorrem nos meses Junho e Julho, os mesmos que apresentam as medianas mais baixas.

Q3: Quanto chove por semana em JP e CG? Descreva a distribuição do volume de chuvas para as cidades?

Utilizando histograma para uma melhor análise da distribuição:

hist_chuva_cg = climas %>%
    filter(cidade == "Campina Grande") %>% 
    ggplot(aes(x = chuva)) + 
    ggtitle("Chuvas em Campina Grande") + 
    geom_histogram(binwidth = 10, color = "#F6511D", fill = "white")


hist_chuva_jp = climas %>%
    filter(cidade == "João Pessoa") %>% 
    ggplot(aes(x = chuva)) + 
    ggtitle("Chuvas em João Pessoa") +
    geom_histogram(binwidth = 10, color = "#F6511D", fill = "white")

grid.arrange(hist_chuva_cg, hist_chuva_jp, ncol = 2)

Vemos que a chuva segue uma distribuição normal assimétrica a direita com viés positivo para as duas cidades. Em média, quanto chove nas cidades é:

Campina Grande:

climas %>% filter(cidade == "Campina Grande") %>% .$chuva %>% mean()

[1] 13.9973

João Pessoa:

climas %>% filter(cidade == "João Pessoa") %>% .$chuva %>% mean()

[1] 32.64849

Q4: Qual a relação entre a temperatura de uma semana e a temperatura da semana anterior (descreva para as duas cidades)?

Campina Grande

Primeiro vamos observar a distribuição da temperatura e o comportamento:

hist_temp_cg = climas %>%
    filter(cidade == "Campina Grande") %>% 
    ggplot(aes(x = tmedia)) + 
    ggtitle("Histograma temperatura CG") + 
    geom_histogram(binwidth = .5, color = "#F6511D", fill = "white")

temp_cg = climas %>%
    filter(cidade == "Campina Grande") %>% 
    ggplot(aes(x=semana, y=tmedia)) + 
    ggtitle("Temperatura média em CG") +
    geom_point() +
    theme_void()

grid.arrange(hist_temp_cg, temp_cg, ncol = 2)

Observamos que apesar dos dados seguirem uma distribuição semelhante a normal com assimetria, os dados possuem característica não-linear, o que torna o uso de Pearson para correlação não recomendado. Sendo assim, utilizando Spearman e Kendall:

climas %>% filter(cidade == "Campina Grande") %>% summarise(
    spearman = cor(tmedia, tanterior, method = "spearman", use="complete.obs"), 
    kendall = cor(tmedia, tanterior, method = "kendall", use="complete.obs")
)

Utilizando o coeficiente de spearman temos uma relação forte e utilizando Kendall temos uma relação moderada.

João Pessoa

Primeiro vamos observar a distribuição da temperatura e o comportamento:

hist_temp_jp = climas %>%
    filter(cidade == "João Pessoa") %>% 
    ggplot(aes(x = tmedia)) + 
    ggtitle("Histograma temperatura JP") + 
    geom_histogram(binwidth = .5, color = "#F6511D", fill = "white")

temp_jp = climas %>%
    filter(cidade == "João Pessoa") %>% 
    ggplot(aes(x=semana, y=tmedia)) + 
    ggtitle("Temperatura média em JP") +
    geom_point() +
    theme_void()

grid.arrange(hist_temp_jp, temp_jp, ncol = 2)

Observamos que apesar dos dados seguirem uma distribuição semelhante a normal com assimetria, os dados possuem característica não-linear, o que torna o uso de Pearson para correlação não recomendado. Sendo assim, utilizando Spearman e Kendall:

climas %>% filter(cidade == "João Pessoa") %>% summarise(
    spearman = cor(tmedia, tanterior, method = "spearman", use="complete.obs"), 
    kendall = cor(tmedia, tanterior, method = "kendall", use="complete.obs")
)

O resultado foi semelhante ao de Campina Grande. Utilizando o coeficiente de spearman temos uma relação forte e utilizando Kendall temos uma relação moderada.

Q5: Qual a relação entre temperatura e chuvas nas semanas em que choveu (descreva para as duas cidades)?

Campina Grande

Primeiro vamos plotar a curva temperatura x chuva:

climas %>% filter(cidade == "Campina Grande" & chuva > 0) %>%
    ggplot(aes(x=chuva, y=tmedia)) +
    geom_point()

Devido a característica não-linear, utilizaremos os métodos de correlação de Spearman e Kendall:

climas %>% filter(cidade == "Campina Grande" & chuva > 0) %>% summarise(
    spearman = cor(tmedia, chuva, method = "spearman", use="complete.obs"), 
    kendall = cor(tmedia, chuva, method = "kendall", use="complete.obs")
)

A relação entre temperatura e chuvas para a cidade de Campina Grande é fraca.

João Pessoa

Primeiro vamos plotar a curva temperatura x chuva:

climas %>% filter(cidade == "João Pessoa" & chuva > 0) %>%
    ggplot(aes(x=chuva, y=tmedia)) +
    geom_point()

Devido a característica não-linear, utilizaremos os métodos de correlação de Spearman e Kendall:

climas %>% filter(cidade == "João Pessoa" & chuva > 0) %>% summarise(
    spearman = cor(tmedia, chuva, method = "spearman", use="complete.obs"), 
    kendall = cor(tmedia, chuva, method = "kendall", use="complete.obs")
)

A relação entre temperatura e chuvas para a cidade de João Pessoa é fraca.