library(knitr)
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
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$`CO 1st Max Hour`))
hora_co <- hora_co[!is.na(hora_co) & hora_co >= 0 &
hora_co <= 23 & hora_co == floor(hora_co)]
hora_co <- as.integer(hora_co)
length(hora_co)
## [1] 665414
summary(hora_co)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.000 1.000 5.923 9.000 23.000
frecuencias <- table(factor(hora_co, levels=0:23))
tabla_frecuencia <- data.frame(Hora=0:23, fi=as.integer(frecuencias))
tabla_frecuencia$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")
| 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 |
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$hi)))
kable(tabla_simplificada, digits=4,
caption="Tabla N°2: Distribución simplificada de frecuencias")
| Periodo | Marca_clase | fi | hi | Porcentaje | Ni | Hi | Ni_desc | Hi_desc |
|---|---|---|---|---|---|---|---|---|
| 0-4 | 2.0 | 376902 | 0.5664 | 56.6417 | 376902 | 0.5664 | 665414 | 1.0000 |
| 5-9 | 7.0 | 130649 | 0.1963 | 19.6342 | 507551 | 0.7628 | 288512 | 0.4336 |
| 10-14 | 12.0 | 47720 | 0.0717 | 7.1715 | 555271 | 0.8345 | 157863 | 0.2372 |
| 15-19 | 17.0 | 23245 | 0.0349 | 3.4933 | 578516 | 0.8694 | 110143 | 0.1655 |
| 20-23 | 21.5 | 86898 | 0.1306 | 13.0592 | 665414 | 1.0000 | 86898 | 0.1306 |
par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$fi,
names.arg=tabla_simplificada$Periodo,
col="skyblue", border="black",
main="Gráfica N°1: Distribución de la primera hora máxima de CO",
xlab="Periodos (horas)", ylab="Cantidad de registros",
cex.main=0.9, las=1)
box()
Descripción: La mayor cantidad de registros se concentra en el periodo de 0 a 4 horas.
par(mar=c(6,5,5,2)+0.1)
barplot(tabla_simplificada$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.
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.
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 %.
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.
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.
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.
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")
| Indicador | Valor |
|---|---|
| Media | 5.9226 |
| Mediana | 1.0000 |
| Moda | 0.0000 |
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")
| 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 |
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")
| Indicador | Valor |
|---|---|
| Coeficiente de asimetría | 1.1402 |
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")
| 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 |
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.