0. Librerías

library(knitr)

1. Leer datos

datos <- read.csv("pollution_2000_2023.csv", header=TRUE, check.names=FALSE)
dim(datos)
## [1] 665414     22
head(datos)
##           Date                                 Address   State   County    City
## 1 0 2000-01-01 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
## 2 1 2000-01-02 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
## 3 2 2000-01-03 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
## 4 3 2000-01-04 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
## 5 4 2000-01-05 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
## 6 5 2000-01-06 1645 E ROOSEVELT ST-CENTRAL PHOENIX STN Arizona Maricopa Phoenix
##    O3 Mean O3 1st Max Value O3 1st Max Hour O3 AQI  CO Mean CO 1st Max Value
## 1 0.019765            0.040              10     37 0.878947              2.2
## 2 0.015882            0.032              10     30 1.066667              2.3
## 3 0.009353            0.016               9     15 1.762500              2.5
## 4 0.015882            0.033               9     31 1.829167              3.0
## 5 0.007353            0.012               9     11 2.700000              3.7
## 6 0.014000            0.025              10     23 2.308333              3.6
##   CO 1st Max Hour CO AQI SO2 Mean SO2 1st Max Value SO2 1st Max Hour SO2 AQI
## 1              23     25 3.000000                 9               21      13
## 2               0     26 1.958333                 3               22       4
## 3               8     28 5.250000                11               19      16
## 4              23     34 7.083333                16                8      23
## 5               2     42 8.708333                15                7      21
## 6               9     41 6.761905                17                7      24
##   NO2 Mean NO2 1st Max Value NO2 1st Max Hour NO2 AQI
## 1 19.04167                49               19      46
## 2 22.95833                36               19      34
## 3 38.12500                51                8      48
## 4 40.26087                74                8      72
## 5 48.45000                61               22      58
## 6 39.95000                73                8      71

2. Extracción y depuración de la variable

La variable discreta Primera hora máxima de CO representa la hora del día (0 a 23) en que se registra el máximo diario de monóxido de carbono (CO).

hora_co <- suppressWarnings(as.numeric(datos$`CO 1st Max Hour`))
hora_co <- hora_co[!is.na(hora_co) & hora_co >= 0 &
                   hora_co <= 23 & hora_co == floor(hora_co)]
hora_co <- as.integer(hora_co)
length(hora_co)
## [1] 665414
summary(hora_co)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   1.000   5.923   9.000  23.000

3. Tabla de distribución de frecuencias

3.1 Tabla de frecuencia

frecuencias <- table(factor(hora_co, levels=0:23))
tabla_frecuencia <- data.frame(Hora=0:23, fi=as.integer(frecuencias))
tabla_frecuencia$hi <- tabla_frecuencia$fi / sum(tabla_frecuencia$fi)
tabla_frecuencia$Porcentaje <- tabla_frecuencia$hi * 100
tabla_frecuencia$Ni <- cumsum(tabla_frecuencia$fi)
tabla_frecuencia$Hi <- cumsum(tabla_frecuencia$hi)
kable(tabla_frecuencia, digits=4,
      caption="Tabla N°1: Distribución de frecuencias de la primera hora máxima de CO")
Tabla N°1: Distribución de frecuencias de la primera hora máxima de CO
Hora fi hi Porcentaje Ni Hi
0 310027 0.4659 46.5916 310027 0.4659
1 24106 0.0362 3.6227 334133 0.5021
2 18289 0.0275 2.7485 352422 0.5296
3 13634 0.0205 2.0489 366056 0.5501
4 10846 0.0163 1.6300 376902 0.5664
5 15872 0.0239 2.3853 392774 0.5903
6 26000 0.0391 3.9073 418774 0.6293
7 34264 0.0515 5.1493 453038 0.6808
8 31420 0.0472 4.7219 484458 0.7281
9 23093 0.0347 3.4705 507551 0.7628
10 17710 0.0266 2.6615 525261 0.7894
11 12118 0.0182 1.8211 537379 0.8076
12 8353 0.0126 1.2553 545732 0.8201
13 5579 0.0084 0.8384 551311 0.8285
14 3960 0.0060 0.5951 555271 0.8345
15 3555 0.0053 0.5343 558826 0.8398
16 3690 0.0055 0.5545 562516 0.8454
17 4137 0.0062 0.6217 566653 0.8516
18 5049 0.0076 0.7588 571702 0.8592
19 6814 0.0102 1.0240 578516 0.8694
20 9589 0.0144 1.4411 588105 0.8838
21 13789 0.0207 2.0722 601894 0.9045
22 22377 0.0336 3.3629 624271 0.9382
23 41143 0.0618 6.1831 665414 1.0000

3.2 Tabla simplificada de frecuencia

Se agrupan las horas en cinco periodos para facilitar la interpretación de los resultados.

periodos <- cut(hora_co,
                breaks=c(-0.5,4.5,9.5,14.5,19.5,23.5),
                labels=c("0-4", "5-9", "10-14", "15-19", "20-23"),
                include.lowest=TRUE)
tabla_simplificada <- data.frame(
  Periodo=levels(periodos),
  Marca_clase=c(2,7,12,17,21.5),
  fi=as.integer(table(periodos))
)
tabla_simplificada$hi <- tabla_simplificada$fi / sum(tabla_simplificada$fi)
tabla_simplificada$Porcentaje <- tabla_simplificada$hi * 100
tabla_simplificada$Ni <- cumsum(tabla_simplificada$fi)
tabla_simplificada$Hi <- cumsum(tabla_simplificada$hi)
tabla_simplificada$Ni_desc <- rev(cumsum(rev(tabla_simplificada$fi)))
tabla_simplificada$Hi_desc <- rev(cumsum(rev(tabla_simplificada$hi)))
kable(tabla_simplificada, digits=4,
      caption="Tabla N°2: Distribución simplificada de frecuencias")
Tabla N°2: Distribución simplificada de frecuencias
Periodo Marca_clase fi hi Porcentaje Ni Hi Ni_desc Hi_desc
0-4 2.0 376902 0.5664 56.6417 376902 0.5664 665414 1.0000
5-9 7.0 130649 0.1963 19.6342 507551 0.7628 288512 0.4336
10-14 12.0 47720 0.0717 7.1715 555271 0.8345 157863 0.2372
15-19 17.0 23245 0.0349 3.4933 578516 0.8694 110143 0.1655
20-23 21.5 86898 0.1306 13.0592 665414 1.0000 86898 0.1306

4. Gráficas

4.1 Diagrama de barras de cantidad

par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$fi,
        names.arg=tabla_simplificada$Periodo,
        col="skyblue", border="black",
        main="Gráfica N°1: Distribución de la primera hora máxima de CO",
        xlab="Periodos (horas)", ylab="Cantidad de registros",
        cex.main=0.9, las=1)
box()

Descripción: La mayor cantidad de registros se concentra en el periodo de 0 a 4 horas.

4.2 Diagrama de barras de cantidad general

par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$fi,
        names.arg=tabla_simplificada$Periodo,
        col="lightgreen", border="black",
        main="Gráfica N°2: Distribución general de la primera hora máxima de CO",
        xlab="Periodos (horas)", ylab="Cantidad de registros",
        ylim=c(0,sum(tabla_simplificada$fi)),
        cex.main=0.85, las=1)
box()

Descripción: Se comparan las frecuencias de los cinco periodos respecto al total de registros.

4.3 Diagrama de barras de cantidad porcentual

par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$Porcentaje,
        names.arg=tabla_simplificada$Periodo,
        col="orange", border="black",
        main="Gráfica N°3: Distribución porcentual de la primera hora máxima de CO",
        xlab="Periodos (horas)", ylab="Porcentaje (%)",
        cex.main=0.85, las=1)
box()

Descripción: El periodo de 0 a 4 horas presenta el mayor porcentaje de registros.

4.4 Diagrama de barras de cantidad porcentual general

par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$Porcentaje,
        names.arg=tabla_simplificada$Periodo,
        col="plum", border="black",
        main="Gráfica N°4: Distribución porcentual general de la primera hora máxima de CO",
        xlab="Periodos (horas)", ylab="Porcentaje (%)",
        ylim=c(0,100), cex.main=0.8, las=1)
box()

Descripción: Se representa la participación de cada periodo en una escala de 0 a 100 %.

4.5 Diagrama de caja

par(mar=c(6,5,5,2)+0.1)
boxplot(hora_co, horizontal=TRUE, col="orange", border="black",
        outline=TRUE,
        main="Gráfica N°5: Distribución de la primera hora máxima de CO",
        xlab="Primera hora máxima de CO (horas)", cex.main=0.9)
points(mean(hora_co), 1, pch=19, col="red")
legend("topright", legend="Media", pch=19, col="red", bty="n")
box()

Descripción: El diagrama muestra la mediana, los cuartiles y la dispersión de las horas registradas; el punto rojo representa la media.

4.6 Ojivas ascendentes y descendentes (Ni)

par(mar=c(6,5,5,2)+0.1)
x <- seq_len(nrow(tabla_simplificada))
plot(x, tabla_simplificada$Ni, type="o", col="blue", pch=19,
     lwd=2, xaxt="n", ylim=c(0,sum(tabla_simplificada$fi)),
     main="Gráfica N°6: Ojivas de frecuencia absoluta acumulada",
     xlab="Periodos (horas)", ylab="Frecuencia acumulada (Ni)",
     cex.main=0.9)
axis(1, at=x, labels=tabla_simplificada$Periodo)
lines(x, tabla_simplificada$Ni_desc, type="o", col="red", pch=17, lwd=2)
legend("right", legend=c("Ascendente","Descendente"),
       col=c("blue","red"), pch=c(19,17), lty=1, bty="n")
grid()
box()

Descripción: Las ojivas representan las frecuencias absolutas acumuladas en sentido ascendente y descendente.

4.7 Ojivas ascendentes y descendentes (Hi)

par(mar=c(6,5,5,2)+0.1)
plot(x, tabla_simplificada$Hi*100, type="o", col="darkgreen",
     pch=19, lwd=2, xaxt="n", ylim=c(0,100),
     main="Gráfica N°7: Ojivas de frecuencia relativa acumulada",
     xlab="Periodos (horas)", ylab="Porcentaje acumulado (%)",
     cex.main=0.9)
axis(1, at=x, labels=tabla_simplificada$Periodo)
lines(x, tabla_simplificada$Hi_desc*100, type="o",
      col="purple", pch=17, lwd=2)
legend("right", legend=c("Ascendente","Descendente"),
       col=c("darkgreen","purple"), pch=c(19,17), lty=1, bty="n")
grid()
box()

Descripción: Las ojivas muestran los porcentajes acumulados en ambos sentidos.

5. Indicadores Estadísticos

5.1 Tendencia central

media <- mean(hora_co)
mediana <- median(hora_co)
moda <- as.integer(names(which.max(table(hora_co))))
tabla_central <- data.frame(
  Indicador=c("Media", "Mediana", "Moda"),
  Valor=c(media,mediana,moda)
)
kable(tabla_central, digits=4,
      caption="Tabla N°3: Indicadores de tendencia central")
Tabla N°3: Indicadores de tendencia central
Indicador Valor
Media 5.9226
Mediana 1.0000
Moda 0.0000

5.2 Dispersión

varianza <- var(hora_co)
desviacion <- sd(hora_co)
rango <- max(hora_co)-min(hora_co)
q1 <- as.numeric(quantile(hora_co,0.25))
q3 <- as.numeric(quantile(hora_co,0.75))
rango_intercuartil <- IQR(hora_co)
cv <- desviacion/media*100
tabla_dispersion <- data.frame(
  Indicador=c("Varianza", "Desviación estándar", "Rango",
              "Primer cuartil", "Tercer cuartil", "Rango intercuartílico",
              "Coeficiente de variación (%)"),
  Valor=c(varianza,desviacion,rango,q1,q3,rango_intercuartil,cv)
)
kable(tabla_dispersion, digits=4,
      caption="Tabla N°4: Indicadores de dispersión")
Tabla N°4: Indicadores de dispersión
Indicador Valor
Varianza 59.5912
Desviación estándar 7.7195
Rango 23.0000
Primer cuartil 0.0000
Tercer cuartil 9.0000
Rango intercuartílico 9.0000
Coeficiente de variación (%) 130.3414

5.3 Asimetría

asimetria <- mean((hora_co-media)^3) /
  (mean((hora_co-media)^2)^(3/2))
tabla_asimetria <- data.frame(
  Indicador="Coeficiente de asimetría", Valor=asimetria
)
kable(tabla_asimetria, digits=4,
      caption="Tabla N°5: Indicador de asimetría")
Tabla N°5: Indicador de asimetría
Indicador Valor
Coeficiente de asimetría 1.1402

5.4 Tabla de indicadores

indicadores <- data.frame(
  Indicador=c("Cantidad de datos", "Valor mínimo", "Valor máximo",
              "Media", "Mediana", "Moda", "Varianza",
              "Desviación estándar", "Rango", "Primer cuartil",
              "Tercer cuartil", "Rango intercuartílico",
              "Coeficiente de variación (%)", "Coeficiente de asimetría"),
  Valor=c(length(hora_co),min(hora_co),max(hora_co),media,
          mediana,moda,varianza,desviacion,rango,q1,q3,
          rango_intercuartil,cv,asimetria)
)
kable(indicadores, digits=4,
      caption="Tabla N°6: Resumen de indicadores estadísticos")
Tabla N°6: Resumen de indicadores estadísticos
Indicador Valor
Cantidad de datos 665414.0000
Valor mínimo 0.0000
Valor máximo 23.0000
Media 5.9226
Mediana 1.0000
Moda 0.0000
Varianza 59.5912
Desviación estándar 7.7195
Rango 23.0000
Primer cuartil 0.0000
Tercer cuartil 9.0000
Rango intercuartílico 9.0000
Coeficiente de variación (%) 130.3414
Coeficiente de asimetría 1.1402

6. Conclusión

La primera hora máxima de CO se concentra principalmente entre las 0 y 4 horas, con moda a las 0 horas. La distribución presenta asimetría positiva, debido a la mayor frecuencia de registros en las primeras horas del día.