U1A14

setwd("~/EstadisticaAplicada")
library(pacman)
p_load("DT","prettydoc","readr","tidyverse")
sonora <- read_csv("sonora.csv")

## Parsed with column specification:
## cols(
##   country_region_code = col_character(),
##   country_region = col_character(),
##   sub_region_1 = col_character(),
##   sub_region_2 = col_logical(),
##   metro_area = col_logical(),
##   iso_3166_2_code = col_character(),
##   census_fips_code = col_logical(),
##   date = col_character(),
##   retail_and_recreation_percent_change_from_baseline = col_double(),
##   grocery_and_pharmacy_percent_change_from_baseline = col_double(),
##   parks_percent_change_from_baseline = col_double(),
##   transit_stations_percent_change_from_baseline = col_double(),
##   workplaces_percent_change_from_baseline = col_double(),
##   residential_percent_change_from_baseline = col_double()
## )

datatable(sonora)

• Creación de data frame

FechaMR = seq(from = as.Date("2020-02-15"), to = as.Date("2020-10-13"), by = 'day')
##
Retail_Recreation_Percentage <- sonora$retail_and_recreation_percent_change_from_baseline
###
Grocery_Pharmacy_Percentage <-  sonora$grocery_and_pharmacy_percent_change_from_baseline
###
Parks_Percentage <- sonora$parks_percent_change_from_baseline
###
TransitStations_Percentage <- sonora$transit_stations_percent_change_from_baseline
###
Workplaces_Percentage <- sonora$workplaces_percent_change_from_baseline
###
Residential_Percentage <- sonora$residential_percent_change_from_baseline


##### GRAFICA 2
###
Porcentaje_VR <- sonora$retail_and_recreation_percent_change_from_baseline
###
Porcentaje_F <-  sonora$grocery_and_pharmacy_percent_change_from_baseline
###
Porcentaje_P <- sonora$parks_percent_change_from_baseline
###
Porcentaje_ET <- sonora$transit_stations_percent_change_from_baseline
###
Porcentaje_AT <- sonora$workplaces_percent_change_from_baseline
###
Porcentaje_H <- sonora$residential_percent_change_from_baseline

dataMR <- data.frame(x=FechaMR, y=Retail_Recreation_Percentage)

Gráficas

gMR1 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_VR), size=1, colour="orange") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("a) Comercio y recreación (-45%)")

gMR2 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_F), size=1, colour="darkgreen") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("b) Farmacias y abarrotes (-11%)")

gMR3 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_P), size=1, colour="purple") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("c) Parques (-37%)")

gMR4 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_ET), size=1, colour="brown") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("d) Estaciones de tránsito (-43%)")

gMR5 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_AT), size=1, colour="red") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("e) Espacios de trabajo (-37%)")

gMR6 <- ggplot(data=dataMR) +
  geom_line(aes(x=FechaMR, y=Porcentaje_H), size=1, colour="blue") +
  geom_hline(yintercept = 0) +
  theme_light() +
  xlab("Fecha") +
  ylab("Porcentaje") +
  ggtitle("f) Hogares (+18%)")

p_load(gridExtra)
grid.arrange(gMR1,gMR2,gMR3,gMR4,gMR5,gMR6)

# Análisis de movilidad local para Sonora utilizando datos de google mobility report

¿Ocurrió algo importante entre el 3 de enero y el 6 de febrero del 2020?

El día 6 de enero se celebra el dia de los reyes magos donde las familias y amigos se reunen a comer y convivir con la rosca de reyes. haciendo que grupos de personas se reunan y se vuelven a juntar el 2 de Febrero por el día de la candelaria, por aquellos que les toco el muñeco en su rebanada de pan de reyes les toco poner los tamales para todos, haciendo que la gente se vuelva a reunir en gran cantidad.

• El valor de referencia de cada día es el valor medio del periodo de cinco semanas de enero. Piensa en eventos locales y cambios estacionales que puedan sesgar el valor de referencia:

• ¿Hubo un invierno frío o un verano más largo de lo habitual en tu región? mas largo

• ¿Los festivos cayeron el mismo día de la semana?no, varian las fechas cada año.

• ¿Tienes otras fuentes de datos (como tiques de peajes, parquímetros o viajes en metro) que puedan ayudarte a determinar el cambio previsto?