Proyecto Geoestadística
Descripción de los datos
Los datos utilizados en este proyecto fueron obtenidos del Portal de datos abiertos del Ayuntamiento de Madrid Se emplearon registros correspondientes al año 2023, recopilados por un total de 26 estaciones meteorológicas distribuidas en la ciudad. Las variables disponibles en el conjunto de datos son las siguientes:
La primera variable analizada en este estudio es la temperatura, correspondiente al día 1 de enero de 2023. Cabe destacar que no todas las estaciones meteorológicas de Madrid registran información sobre esta variable; en total, 24 estaciones reportaron datos de temperatura para esa fecha.
https://datos.madrid.es/egob/catalogo/300351-12-meteorologicos-diarios.csv
Gráficos de interacción
Matriz de Correlación
| Este | Norte | Temperatura | |
|---|---|---|---|
| Este | 1.00 | -0.26 | 0.19 |
| Norte | -0.26 | 1.00 | -0.09 |
| Temperatura | 0.19 | -0.09 | 1.00 |
Gráfico Interactivo de Tendencia con Ploty
Regresión
| Métrica | Valor |
|---|---|
| R² | 0.322 |
| R² Ajustado | 0.134 |
Algo interesante resultó significativo con un alpha mayor a 0.5. sin embargo el y el ajustado dieron pequeños podemos decir que no se detectó una tendencia ni lineal ni polinomica en la regresión.
Un resultado interesante es que el término \(Este^2\) resultó significativo incluso con un nivel de significancia relativamente alto (α>0,5> 0) Sin embargo, tanto el \(R^2\) como el \(R^2\) ajustado fueron bajos, lo que sugiere que no se logró detectar una tendencia clara, ni lineal ni polinómica.
| Grados de Libertad | Suma de Cuadrados | Media Cuadrática | Estadístico F | Valor P | |
|---|---|---|---|---|---|
| Este | 1 | 1.939 | 1.939 | 0.922 | 0.350 |
| Norte | 1 | 0.080 | 0.080 | 0.038 | 0.847 |
| I(Este^2) | 1 | 10.683 | 10.683 | 5.080 | 0.037 |
| I(Norte^2) | 1 | 0.814 | 0.814 | 0.387 | 0.542 |
| Este:Norte | 1 | 4.490 | 4.490 | 2.135 | 0.161 |
| Residuals | 18 | 37.854 | 2.103 | NA | NA |
Visualización Espacial
Para esta visualización, se identificó que dos estaciones meteorológicas compartían exactamente las mismas coordenadas espaciales con otras dos estaciones, a pesar de registrar valores distintos de temperatura. Para evitar problemas en el análisis geoestadístico, se optó por modificar ligeramente sus ubicaciones, desplazándolas a puntos cercanos a su posición original.
Variograma
variog: computing omnidirectional variogram
Estimación de la semivarianza
Como podermos ver en el siguiente gráfico los mejores candidatos respecto a nuestro semivariograma son el modelo wave, exponencial, y gaussiano.
¿Anisotropía?
A continuación se muestra graficos del semivariograma a diferentes angulos para observar patrones en diferentes direcciones
En el los gráficos de 0° y de 195° no podemos identificar patrones, es similar a un ruido blanco.
En los gráficos de 45° y 90° se puede identificar patrones crecientes.
Conclusión hay anisotropía
variog: computing variogram for direction = 0 degrees (0 radians)
tolerance angle = 22.5 degrees (0.393 radians)variog: computing variogram for direction = 45 degrees (0.785 radians)
tolerance angle = 22.5 degrees (0.393 radians)variog: computing variogram for direction = 90 degrees (1.571 radians)
tolerance angle = 22.5 degrees (0.393 radians)variog: computing variogram for direction = 135 degrees (2.356 radians)
tolerance angle = 22.5 degrees (0.393 radians)