Datos 2019

Teniendo los datos proporcionados de los 12 meses del año hice un promedio el promedio de cada mes y se muestra a continuación.

Promedios de O3 y PM10 Enero 2019

Enero <- subset(Datos2019, Mes==1)
O3<-Enero$O3
PM10<-Enero$PM10
EneO3<-mean(O3)
EnePM10<-mean(PM10)
sd(O3)
## [1] 14.59937
#Con este lo muestra
EneO3
## [1] 16.39082
EnePM10
## [1] 37.2264

Promedios de O3 y PM10 Febrero 2019

Febrero <- subset(Datos2019, Mes==2)
O3<-Febrero$O3
PM10<-Febrero$PM10
FebO3<-mean(O3)
FebPM10<-mean(PM10)
FebO3
## [1] 22.94638
FebPM10
## [1] 31.94446

Promedios de O3 y PM10 Marzo 2019

Enero <- subset(Datos2019, Mes==1)
O3<-Enero$O3
PM10<-Enero$PM10
EneO3<-mean(O3)
EnePM10<-mean(PM10)
sd(O3)
## [1] 14.59937
#Con este lo muestra
EneO3
## [1] 16.39082
EnePM10
## [1] 37.2264

Promedios de O3 y PM10 Abril 2019

Abril <- subset(Datos2019, Mes==4)
O3<-Abril$O3
PM10<-Abril$PM10
AbrilO3<-mean(O3)
AbrilPM10<-mean(PM10)
#Con este lo muestra
AbrilO3
## [1] 36.63769
AbrilPM10
## [1] 31.81057

Promedios de O3 y PM10 Mayo 2019

May <- subset(Datos2019, Mes==5)
O3<-May$O3
PM10<-May$PM10
MayO3<-mean(O3)
MayPM10<-mean(PM10)
MayO3
## [1] 34.79081
MayPM10
## [1] 29.66449

Promedios de O3 y PM10 junio 2019

Jun <- subset(Datos2019, Mes==6)
O3<-Jun$O3
PM10<-Jun$PM10
JunO3<-mean(O3)
JunPM10<-mean(PM10)
#Con este lo muestra
JunO3
## [1] 26.56867
JunPM10
## [1] 30.92285

Promedios de O3 y PM10 julio 2019

Jul <- subset(Datos2019, Mes==7)
O3<-Jul$O3
PM10<-Jun$PM10
JulO3<-mean(O3)
JulPM10<-mean(PM10)
#Con este lo muestra
JulO3
## [1] 26.27702
JulPM10
## [1] 30.92285

Promedios de O3 y PM10 agosto 2019

Ago <- subset(Datos2019, Mes==8)
O3<-Ago$O3
PM10<-Ago$PM10
AgoO3<-mean(O3)
AgoPM10<-mean(PM10)
#Con este lo muestra
AgoO3
## [1] 26.69693
AgoPM10
## [1] 20.13818

Promedios de O3 y PM10 septiembre 2019

Sep <- subset(Datos2019, Mes==9)
O3<-Sep$O3
PM10<-Sep$PM10
SepO3<-mean(O3)
SepPM10<-mean(PM10)
#Con este lo muestra
SepO3
## [1] 16.89869
SepPM10
## [1] 20.64753

Promedios de O3 y PM10 octubre 2019

Oct <- subset(Datos2019, Mes==10)
O3<-Oct$O3
PM10<-Oct$PM10
OctO3 <-mean(O3)
OctPM10<-mean(PM10)
#Con este lo muestra
OctO3
## [1] 18.58388
OctPM10
## [1] 40.59207

Promedios de O3 y PM10 Noviembre 2019

Nov <- subset(Datos2019, Mes==11)
O3<-Nov$O3
PM10<-Nov$PM10
NovO3 <-mean(O3)
NovPM10<-mean(PM10)
#Con este lo muestra
NovO3
## [1] 18.07592
NovPM10
## [1] 39.56731

Promedios de O3 y PM10 Diciembre 2019

dic <- subset(Datos2019, Mes==12)
c3<-dic$O3
cM10<-dic$PM10
dicO3 <-mean(c3)
dicPM10<-mean(cM10)
#Con este lo muestra
dicO3
## [1] 15.97653
dicPM10
## [1] 41.70063
PrO3<-promedios$O3
PrPM10<-promedios$PM10
proms <- data.frame(PrO3,PrPM10)

Analisis anual

Con los resultados de los promedios de todos los meses se hizo una recopilación para después poder hacer un mejor analisis de los datos.

Primero teniendo un frame con los valores de lo O3 y PM10 Se trató de identificar si entre esos dos valores recopilados en el año existía una relación directamente proporcional

pairs(proms)

cor(proms)
##              PrO3     PrPM10
## PrO3    1.0000000 -0.3331242
## PrPM10 -0.3331242  1.0000000

Después de eso se realizó un summary con los mismos dos valores

  summary(proms)
##       PrO3           PrPM10     
##  Min.   :15.98   Min.   :20.14  
##  1st Qu.:17.79   1st Qu.:28.73  
##  Median :24.61   Median :31.88  
##  Mean   :24.07   Mean   :32.11  
##  3rd Qu.:27.26   3rd Qu.:37.81  
##  Max.   :36.64   Max.   :41.70

De esta manera pudimos obsevar los quantiles y medias.

Graficas

Las siguientes graficas muestran la cantidad e O3 presentadas en dos meses Al inicio del año y al finalizar el año

ggplot(data=Enero)+
  geom_bar(mapping=aes(x=O3), color="blue", fill=rgb(0.1,0.4,0.5,0.7))

ggplot(data=dic)+
  geom_bar(mapping=aes(x=O3), color="Red", fill=rgb(0.1,0.4,0.5,0.7))

Con las graficas anteriores se puede apreciar que en el mes de enero los niveles de O3 varian más que en el caso del mes de Diciembre

Por ultimo

Con los de los promedios recopilados se realizó la siguiente grafica tomando en cuenta 3 elementos, PM10, O3 y el mes

ggplot(promedios, aes(x=O3, y=PM10, color=mes)) + 
  geom_point(size=3)

Cuando se tienen mayores cantidades de PM10 pero menos cantidades de O3 son a finales del año y al comenzar el año, esto puede deberse a que en esas fechas las personas se desplazan más hacia distintos lugares. Pero también se puede notar que en los meses donde las temperaturas se encuentran más altas se matienen en niveles bajos de PM10 y elevados de O3 lo cual puede deberse a el transito normal de las personas sumado a la cantidad de calor en esas fechas.