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 SO₂ representa la hora del día (0 a 23) en que se registra el máximo diario de dióxido de azufre (SO₂).

hora_so2 <- suppressWarnings(as.numeric(datos$`SO2 1st Max Hour`))
hora_so2 <- hora_so2[!is.na(hora_so2) & hora_so2 >= 0 &
                   hora_so2 <= 23 & hora_so2 == floor(hora_so2)]
hora_so2 <- as.integer(hora_so2)
length(hora_so2)
## [1] 665414
summary(hora_so2)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   3.000   8.000   8.867  13.000  23.000

3. Tabla de distribución de frecuencias

3.1 Tabla de frecuencia

frecuencias <- table(factor(hora_so2, 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 SO₂")
Tabla N°1: Distribución de frecuencias de la primera hora máxima de SO₂
Hora fi hi Porcentaje Ni Hi
0 114884 0.1727 17.2650 114884 0.1727
1 21449 0.0322 3.2234 136333 0.2049
2 22756 0.0342 3.4198 159089 0.2391
3 16000 0.0240 2.4045 175089 0.2631
4 16957 0.0255 2.5483 192046 0.2886
5 27805 0.0418 4.1786 219851 0.3304
6 32942 0.0495 4.9506 252793 0.3799
7 46843 0.0704 7.0397 299636 0.4503
8 46807 0.0703 7.0343 346443 0.5206
9 42048 0.0632 6.3191 388491 0.5838
10 36014 0.0541 5.4123 424505 0.6380
11 30424 0.0457 4.5722 454929 0.6837
12 25538 0.0384 3.8379 480467 0.7221
13 21468 0.0323 3.2263 501935 0.7543
14 18510 0.0278 2.7817 520445 0.7821
15 16838 0.0253 2.5305 537283 0.8074
16 15926 0.0239 2.3934 553209 0.8314
17 15029 0.0226 2.2586 568238 0.8540
18 14901 0.0224 2.2394 583139 0.8764
19 15154 0.0228 2.2774 598293 0.8991
20 17764 0.0267 2.6696 616057 0.9258
21 16257 0.0244 2.4431 632314 0.9503
22 16327 0.0245 2.4537 648641 0.9748
23 16773 0.0252 2.5207 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_so2,
                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 192046 0.2886 28.8611 192046 0.2886 665414 1.0000
5-9 7.0 196445 0.2952 29.5222 388491 0.5838 473368 0.7114
10-14 12.0 131954 0.1983 19.8304 520445 0.7821 276923 0.4162
15-19 17.0 77848 0.1170 11.6992 598293 0.8991 144969 0.2179
20-23 21.5 67121 0.1009 10.0871 665414 1.0000 67121 0.1009

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 SO₂",
        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 5 a 9 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 SO₂",
        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 SO₂",
        xlab="Periodos (horas)", ylab="Porcentaje (%)",
        cex.main=0.85, las=1)
box()

Descripción: El periodo de 5 a 9 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 SO₂",
        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_so2, horizontal=TRUE, col="orange", border="black",
        outline=TRUE,
        main="Gráfica N°5: Distribución de la primera hora máxima de SO₂",
        xlab="Primera hora máxima de SO₂ (horas)", cex.main=0.9)
points(mean(hora_so2), 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_so2)
mediana <- median(hora_so2)
moda <- as.integer(names(which.max(table(hora_so2))))
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 8.8673
Mediana 8.0000
Moda 0.0000

5.2 Dispersión

varianza <- var(hora_so2)
desviacion <- sd(hora_so2)
rango <- max(hora_so2)-min(hora_so2)
q1 <- as.numeric(quantile(hora_so2,0.25))
q3 <- as.numeric(quantile(hora_so2,0.75))
rango_intercuartil <- IQR(hora_so2)
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 45.9247
Desviación estándar 6.7768
Rango 23.0000
Primer cuartil 3.0000
Tercer cuartil 13.0000
Rango intercuartílico 10.0000
Coeficiente de variación (%) 76.4246

5.3 Asimetría

asimetria <- mean((hora_so2-media)^3) /
  (mean((hora_so2-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 0.3963

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_so2),min(hora_so2),max(hora_so2),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 8.8673
Mediana 8.0000
Moda 0.0000
Varianza 45.9247
Desviación estándar 6.7768
Rango 23.0000
Primer cuartil 3.0000
Tercer cuartil 13.0000
Rango intercuartílico 10.0000
Coeficiente de variación (%) 76.4246
Coeficiente de asimetría 0.3963

6. Conclusión

La primera hora máxima de SO₂ se concentra principalmente entre las 5 y 9 horas, con moda a las 0 horas. La distribución presenta una asimetría positiva.