Probabilidad

Tercer ejercicio de estadística aplicada

Análisis de datos abiertos de covid 19

El objetivo de este ejercicio es analizar el crecimiento de los contagiados, recuperados, fallecidos por COVID-19 en España

Importar

• Importar biblotecas

library(readr)
library(tidyverse)

## -- Attaching packages ------------------------------------------------------------ tidyverse 1.3.0 --

## v ggplot2 3.3.2     v dplyr   1.0.2
## v tibble  3.0.3     v stringr 1.4.0
## v tidyr   1.1.1     v forcats 0.5.0
## v purrr   0.3.4

## -- Conflicts --------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(gifski)
library(gganimate)

• Importar datos

url_conf <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv"
url_decesos <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv"
url_recuperados <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv"

• Leer el archivo .csv de las URL

este comando descargará los archivos a la computadora a archivos separados por comas

datos_conf <- read.csv(url_conf)
datos_decesos <-read.csv(url_decesos)
datos_recuperados <- read.csv(url_recuperados)

• Extraer los datos para España

conf_españa <- t(datos_conf [datos_conf$Country.Region=="Spain" ,])
dec_españa <- t(datos_decesos [datos_decesos$Country.Region=="Spain" ,])
rec_españa <- t(datos_recuperados [datos_recuperados$Country.Region=="Spain" ,])

Ordenar los datos

• Visuzalización de reconocimiento

Esto con unas gráficas sencillas para conocer cómo se comportan los datos para ordenarlos

plot(conf_españa)

## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

plot(dec_españa)

## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

plot(rec_españa)

## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

*Ordenar y transformar los datos

#Vector de Fecha
Fecha = seq(from = as.Date("2020-01-22"), to = as.Date("2020-09-03"), by = 'day')

#Tranformamos todos los datos a vectores y de ahí a datos numéricos.

#Casos confirmados 
vec1 <- as.vector(conf_españa)
vec2 <-vec1[5:230]
num1 <- as.numeric(vec2)
Confirmados <- as.vector(num1)

#decesos 
vec1 <- as.vector(dec_españa)
vec2 <-vec1[5:230]
num1 <- as.numeric(vec2)
Decesos <- as.vector(num1)

#recuperados
vec1 <- as.vector(rec_españa)
vec2 <-vec1[5:230]
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

#Construir data frame (marco de datos) para poder visualisarlos ordenadamente
#en una tabla.

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)

Visualizar

#Figura 2 Confirmados ggplot (Aquí representamos graficamente los datos de casos
#confirmados que convertimos en la parte de arriba.)
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados))