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 NO₂ representa la hora del día (0 a 23) en que se registra el máximo diario de dióxido de nitrógeno (NO₂).

hora_no2 <- suppressWarnings(as.numeric(datos$`NO2 1st Max Hour`))
hora_no2 <- hora_no2[!is.na(hora_no2) & hora_no2 >= 0 &
                   hora_no2 <= 23 & hora_no2 == floor(hora_no2)]
hora_no2 <- as.integer(hora_no2)
length(hora_no2)
## [1] 665414
summary(hora_no2)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    5.00    9.00   11.59   20.00   23.00

3. Tabla de distribución de frecuencias

3.1 Tabla de frecuencia

frecuencias <- table(factor(hora_no2, 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 NO₂")
Tabla N°1: Distribución de frecuencias de la primera hora máxima de NO₂
Hora fi hi Porcentaje Ni Hi
0 61611 0.0926 9.2590 61611 0.0926
1 19762 0.0297 2.9699 81373 0.1223
2 15663 0.0235 2.3539 97036 0.1458
3 12376 0.0186 1.8599 109412 0.1644
4 16995 0.0255 2.5540 126407 0.1900
5 43556 0.0655 6.5457 169963 0.2554
6 70131 0.1054 10.5395 240094 0.3608
7 57836 0.0869 8.6917 297930 0.4477
8 32229 0.0484 4.8435 330159 0.4962
9 18535 0.0279 2.7855 348694 0.5240
10 10983 0.0165 1.6506 359677 0.5405
11 6833 0.0103 1.0269 366510 0.5508
12 4713 0.0071 0.7083 371223 0.5579
13 4239 0.0064 0.6370 375462 0.5643
14 4265 0.0064 0.6410 379727 0.5707
15 5112 0.0077 0.7682 384839 0.5783
16 8236 0.0124 1.2377 393075 0.5907
17 18955 0.0285 2.8486 412030 0.6192
18 34636 0.0521 5.2052 446666 0.6713
19 44351 0.0667 6.6652 491017 0.7379
20 48935 0.0735 7.3541 539952 0.8115
21 45871 0.0689 6.8936 585823 0.8804
22 38605 0.0580 5.8017 624428 0.9384
23 40986 0.0616 6.1595 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_no2,
                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 126407 0.1900 18.9967 126407 0.1900 665414 1.0000
5-9 7.0 222287 0.3341 33.4058 348694 0.5240 539007 0.8100
10-14 12.0 31033 0.0466 4.6637 379727 0.5707 316720 0.4760
15-19 17.0 111290 0.1672 16.7249 491017 0.7379 285687 0.4293
20-23 21.5 174397 0.2621 26.2088 665414 1.0000 174397 0.2621

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 NO₂",
        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 NO₂",
        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 NO₂",
        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 NO₂",
        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_no2, horizontal=TRUE, col="orange", border="black",
        outline=TRUE,
        main="Gráfica N°5: Distribución de la primera hora máxima de NO₂",
        xlab="Primera hora máxima de NO₂ (horas)", cex.main=0.9)
points(mean(hora_no2), 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_no2)
mediana <- median(hora_no2)
moda <- as.integer(names(which.max(table(hora_no2))))
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 11.5889
Mediana 9.0000
Moda 6.0000

5.2 Dispersión

varianza <- var(hora_no2)
desviacion <- sd(hora_no2)
rango <- max(hora_no2)-min(hora_no2)
q1 <- as.numeric(quantile(hora_no2,0.25))
q3 <- as.numeric(quantile(hora_no2,0.75))
rango_intercuartil <- IQR(hora_no2)
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 62.2253
Desviación estándar 7.8883
Rango 23.0000
Primer cuartil 5.0000
Tercer cuartil 20.0000
Rango intercuartílico 15.0000
Coeficiente de variación (%) 68.0677

5.3 Asimetría

asimetria <- mean((hora_no2-media)^3) /
  (mean((hora_no2-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 0.0686

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_no2),min(hora_no2),max(hora_no2),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 11.5889
Mediana 9.0000
Moda 6.0000
Varianza 62.2253
Desviación estándar 7.8883
Rango 23.0000
Primer cuartil 5.0000
Tercer cuartil 20.0000
Rango intercuartílico 15.0000
Coeficiente de variación (%) 68.0677
Coeficiente de asimetría 0.0686

6. Conclusión

La primera hora máxima de NO₂ se concentra principalmente entre las 5 y 9 horas, con moda a las 6 horas. La distribución presenta una asimetría positiva.