Taller 1_html
Bolívar Solano
2024-08-14
1.Diagrama de barras - Estadística descriptiva univariante
¿Cuáles son los meses (o mes) (días) con mayor incendios?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(highcharter)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo# Suponiendo que tienes un data frame llamado "incendios" con las columnas "month" y "day"
# Agrupar los datos por mes y contar la frecuencia de incendios
datos_agrupados <- data %>%
group_by(month) %>%
summarise(conteo = n())
# Encontrar el mes con más incendios
mes_maximo <- datos_agrupados %>%
slice_max(conteo) %>%
pull(month)
# Crear el gráfico de barras, resaltando el mes con más incendios
hchart(datos_agrupados, "column", hcaes(x = month, y = conteo)) %>%
hc_title(text = paste("Mes con más incendios:", mes_maximo)) %>%
hc_xAxis(title = list(text = "Mes")) %>%
hc_yAxis(title = list(text = "Número de Incendios")) %>%
hc_colors(c("gray", "red")) %>% # Cambiar el color del mes con más incendios
hc_plotOptions(column = list(
colorByPoint = TRUE,
dataLabels = list(enabled = TRUE)
))Solución: Implementar (especialmente antes del mes de agosto) una gestión integral de los bosques, incluyendo quemas controladas, desbroce selectivo y creación de cortafuegos, combinada con una mayor inversión en sistemas de alerta temprana y equipos de respuesta rápida.
2.Diagrama de barras - Estadística descriptiva univariante
¿Cuál es la frecuencia de los incendios forestales en meses y días?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(dplyr)
library(highcharter)
# Suponiendo que tienes un data frame llamado "incendios" con las columnas "month" y "day"
# Agrupar los datos por mes y día, contando la frecuencia de incendios
datos_agrupados <- data %>%
group_by(month, day) %>%
summarise(conteo = n())## `summarise()` has grouped output by 'month'. You can override using the
## `.groups` argument.# Encontrar el mes con menos incendios y el día con más incendios (ejemplo)
mes_min <- datos_agrupados %>%
group_by(month) %>%
summarise(total = sum(conteo)) %>%
arrange(total) %>%
slice(1) %>%
pull(month)
dia_max <- datos_agrupados %>%
group_by(day) %>%
summarise(total = sum(conteo)) %>%
arrange(desc(total)) %>%
slice(1) %>%
pull(day)
# Crear el gráfico de barras apiladas, resaltando el mes y día
hchart(datos_agrupados, "column", hcaes(x = month, y = conteo, group = day)) %>%
hc_title(text = "Frecuencia de Incendios Forestales por Mes y Día") %>%
hc_subtitle(text = paste("Menos incendios en", mes_min, ", más incendios los", dia_max)) %>%
hc_xAxis(title = list(text = "Mes")) %>%
hc_yAxis(title = list(text = "Número de Incendios")) %>%
hc_legend(title = list(text = "Día de la Semana")) %>%
hc_plotOptions(column = list(
dataLabels = list(enabled = TRUE)
)) %>%
hc_xAxis(
plotLines = list(
list(color = 'red', width = 2, value = which(unique(datos_agrupados$month) == mes_min),
label = list(text = paste("Menos incendios en", mes_min)))
)
)Solución: Considerando la frecuencia de incendios los domingos en agosto propongo: “Refuerzo de Vigilancia y Respuesta los Domingos”. 1. Aumento de personal, 2. Mayor Presencia de Equipos y 3. Patrullas Específicas.
3.Diagrama de dispersión - Estadística descriptiva bivariante
¿Cuánto es el área quemada del bosque en el año y máximos vientos en el año?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(dplyr)
library(highcharter)
# Cargar los datos
forestfires <- read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
# Estadística descriptiva bivariante
summary(forestfires[, c("area", "wind")])## area wind
## Min. : 0.00 Min. :0.400
## 1st Qu.: 0.00 1st Qu.:2.700
## Median : 0.52 Median :4.000
## Mean : 12.85 Mean :4.018
## 3rd Qu.: 6.57 3rd Qu.:4.900
## Max. :1090.84 Max. :9.400cor(forestfires$area, forestfires$wind)## [1] 0.01231728# Diagrama de dispersión interactivo con highcharter
highchart() %>%
hc_add_series(data = forestfires, type = "scatter", hcaes(x = wind, y = area)) %>%
hc_title(text = "Relación entre Área Quemada y Velocidad Máxima del Viento") %>%
hc_xAxis(title = list(text = "Velocidad Máxima del Viento (km/h)")) %>%
hc_yAxis(title = list(text = "Área Quemada (ha)")) %>%
hc_tooltip(valueSuffix = " ha",
crosshairs = TRUE) %>%
hc_colors(c("#336699", "#FF6633")) # Personalizamos los coloresSolución: Priorizar la contención del perímetro del incendio, empleando cortafuegos naturales y artificiales, y reforzando las líneas de defensa con equipos especializados y retardantes de llama, adaptándose a la dirección y velocidad del viento para minimizar su impacto en áreas pobladas y ecosistemas sensibles.
4.Diagrama de dispersión - Estadística descriptiva bivariante
¿Cuál sería la relación entre la temperatura y humedad relativa máximas?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(readr)
library(dplyr)
library(highcharter)
# Cargar los datos
data <- read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
# Exploración inicial de los datos
head(data)## X Y month day FFMC DMC DC ISI temp RH wind rain area
## 1 7 5 mar fri 86.2 26.2 94.3 5.1 8.2 51 6.7 0.0 0
## 2 7 4 oct tue 90.6 35.4 669.1 6.7 18.0 33 0.9 0.0 0
## 3 7 4 oct sat 90.6 43.7 686.9 6.7 14.6 33 1.3 0.0 0
## 4 8 6 mar fri 91.7 33.3 77.5 9.0 8.3 97 4.0 0.2 0
## 5 8 6 mar sun 89.3 51.3 102.2 9.6 11.4 99 1.8 0.0 0
## 6 8 6 aug sun 92.3 85.3 488.0 14.7 22.2 29 5.4 0.0 0summary(data)## X Y month day
## Min. :1.000 Min. :2.0 Length:517 Length:517
## 1st Qu.:3.000 1st Qu.:4.0 Class :character Class :character
## Median :4.000 Median :4.0 Mode :character Mode :character
## Mean :4.669 Mean :4.3
## 3rd Qu.:7.000 3rd Qu.:5.0
## Max. :9.000 Max. :9.0
## FFMC DMC DC ISI
## Min. :18.70 Min. : 1.1 Min. : 7.9 Min. : 0.000
## 1st Qu.:90.20 1st Qu.: 68.6 1st Qu.:437.7 1st Qu.: 6.500
## Median :91.60 Median :108.3 Median :664.2 Median : 8.400
## Mean :90.64 Mean :110.9 Mean :547.9 Mean : 9.022
## 3rd Qu.:92.90 3rd Qu.:142.4 3rd Qu.:713.9 3rd Qu.:10.800
## Max. :96.20 Max. :291.3 Max. :860.6 Max. :56.100
## temp RH wind rain
## Min. : 2.20 Min. : 15.00 Min. :0.400 Min. :0.00000
## 1st Qu.:15.50 1st Qu.: 33.00 1st Qu.:2.700 1st Qu.:0.00000
## Median :19.30 Median : 42.00 Median :4.000 Median :0.00000
## Mean :18.89 Mean : 44.29 Mean :4.018 Mean :0.02166
## 3rd Qu.:22.80 3rd Qu.: 53.00 3rd Qu.:4.900 3rd Qu.:0.00000
## Max. :33.30 Max. :100.00 Max. :9.400 Max. :6.40000
## area
## Min. : 0.00
## 1st Qu.: 0.00
## Median : 0.52
## Mean : 12.85
## 3rd Qu.: 6.57
## Max. :1090.84# Calcular la temperatura máxima y la humedad relativa máxima
temp_max <- max(data$temp)
humedad_max <- max(data$RH)
# Crear un gráfico de dispersión usando highcharter
highchart() %>%
hc_add_series(data = data, type = "scatter", hcaes(x = temp, y = RH)) %>%
hc_title(text = "Relación entre Temperatura y Humedad Relativa") %>%
hc_subtitle(text = "Incendios Forestales") %>%
hc_xAxis(title = list(text = "Temperatura (°C)")) %>%
hc_yAxis(title = list(text = "Humedad Relativa (%)"))# Mostrar los resultados
cat("La temperatura máxima en grados Celsius es:", temp_max, "\n")## La temperatura máxima en grados Celsius es: 33.3cat("La humedad relativa máxima es:", humedad_max, "%\n")## La humedad relativa máxima es: 100 %Solución: En una situación hipotética de incendio con temperatura máxima de 5.2°C y humedad relativa del 100%, la estrategia de combate se centraría principalmente en eliminar la fuente de ignición y monitorear de cerca la evolución del fuego, aprovechando las condiciones de alta humedad para controlar la propagación.
5. Gráfica de diagramas de dispersión - Estadística descriptiva multivariante
¿Cuál sería la correlación entre la temperatura, humedad relativa, velocidad de viento y lluvia máximos en el año?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(readr)
library(dplyr)
library(highcharter)
library(GGally) # Para la matriz de diagramas de dispersión## Cargando paquete requerido: ggplot2## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2# Cargar los datos
data <- read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
# Encontrar los valores máximos
max_temp <- max(data$temp)
max_RH <- max(data$RH)
max_wind <- max(data$wind)
max_rain <- max(data$rain, na.rm = TRUE)
# Crear una matriz de diagramas de dispersión usando GGally
ggpairs(data[, c("temp", "RH", "wind", "rain")],
title = "Matriz de Diagramas de Dispersión")
# Mostrar los valores máximos
cat("Temperatura máxima:", max_temp, "°C\n")## Temperatura máxima: 33.3 °Ccat("Humedad relativa máxima:", max_RH, "%\n")## Humedad relativa máxima: 100 %cat("Velocidad del viento máxima:", max_wind, "km/h\n")## Velocidad del viento máxima: 9.4 km/hcat("Lluvia máxima:", max_rain, "mm\n")## Lluvia máxima: 6.4 mmSolución: Basándonos en este análisis, una estrategia práctica para prevenir y combatir incendios forestales sería implementar un sistema de alerta temprana que combine datos meteorológicos en tiempo real (temperatura, humedad, velocidad del viento y probabilidad de precipitación) con información sobre la vegetación y el historial de incendios, para identificar áreas de alto riesgo y tomar medidas preventivas y de respuesta oportunas.
6. Gráfica de correlación - Estadística descriptiva multivariante
¿Cuál sería la correlación entre la temperatura, humedad relativa, velocidad de viento y lluvia máximos en el año?
#Comando para cargar los datos en R desde internet
data=read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
library(readr)
library(dplyr)
library(highcharter)
library(corrplot) # Para visualizar la matriz de correlación## corrplot 0.92 loaded# Cargar los datos
data <- read.csv("https://raw.githubusercontent.com/geovannychoez/prueba/master/forestfires.csv")
# Encontrar los valores máximos
max_temp <- max(data$temp)
max_RH <- max(data$RH)
max_wind <- max(data$wind)
max_rain <- max(data$rain, na.rm = TRUE)
# Calcular la matriz de correlación
correlation_matrix <- cor(data[, c("temp", "RH", "wind", "rain")], method = "pearson")
# Visualizar la matriz de correlación con highcharter
corrplot(correlation_matrix, method = "circle", type = "upper", order = "hclust",
tl.col = "black", tl.srt = 45)
# Mostrar los valores máximos
cat("Temperatura máxima:", max_temp, "°C\n")## Temperatura máxima: 33.3 °Ccat("Humedad relativa máxima:", max_RH, "%\n")## Humedad relativa máxima: 100 %cat("Velocidad del viento máxima:", max_wind, "km/h\n")## Velocidad del viento máxima: 9.4 km/hcat("Lluvia máxima:", max_rain, "mm\n")## Lluvia máxima: 6.4 mmSolución: Desarrollar un sistema de alerta temprana basado en modelos predictivos que integren datos meteorológicos históricos y en tiempo real, junto con información sobre la vegetación y el uso del suelo, para identificar las áreas de mayor riesgo de incendios y tomar medidas de prevención y respuesta oportunas.