Carga de Datos y Librerías Preparación de la Variable
Distribución de Probabilidad ▼
3.1 Frecuencia absoluta 3.2 Probabilidad 3.3 Probabilidad acumulada
Tabla de Distribución ▼
4.1 Tabla simple 4.2 Tabla de presentación
Gráficas ▼
5.1 Distribución de probabilidad 5.2 Distribución acumulada
Estadística Inferencial ▼
6.1 Proporciones observadas 6.2 Intervalos de confianza 6.3 Tabla de resultados
Cálculo de Probabilidades ▼
7.1 Probabilidad observada 7.2 Intervalo de confianza 7.3 Interpretación
Conclusión

1. CARGA DE DATOS Y LIBRERÍAS

# ==========================================
# Carga de librerías
# ==========================================

library(dplyr)
library(readxl)
library(gt)

# ==========================================
# Carga de la base de datos
# ==========================================

datos <- read_excel(

  "datos_deslizamientos.xlsx"

)

# ==========================================
# Visualización inicial de la base de datos
# ==========================================

str(datos)
## tibble [11,033 × 31] (S3: tbl_df/tbl/data.frame)
##  $ source_name              : chr [1:11033] "AGU" "Oregonian" "CBS News" "Reuters" ...
##  $ source_link              : chr [1:11033] "https://blogs.agu.org/landslideblog/2008/10/14/the-lifan-landslide-from-natural-disaster-to-cover-up/" "http://www.oregonlive.com/news/index.ssf/2009/01/landslide_plows_through_lake_o.html" "https://www.cbsnews.com/news/dozens-missing-after-peru-landslides/" "https://in.reuters.com/article/idINIndia-41450420090731" ...
##  $ event_id                 : num [1:11033] 684 956 973 1067 2603 ...
##  $ event_date               : POSIXct[1:11033], format: "2008-08-01" "2008-08-02" ...
##  $ HORA                     : chr [1:11033] "00:00:00" "02:00:00" "00:00:00" "00:00:00" ...
##  $ event_title              : chr [1:11033] "Sigou Village, Loufan County, Shanxi Province" "Lake Oswego, Oregon" "San Ramon district, 195 miles northeast of the capital, Lima," "Dailekh district" ...
##  $ event_description        : chr [1:11033] "occurred early in morning, 11 villagers buried in 7 houses" "Hours of heavy rain are to blame for an overnight mudslide in Lake Oswego." "(CBS/AP) At least 10 people died and as many as 80 were still missing Wednesday in central Peru after torrentia"| __truncated__ "One person was killed in Dailekh district, police said." ...
##  $ location_description     : chr [1:11033] "Sigou Village, Loufan County, Shanxi Province" "Lake Oswego, Oregon" "San Ramon district, 195 miles northeast of the capital, Lima," "Dailekh district" ...
##  $ location_accuracy        : chr [1:11033] "unknown" "5km" "10km" "unknown" ...
##  $ landslide_category       : chr [1:11033] "landslide" "mudslide" "landslide" "landslide" ...
##  $ landslide_trigger        : chr [1:11033] "rain" "downpour" "downpour" "monsoon" ...
##  $ landslide_size           : chr [1:11033] "large" "small" "large" "medium" ...
##  $ landslide_setting        : chr [1:11033] "mine" "unknown" "unknown" "unknown" ...
##  $ fatality_count           : num [1:11033] 11 0 10 1 0 0 0 3 NA 2 ...
##  $ injury_count             : num [1:11033] NA NA NA NA NA NA NA NA NA NA ...
##  $ storm_name               : chr [1:11033] NA NA NA NA ...
##  $ photo_link               : chr [1:11033] NA NA NA NA ...
##  $ notes                    : chr [1:11033] NA NA NA NA ...
##  $ event_import_source      : chr [1:11033] "glc" "glc" "glc" "glc" ...
##  $ event_import_id          : num [1:11033] 684 956 973 1067 2603 ...
##  $ country_name             : chr [1:11033] "China" "United States" "Peru" "Nepal" ...
##  $ country_code             : chr [1:11033] "CN" "US" "PE" "NP" ...
##  $ admin_division_name      : chr [1:11033] "Shaanxi" "Oregon" "Junín" "Mid Western" ...
##  $ admin_division_population: num [1:11033] 0 36619 14708 20908 798634 ...
##  $ gazeteer_closest_point   : chr [1:11033] "Jingyang" "Lake Oswego" "San Ramón" "Dailekh" ...
##  $ gazeteer_distance        : num [1:11033] 41.021 0.603 0.855 0.754 2.022 ...
##  $ submitted_date           : POSIXct[1:11033], format: "2014-04-01 00:00:00" "2014-04-01 00:00:00" ...
##  $ created_date             : POSIXct[1:11033], format: "2017-11-20 15:17:00" "2017-11-20 15:17:00" ...
##  $ last_edited_date         : POSIXct[1:11033], format: "2018-02-15 15:51:00" "2018-02-15 15:51:00" ...
##  $ longitude                : num [1:11033] 107.5 -122.7 -75.4 81.7 123.9 ...
##  $ latitude                 : num [1:11033] 32.6 45.4 -11.1 28.8 10.3 ...
# ==========================================
# Visualización de las primeras filas
# ==========================================

head(datos)
## # A tibble: 6 × 31
##   source_name         source_link event_id event_date          HORA  event_title
##   <chr>               <chr>          <dbl> <dttm>              <chr> <chr>      
## 1 AGU                 https://bl…      684 2008-08-01 00:00:00 00:0… Sigou Vill…
## 2 Oregonian           http://www…      956 2008-08-02 00:00:00 02:0… Lake Osweg…
## 3 CBS News            https://ww…      973 2008-08-03 00:00:00 00:0… San Ramon …
## 4 Reuters             https://in…     1067 2008-08-04 00:00:00 00:0… Dailekh di…
## 5 The Freeman         http://www…     2603 2008-08-05 00:00:00 12:0… sitio Baki…
## 6 BusinessWorld Onli… http://www…     4203 2008-08-06 00:00:00 00:0… Paguite, A…
## # ℹ 25 more variables: event_description <chr>, location_description <chr>,
## #   location_accuracy <chr>, landslide_category <chr>, landslide_trigger <chr>,
## #   landslide_size <chr>, landslide_setting <chr>, fatality_count <dbl>,
## #   injury_count <dbl>, storm_name <chr>, photo_link <chr>, notes <chr>,
## #   event_import_source <chr>, event_import_id <dbl>, country_name <chr>,
## #   country_code <chr>, admin_division_name <chr>,
## #   admin_division_population <dbl>, gazeteer_closest_point <chr>, …

2. PREPARACIÓN DE LA VARIABLE

2.1 Conversión de la fecha

# ==========================================
# Conversión de la fecha
# ==========================================

event_date <- as.Date(

  datos$event_date

)

str(event_date)
##  Date[1:11033], format: "2008-08-01" "2008-08-02" "2008-08-03" "2008-08-04" "2008-08-05" ...

2.2 Tratamiento de valores faltantes

# ==========================================
# Número de valores faltantes
# ==========================================

NA_antes <- sum(

  is.na(event_date)

)

NA_antes
## [1] 0
# ==========================================
# Eliminación de valores faltantes
# ==========================================

event_date <- event_date[

  !is.na(event_date)

]

# ==========================================
# Verificación posterior
# ==========================================

NA_despues <- sum(

  is.na(event_date)

)

NA_despues
## [1] 0

2.3 Extracción del mes

# ==========================================
# Extracción del mes
# ==========================================

variable_ordinal <- as.numeric(

  format(

    event_date,

    "%m"

  )

)

head(variable_ordinal)
## [1] 8 8 8 8 8 8

2.4 Definición del orden de las categorías

# ==========================================
# Orden cronológico de los meses
# ==========================================

orden_meses <- c(

  "Enero",

  "Febrero",

  "Marzo",

  "Abril",

  "Mayo",

  "Junio",

  "Julio",

  "Agosto",

  "Septiembre",

  "Octubre",

  "Noviembre",

  "Diciembre"

)

orden_meses
##  [1] "Enero"      "Febrero"    "Marzo"      "Abril"      "Mayo"      
##  [6] "Junio"      "Julio"      "Agosto"     "Septiembre" "Octubre"   
## [11] "Noviembre"  "Diciembre"

2.5 Conversión a factor ordenado

# ==========================================
# Conversión del número de mes a nombre
# ==========================================

variable_ordinal <- factor(

  orden_meses[variable_ordinal],

  levels = orden_meses,

  ordered = TRUE

)

str(variable_ordinal)
##  Ord.factor w/ 12 levels "Enero"<"Febrero"<..: 8 8 8 8 8 8 8 8 8 8 ...

2.6 Tamaño de la muestra

# ==========================================
# Número de observaciones válidas
# ==========================================

n <- length(

  variable_ordinal

)

n
## [1] 11033

3. DISTRIBUCIÓN DE PROBABILIDAD

3.1 Frecuencia absoluta

# ==========================================
# Frecuencia absoluta de cada mes
# ==========================================

frecuencia_absoluta <- table(

  variable_ordinal

)

frecuencia_absoluta
## variable_ordinal
##      Enero    Febrero      Marzo      Abril       Mayo      Junio      Julio 
##        945        797        985        841        788        974       1243 
##     Agosto Septiembre    Octubre  Noviembre  Diciembre 
##       1175        896        761        668        960

3.2 Probabilidad

# ==========================================
# Probabilidad simple
# ==========================================

probabilidad_simple <- prop.table(

  frecuencia_absoluta

)

probabilidad_simple
## variable_ordinal
##      Enero    Febrero      Marzo      Abril       Mayo      Junio      Julio 
## 0.08565213 0.07223783 0.08927762 0.07622587 0.07142210 0.08828061 0.11266201 
##     Agosto Septiembre    Octubre  Noviembre  Diciembre 
## 0.10649869 0.08121091 0.06897489 0.06054564 0.08701169
# ==========================================
# Probabilidad porcentual
# ==========================================

probabilidad_porcentaje <- probabilidad_simple * 100

probabilidad_porcentaje
## variable_ordinal
##      Enero    Febrero      Marzo      Abril       Mayo      Junio      Julio 
##   8.565213   7.223783   8.927762   7.622587   7.142210   8.828061  11.266201 
##     Agosto Septiembre    Octubre  Noviembre  Diciembre 
##  10.649869   8.121091   6.897489   6.054564   8.701169

3.3 Construcción de la distribución de probabilidad

# ==========================================
# Tabla de distribución
# ==========================================

tabla_distribucion <- data.frame(

  Categoria = names(frecuencia_absoluta),

  ni = as.numeric(frecuencia_absoluta),

  hi = as.numeric(probabilidad_simple),

  P = as.numeric(probabilidad_porcentaje)

)

tabla_distribucion
##     Categoria   ni         hi         P
## 1       Enero  945 0.08565213  8.565213
## 2     Febrero  797 0.07223783  7.223783
## 3       Marzo  985 0.08927762  8.927762
## 4       Abril  841 0.07622587  7.622587
## 5        Mayo  788 0.07142210  7.142210
## 6       Junio  974 0.08828061  8.828061
## 7       Julio 1243 0.11266201 11.266201
## 8      Agosto 1175 0.10649869 10.649869
## 9  Septiembre  896 0.08121091  8.121091
## 10    Octubre  761 0.06897489  6.897489
## 11  Noviembre  668 0.06054564  6.054564
## 12  Diciembre  960 0.08701169  8.701169

3.4 Probabilidad acumulada

# ==========================================
# Frecuencia acumulada
# ==========================================

tabla_distribucion$Ni <- cumsum(

  tabla_distribucion$ni

)

# ==========================================
# Probabilidad acumulada
# ==========================================

tabla_distribucion$Hi <- cumsum(

  tabla_distribucion$hi

)

# ==========================================
# Probabilidad acumulada porcentual
# ==========================================

tabla_distribucion$P_acumulada <-

  tabla_distribucion$Hi * 100

tabla_distribucion
##     Categoria   ni         hi         P    Ni         Hi P_acumulada
## 1       Enero  945 0.08565213  8.565213   945 0.08565213    8.565213
## 2     Febrero  797 0.07223783  7.223783  1742 0.15788997   15.788997
## 3       Marzo  985 0.08927762  8.927762  2727 0.24716759   24.716759
## 4       Abril  841 0.07622587  7.622587  3568 0.32339346   32.339346
## 5        Mayo  788 0.07142210  7.142210  4356 0.39481555   39.481555
## 6       Junio  974 0.08828061  8.828061  5330 0.48309617   48.309617
## 7       Julio 1243 0.11266201 11.266201  6573 0.59575818   59.575818
## 8      Agosto 1175 0.10649869 10.649869  7748 0.70225687   70.225687
## 9  Septiembre  896 0.08121091  8.121091  8644 0.78346778   78.346778
## 10    Octubre  761 0.06897489  6.897489  9405 0.85244267   85.244267
## 11  Noviembre  668 0.06054564  6.054564 10073 0.91298831   91.298831
## 12  Diciembre  960 0.08701169  8.701169 11033 1.00000000  100.000000

4. TABLA DE DISTRIBUCIÓN DE PROBABILIDAD

4.1 Tabla simple

# ==========================================
# Creación de la fila TOTAL
# ==========================================

fila_total <- data.frame(

  Categoria = "TOTAL",

  ni = sum(tabla_distribucion$ni),

  hi = sum(tabla_distribucion$hi),

  P = sum(tabla_distribucion$P),

  Ni = NA,

  Hi = NA,

  P_acumulada = NA

)

# ==========================================
# Tabla completa
# ==========================================

tabla_distribucion_total <- rbind(

  tabla_distribucion,

  fila_total

)

tabla_distribucion_total
##     Categoria    ni         hi          P    Ni         Hi P_acumulada
## 1       Enero   945 0.08565213   8.565213   945 0.08565213    8.565213
## 2     Febrero   797 0.07223783   7.223783  1742 0.15788997   15.788997
## 3       Marzo   985 0.08927762   8.927762  2727 0.24716759   24.716759
## 4       Abril   841 0.07622587   7.622587  3568 0.32339346   32.339346
## 5        Mayo   788 0.07142210   7.142210  4356 0.39481555   39.481555
## 6       Junio   974 0.08828061   8.828061  5330 0.48309617   48.309617
## 7       Julio  1243 0.11266201  11.266201  6573 0.59575818   59.575818
## 8      Agosto  1175 0.10649869  10.649869  7748 0.70225687   70.225687
## 9  Septiembre   896 0.08121091   8.121091  8644 0.78346778   78.346778
## 10    Octubre   761 0.06897489   6.897489  9405 0.85244267   85.244267
## 11  Noviembre   668 0.06054564   6.054564 10073 0.91298831   91.298831
## 12  Diciembre   960 0.08701169   8.701169 11033 1.00000000  100.000000
## 13      TOTAL 11033 1.00000000 100.000000    NA         NA          NA

4.2 Tabla de presentación

tabla_presentacion <- tabla_distribucion_total %>%

  gt() %>%

  tab_header(

    title = md("**Tabla N° 1**"),

    subtitle = md(
      "Distribución de probabilidad del mes de ocurrencia de los deslizamientos a nivel mundial"
    )

  ) %>%

  cols_label(

    Categoria = "Mes",

    ni = "Frecuencia absoluta (ni)",

    hi = "Probabilidad (hi)",

    P = "Probabilidad (%)",

    Ni = "Frecuencia acumulada (Ni)",

    Hi = "Probabilidad acumulada (Hi)",

    P_acumulada = "Probabilidad acumulada (%)"

  ) %>%

  fmt_number(

    columns = c(hi, Hi),

    decimals = 4

  ) %>%

  fmt_number(

    columns = c(P, P_acumulada),

    decimals = 2

  ) %>%

  #==========================
  # Encabezado
  #==========================

  tab_style(

    style = list(

      cell_fill(color = "#6D213C"),

      cell_text(

        color = "white",

        weight = "bold"

      )

    ),

    locations = cells_column_labels()

  ) %>%

  #==========================
  # Título
  #==========================

  tab_style(

    style = cell_text(

      color = "#6D213C",

      weight = "bold",

      size = px(20)

    ),

    locations = cells_title(groups = "title")

  ) %>%

  #==========================
  # Subtítulo
  #==========================

  tab_style(

    style = cell_text(

      color = "#6D213C",

      size = px(14)

    ),

    locations = cells_title(groups = "subtitle")

  ) %>%

  #==========================
  # TOTAL
  #==========================

  tab_style(

    style = list(

      cell_fill(color = "#F5E9ED"),

      cell_text(weight = "bold")

    ),

    locations = cells_body(

      rows = Categoria == "TOTAL"

    )

  ) %>%

  #==========================
  # Bordes
  #==========================

  tab_options(

    table.border.top.color = "#6D213C",

    table.border.bottom.color = "#6D213C",

    heading.border.bottom.color = "#6D213C",

    column_labels.border.bottom.color = "#6D213C"

  ) %>%

  #==========================
  # Fuente
  #==========================

  tab_source_note(

    source_note = md(

      "Autor: Grupo 1 – Carrera de Geología"

    )

  )

tabla_presentacion
Tabla N° 1
Distribución de probabilidad del mes de ocurrencia de los deslizamientos a nivel mundial
Mes Frecuencia absoluta (ni) Probabilidad (hi) Probabilidad (%) Frecuencia acumulada (Ni) Probabilidad acumulada (Hi) Probabilidad acumulada (%)
Enero 945 0.0857 8.57 945 0.0857 8.57
Febrero 797 0.0722 7.22 1742 0.1579 15.79
Marzo 985 0.0893 8.93 2727 0.2472 24.72
Abril 841 0.0762 7.62 3568 0.3234 32.34
Mayo 788 0.0714 7.14 4356 0.3948 39.48
Junio 974 0.0883 8.83 5330 0.4831 48.31
Julio 1243 0.1127 11.27 6573 0.5958 59.58
Agosto 1175 0.1065 10.65 7748 0.7023 70.23
Septiembre 896 0.0812 8.12 8644 0.7835 78.35
Octubre 761 0.0690 6.90 9405 0.8524 85.24
Noviembre 668 0.0605 6.05 10073 0.9130 91.30
Diciembre 960 0.0870 8.70 11033 1.0000 100.00
TOTAL 11033 1.0000 100.00 NA NA NA
Autor: Grupo 1 – Carrera de Geología 
# ==========================================
# Tabla para las gráficas
# ==========================================

tabla_graficos <- tabla_distribucion

5. GRÁFICAS DE LA DISTRIBUCIÓN DE PROBABILIDAD

5.1 Distribución de probabilidad

# ==========================================
# Preparación del gráfico
# ==========================================

par(

  mar = c(10,5,4,2)

)

pos_x <- barplot(

  tabla_graficos$P,

  names.arg = tabla_graficos$Categoria,

  col = "steelblue",

  border = "black",

  space = 0.20,

  ylim = c(0, max(tabla_graficos$P) * 1.15),

  las = 2,

  yaxt = "n",

  main = "Gráfica N° 1. Distribución de probabilidad\ndel mes de ocurrencia de los deslizamientos",

  xlab = "",

  ylab = "Probabilidad (%)",

  cex.names = 0.85

)

# ==========================================
# Escala del eje Y
# ==========================================

ticks_y <- pretty(

  c(

    0,

    max(tabla_graficos$P)

  ),

  n = 5

)

axis(

  side = 2,

  at = ticks_y,

  labels = ticks_y,

  las = 1

)

# ==========================================
# Etiquetas
# ==========================================

text(

  x = pos_x,

  y = tabla_graficos$P,

  labels = round(

    tabla_graficos$P,

    2

  ),

  pos = 3,

  cex = .80,

  font = 2

)

5.2 Distribución acumulada

# ==========================================
# Preparación del gráfico
# ==========================================

par(

  mar = c(10,5,4,2)

)

pos_x <- barplot(

  tabla_graficos$P_acumulada,

  names.arg = tabla_graficos$Categoria,

  col = "skyblue",

  border = "black",

  space = 0.20,

  ylim = c(0,100),

  las = 2,

  yaxt = "n",

  main = "Gráfica N° 2. Distribución acumulada\npor mes de ocurrencia",

  xlab = "",

  ylab = "Probabilidad acumulada (%)",

  cex.names = .85

)

# ==========================================
# Escala del eje Y
# ==========================================

axis(

  side = 2,

  at = seq(

    0,

    100,

    20

  ),

  labels = seq(

    0,

    100,

    20

  ),

  las = 1

)

# ==========================================
# Línea de referencia
# ==========================================

abline(

  h = 100,

  col = "red",

  lty = 2,

  lwd = 2

)

# ==========================================
# Etiquetas
# ==========================================

text(

  x = pos_x,

  y = tabla_graficos$P_acumulada,

  labels = round(

    tabla_graficos$P_acumulada,

    2

  ),

  pos = 3,

  cex = .80,

  font = 2

)

6. ESTADÍSTICA INFERENCIAL

6.1 Proporciones observadas

# ==========================================
# Proporciones observadas
# ==========================================

tabla_inferencia <- data.frame(

  Categoria = tabla_distribucion$Categoria,

  Frecuencia = tabla_distribucion$ni,

  Proporcion = tabla_distribucion$hi

)

tabla_inferencia
##     Categoria Frecuencia Proporcion
## 1       Enero        945 0.08565213
## 2     Febrero        797 0.07223783
## 3       Marzo        985 0.08927762
## 4       Abril        841 0.07622587
## 5        Mayo        788 0.07142210
## 6       Junio        974 0.08828061
## 7       Julio       1243 0.11266201
## 8      Agosto       1175 0.10649869
## 9  Septiembre        896 0.08121091
## 10    Octubre        761 0.06897489
## 11  Noviembre        668 0.06054564
## 12  Diciembre        960 0.08701169

6.2 Intervalos de confianza

# ==========================================
# Nivel de confianza
# ==========================================

nivel_confianza <- 0.95

alpha <- 1 - nivel_confianza

z <- qnorm(

  1 - alpha/2

)

z
## [1] 1.959964
# ==========================================
# Error estándar
# ==========================================

tabla_inferencia$Error <- sqrt(

  (tabla_inferencia$Proporcion *

     (1 - tabla_inferencia$Proporcion)) / n

)

# ==========================================
# Límite inferior
# ==========================================

tabla_inferencia$Limite_inferior <- pmax(

  0,

  tabla_inferencia$Proporcion -

    z * tabla_inferencia$Error

)

# ==========================================
# Límite superior
# ==========================================

tabla_inferencia$Limite_superior <- pmin(

  1,

  tabla_inferencia$Proporcion +

    z * tabla_inferencia$Error

)

tabla_inferencia
##     Categoria Frecuencia Proporcion       Error Limite_inferior Limite_superior
## 1       Enero        945 0.08565213 0.002664269      0.08043026      0.09087401
## 2     Febrero        797 0.07223783 0.002464642      0.06740722      0.07706844
## 3       Marzo        985 0.08927762 0.002714673      0.08395696      0.09459828
## 4       Abril        841 0.07622587 0.002526314      0.07127438      0.08117735
## 5        Mayo        788 0.07142210 0.002451764      0.06661673      0.07622747
## 6       Junio        974 0.08828061 0.002700949      0.08298685      0.09357438
## 7       Julio       1243 0.11266201 0.003010139      0.10676225      0.11856178
## 8      Agosto       1175 0.10649869 0.002936790      0.10074268      0.11225469
## 9  Septiembre        896 0.08121091 0.002600569      0.07611389      0.08630793
## 10    Octubre        761 0.06897489 0.002412567      0.06424635      0.07370344
## 11  Noviembre        668 0.06054564 0.002270557      0.05609543      0.06499585
## 12  Diciembre        960 0.08701169 0.002683333      0.08175246      0.09227093

6.3 Tabla de resultados

tabla_inferencia %>%

  mutate(

    Proporcion = round(

      Proporcion * 100,

      2

    ),

    Limite_inferior = round(

      Limite_inferior * 100,

      2

    ),

    Limite_superior = round(

      Limite_superior * 100,

      2

    )

  ) %>%

  gt() %>%

  tab_header(

    title = md("**Tabla N° 2**"),

    subtitle = md(
      "Intervalos de confianza del 95 % para la proporción de deslizamientos según el mes de ocurrencia"
    )

  ) %>%

  cols_label(

    Categoria = "Mes",

    Frecuencia = "Frecuencia",

    Proporcion = "Proporción (%)",

    Limite_inferior = "Límite inferior (%)",

    Limite_superior = "Límite superior (%)"

  ) %>%

  tab_style(

    style = list(

      cell_fill(color = "#6D213C"),

      cell_text(

        color = "white",

        weight = "bold"

      )

    ),

    locations = cells_column_labels()

  ) %>%

  tab_source_note(

    source_note = md(

      "Autor: Grupo 1 – Carrera de Geología"

    )

  )
Tabla N° 2
Intervalos de confianza del 95 % para la proporción de deslizamientos según el mes de ocurrencia
Mes Frecuencia Proporción (%) Error Límite inferior (%) Límite superior (%)
Enero 945 8.57 0.002664269 8.04 9.09
Febrero 797 7.22 0.002464642 6.74 7.71
Marzo 985 8.93 0.002714673 8.40 9.46
Abril 841 7.62 0.002526314 7.13 8.12
Mayo 788 7.14 0.002451764 6.66 7.62
Junio 974 8.83 0.002700949 8.30 9.36
Julio 1243 11.27 0.003010139 10.68 11.86
Agosto 1175 10.65 0.002936790 10.07 11.23
Septiembre 896 8.12 0.002600569 7.61 8.63
Octubre 761 6.90 0.002412567 6.42 7.37
Noviembre 668 6.05 0.002270557 5.61 6.50
Diciembre 960 8.70 0.002683333 8.18 9.23
Autor: Grupo 1 – Carrera de Geología

7. CÁLCULO DE PROBABILIDADES

7.1 Probabilidad observada

# ==========================================
# Mes de interés
# ==========================================

categoria_interes <- "Julio"

categoria_interes
## [1] "Julio"
# ==========================================
# Probabilidad observada
# ==========================================

probabilidad <- tabla_inferencia$Proporcion[

  tabla_inferencia$Categoria == categoria_interes

]

probabilidad
## [1] 0.112662
# ==========================================
# Intervalo de confianza
# ==========================================

limite_inferior <- tabla_inferencia$Limite_inferior[

  tabla_inferencia$Categoria == categoria_interes

]

limite_superior <- tabla_inferencia$Limite_superior[

  tabla_inferencia$Categoria == categoria_interes

]

7.2 Intervalo de confianza

tabla_resultado <- data.frame(

  Mes = categoria_interes,

  Proporcion = round(

    probabilidad * 100,

    2

  ),

  Limite_inferior = round(

    limite_inferior * 100,

    2

  ),

  Limite_superior = round(

    limite_superior * 100,

    2

  )

)

tabla_resultado
##     Mes Proporcion Limite_inferior Limite_superior
## 1 Julio      11.27           10.68           11.86

7.3 Interpretación

8. CONCLUSIÓN

El análisis inferencial de la variable cualitativa ordinal mes de ocurrencia permitió estimar la distribución de probabilidad de los deslizamientos registrados a lo largo de los 12 meses del año. El mes con la mayor proporción observada fue Julio, con una probabilidad estimada de 11.27 %. Asimismo, el intervalo de confianza del 95 % indica que la proporción poblacional de deslizamientos ocurridos durante este mes se encuentra entre 10.68 % y 11.86 %, proporcionando una estimación inferencial de su frecuencia de ocurrencia.