P1

Instale y cargue los siguientes paquetes: data.table,rgdal,ggplot2 y treemap. (2 puntos)

install.packages("data.table")
install.packages("rgdal")
install.packages("ggplot2")
install.packages("treemap")
library(data.table)
library(rgdal)
library(ggplot2)
library(treemap)

P2

Cargue la base de datos de la lista y transformarla en un data.table (1 punto)

bici<-readOGR("Bici_personaGS2016_2/Bici_personaGS2016_2.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "/cloud/project/Bici_personaGS2016_2/Bici_personaGS2016_2.shp", layer: "Bici_personaGS2016_2"
## with 1135 features
## It has 33 fields
bici<-bici@data
bici<-as.data.table(bici)
names(bici)
##  [1] "IdAcciden"  "Accidentes" "Fallecidos" "Graves"     "Menos_Grav"
##  [6] "Leves"      "Ilesos"     "ANO"        "FECHA"      "HORA"      
## [11] "COD_COMUNA" "COMUNA1"    "COD_REGION" "REGION1"    "TIPO_ACCID"
## [16] "TIPO__CONA" "ZONA"       "UBICACION_" "CAUSA__CON" "CAUSA1"    
## [21] "CALLE_UNO"  "CALLE_DOS"  "NUMERO"     "INTERSECCI" "DIRECCIO_1"
## [26] "CALZADA"    "TIPO_CALZA" "ESTADO_CAL" "CONDICION_" "ESTADO_ATM"
## [31] "n_bno"      "n_acc"      "porc_bueno"

P3

La variable ESTADO_CAL describe el estado de la calzada por la cual circulaba el/la ciclista. De esta forma, las categorías que debe considerar esta variable son 3: BUENO, REGULAR y MALO. Por lo tanto, lo que debe hacer, es considerar todas aquellas observaciones que tengan alguna de esas 3 categorías en la variable ESTADO_CAL. (2 puntos)

bici<-bici[ESTADO_CAL=="BUENO"|ESTADO_CAL=="REGULAR"|ESTADO_CAL=="MALO"]

P4

¿Cuántos accidentes hay por comuna? (2 puntos)

bici[,.N,by=COMUNA1]
##              COMUNA1   N
##  1:      PROVIDENCIA 135
##  2:      CERRO NAVIA  14
##  3:            NUNOA  79
##  4:            RENCA  34
##  5:         SANTIAGO 150
##  6:            MAIPU  62
##  7:       LA FLORIDA  31
##  8: P. AGUIRRE CERDA  11
##  9:         PUDAHUEL  35
## 10:        PENALOLEN  41
## 11:            LAMPA  11
## 12:           COLINA   6
## 13:       LAS CONDES  52
## 14:        QUILICURA  48
## 15:      SAN JOAQUIN  18
## 16:           PIRQUE   1
## 17:      PUENTE ALTO  72
## 18:            MACUL  28
## 19:      LA CISTERNA  16
## 20:     LO BARNECHEA   9
## 21:        EL BOSQUE  34
## 22:        CERRILLOS  14
## 23:        SAN RAMON  14
## 24:         VITACURA   6
## 25:         RECOLETA  24
## 26:         LA REINA  29
## 27:         LO PRADO  18
## 28: ESTACION CENTRAL  32
## 29:       SAN MIGUEL  19
## 30:    QUINTA NORMAL  27
## 31:        LA GRANJA  15
## 32:       HUECHURABA   6
## 33:    INDEPENDENCIA  16
## 34:       LA PINTANA  12
## 35:         CONCHALI  11
##              COMUNA1   N

P5

¿Cuántos accidentes con personas fallecidas hay por comuna? (2 puntos)

bici[bici$Fallecidos ==1,.N,by=COMUNA1]
##         COMUNA1 N
##  1:   QUILICURA 2
##  2:   LA GRANJA 1
##  3: CERRO NAVIA 1
##  4:       MAIPU 1
##  5:  LA FLORIDA 2
##  6:       MACUL 1
##  7:    SANTIAGO 1
##  8:  LA PINTANA 1
##  9:    LA REINA 1
## 10: LA CISTERNA 1
## 11:       NUNOA 1
## 12:    RECOLETA 1

P6

¿Cuántos accidentes con personas graves hay por comuna? (2 puntos)

bici[Graves >0,.N,by=COMUNA1]
##              COMUNA1  N
##  1:      CERRO NAVIA  2
##  2:            NUNOA 16
##  3:            RENCA  8
##  4:           COLINA  2
##  5:      PROVIDENCIA 26
##  6:            LAMPA  2
##  7:      LA CISTERNA  5
##  8: P. AGUIRRE CERDA  2
##  9:         VITACURA  2
## 10:     LO BARNECHEA  2
## 11:            MAIPU 11
## 12:         LA REINA  7
## 13:      SAN JOAQUIN  6
## 14:        EL BOSQUE  9
## 15:        CERRILLOS  1
## 16: ESTACION CENTRAL  5
## 17:         SANTIAGO 19
## 18:         RECOLETA  5
## 19:        LA GRANJA  3
## 20:    QUINTA NORMAL 10
## 21:         LO PRADO  4
## 22:            MACUL  5
## 23:         PUDAHUEL 13
## 24:      PUENTE ALTO  7
## 25:       LA PINTANA  3
## 26:       HUECHURABA  1
## 27:       LA FLORIDA  3
## 28:    INDEPENDENCIA  4
## 29:        PENALOLEN  6
## 30:         CONCHALI  2
## 31:       SAN MIGUEL  3
## 32:       LAS CONDES  9
## 33:        QUILICURA  4
## 34:        SAN RAMON  1
##              COMUNA1  N
# Otra opción es bici[Graves==1|Graves==2,.N,by=COMUNA1]

P7

¿Cómo podría mostrar el resultado de la pregunta 6 en un gráfico?. Muestre un gráfico legible. (5 puntos)

ggplot(bici[Graves>0],aes(x=COMUNA1)) + geom_bar() + theme(axis.text.x =element_text(angle=90, vjust=10),axis.text.x.top = element_text(size=15),plot.title = element_text(size=10)) + ggtitle("Conteo por Comuna", subtitle = 'Accidentes Graves por comuna') + xlab("Comuna") + ylab("Número de Accidentes región Metropolitana") + labs(caption = "Fuente:")

P8

¿Cuál es la principal causa (CAUSA__CON) de accidentes? (5 puntos)

bici[,.N,by=CAUSA__CON]
##                         CAUSA__CON   N
##  1:       PERDIDA CONTROL VEHICULO  19
##  2:         CAUSAS NO DETERMINADAS 246
##  3:      IMPRUDENCIA DEL CONDUCTOR 507
##  4:                   OTRAS CAUSAS 195
##  5:   DESOBEDIENCIA A SENALIZACION 121
##  6:           ALCOHOL EN CONDUCTOR  21
##  7: DROGAS Y/O FATIGA EN CONDUCTOR   3
##  8:         IMPRUDENCIA DEL PEATON  13
##  9:               FALLAS MECANICAS   2
## 10:           VELOCIDAD IMPRUDENTE   2
## 11:            DEFICIENCIAS VIALES   1
# La mayor causa de accidentes es por imprudencia.

P9

¿Cómo podríamos mostrar,gráficamente, las diferentes causas para la comuna de Providencia y Santiago? Muestre un gráfico legible. (3 puntos)

 ggplot(data=bici[COMUNA1=="PROVIDENCIA"|COMUNA1=="SANTIAGO",by= CAUSA__CON], aes(x=CAUSA__CON,))+ geom_bar()+theme(axis.text.x =element_text(angle=90, vjust=10),axis.text.x.top = element_text(size=10),plot.title = element_text(size=10)) + ggtitle("Causas accidentes", subtitle = "Santiago y Providencia") + xlab("Causa accidente") + ylab("Número de Accidentes") + labs(caption = "Fuente:Los mas") + facet_wrap(facets = "COMUNA1") 
## Warning in `[.data.table`(bici, COMUNA1 == "PROVIDENCIA" | COMUNA1 ==
## "SANTIAGO", : Ignoring by= because j= is not supplied

P10

¿Podría establecer que existe alguna relación entre la cantidad de accidentes leves por comuna y la proporción de accidentes que ocurren en un buen estado de calzada (porc_bueno)? Argumente gráficamente, de la mejor manera posible. (5 puntos)

ggplot(data=bici,aes(x=Leves, y=porc_bueno))+geom_point() + ggtitle("Cantidad de Accidentes", subtitle = "segun propocion que ocurren en un buen estado de calzada") + xlab("Accidentes Leves") + ylab("Porcion Calzada buen estado") + labs(caption = "Fuente:Profesor")

P11

¿Podría establecer que existe alguna relación entre la cantidad de accidentes graves por comuna y la proporción de accidentes que ocurren en un buen estado de calzada (porc_bueno)? Argumente gráficamente, de la mejor manera posible. (5 puntos)

ggplot(data=bici,aes(x=Graves>0, y=porc_bueno))+geom_point() + ggtitle("Cantidad de Accidentes", subtitle = "según propocion que ocurren en un buen estado de calzada") + xlab("Accidentes Graves") + ylab("Porcion Calzada buen estado") + labs(caption = "Fuente:Profesor")

P12

Muestre gráficamente la cantidad de accidentes que hay para las distintas causas de accidentes. (5 puntos)

ggplot(bici, aes(x=CAUSA__CON, y=Accidentes)) + geom_bar(stat= "identity") + theme(axis.text.x = element_text(angle=45, hjust=1))+ ggtitle("Cantidad de Accidentes", subtitle = "segun sus Causas") + xlab("Causa accidente") + ylab("Número de Accidentes") + labs(caption = "Fuente:")