U2A5

library(pacman)
p_load("readr","tidyverse","DT","prettydoc","gridExtra")

setwd("~/Pobabilidad y estadistica 11-12 agodic")
DatosMobilityReport  <- read_csv("sonora2.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(),
##   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(DatosMobilityReport)

• Gráficas

##
Retail_Recreation_Percentage <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Grocery_Pharmacy_Percentage <-  DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Parks_Percentage <- DatosMobilityReport$parks_percent_change_from_baseline
###
TransitStations_Percentage <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Workplaces_Percentage <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Residential_Percentage <- DatosMobilityReport$residential_percent_change_from_baseline


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

# Data frame

FechaMR = seq(from = as.Date("2019-02-15"), to = as.Date("2019-07-15"), by = 'day')

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%)")
grid.arrange(gMR1,gMR2,gMR3,gMR4,gMR5,gMR6)

Análisis de movilidad regional utilizando datos de “google mobility report”

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

Días festivos como el 6 de Enero día de reyes y el puente del 5 febrero.

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?

No hubo un invierno frío, fueron pocos días los que hicieron frío.

¿Los festivos cayeron el mismo día de la semana?

Sí, ambos cayeron en lunes

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

únicamente datos de la muestra

De enero hasta ahora, ¿cómo varía la cantidad de personas que visitan parques?

Tanto el tiempo meteorológico diario como el de cada estación tienen efecto en la cantidad de personas que van a los parques:

En un año normal, ¿cambia la frecuencia de las visitas a los parques desde enero hasta ahora? Según los registros meteorológicos, ¿cómo cambia la cantidad de personas que visitan parques en los días de lluvia en comparación con los días de sol? ¿Tienes registros de visitas a parques de años anteriores que puedan ayudarte a analizar los cambios de este año?

Si cambiaría, en Enero tendrían una concurrencia normal. En Marzo tedría mas concurrencia debido a que es un clima agradable, mientras que en fechas de verano como lo es Julio y Agosto habría muy poca, porque en la región el verano es muy caluroso. En otoño, de octubre a diciembre de nuevo suburían las visitas. Los parques los días de lluvia serían claramente menos concurridos debido aque no es un clima agradable para estar al aire libre.

En cambio, este año debido a que en marzo empezó la cuarentena en el estado de Sonora se vio un pico muy bajo en visitas a parques. Conforme el semáforo indicaba estar en rojo. Pero después, la gente empezó a salir de nuevo, cuando el semáforo cambió a naranja, esto se puede ver en el mes de septiembre, que comienza a subir en la gráfica. y sube más cuando se cambia el semáforo a amarillo.

¿Cuánto tiempo crees que pasará la gente en las zonas residenciales?

Haz una estimación del número de horas que crees que pasaba la gente en zonas residenciales antes de la respuesta al COVID-19. Realiza la estimación de los días laborables y de los fines de semana por separado:

Si se tenia un trabajo que le requería estar fuera de su hogar, o asistir a la escuela, se podrían estimar unas 12 horas del día en días laborales, y unas 18 horas los fines de semana.

¿Cómo podrían cambiar las horas de trabajo según el puesto? Por ejemplo, un empleado de oficina, un padre que se queda en casa, un estudiante, un empleado de supermercado o una enfermera que trabaja por turnos. Usa los datos demográficos de tu región para consultar la variedad de trabajos. Por cada grupo de tu comunidad, estima el número de horas al día que crees que va a permanecer la gente en zonas residenciales durante la respuesta al COVID-19. ¿Tienes que ajustar las estimaciones según la estación o los periodos académicos?

Según el puesto de trabajo es difícil estimar para todos las mismas horas, debido a que los trabajos son diferentes y solo algunos se pueden realizar desde casa. Por ejemplo, los trabajos de oficina, el padre en casa, estudiantes podrían durar las 24 horas en casa en días laborales, y en fines de semana salir a lo indispensable. Por otro lado trabajos como ser empleado de un súper on enfermera requieren la presencia en su trabajo, y por ende estarían menos tiempo en zonas residenciales.

¿Cómo pueden relacionarse los tipos de trabajo con los cambios en la movilidad los días laborables y los fines de semana?

No se observa una relación entre ellos, puesto que, no todos los trabajos tienen la misma movilidad como se estimó anteriormente.

¿Qué efectos pueden tener las respuestas al COVID-19 en los diferentes trabajos? ¿Los efectos serían diferentes en las personas que trabajan entre semana que en las que lo hacen los fines de semana?

Podrían ser causales a que, si es comerciante o un trabajo en el que el dinero se gane diario estos sean mas suceptibles a un contagio que el trabajo de oficina o lugar donde esté estrictamente pautado seguir las medidas de prevención del COVID-19, sin dejar fuera que estos ultimos la gran mayoría trabaja desde sus hogares en la medida de lo posible. Mientras que los que trabajan en fin de semana, casi siempre comerciantes están altamente expuestos a un contagio, deibido a que también hay más gente en las calles, y un poco menos de orden.

¿Con qué grado de precisión está representada tu región?

Estos informes se crean con el mismo tipo de datos que se usan para mostrar las horas punta en Google Maps. Responde las siguientes preguntas:

¿Cuántos lugares de interés muestra Google Maps en tu región?

Alrededor de 15 lugares, entre ellos museos, laguna, centros comerciales, etc.

¿Cuáles son las diferencias y similitudes entre tu región y otras regiones? Abre Google Maps y compruébalo.

Que en otras regiones más desarrolladas se encuentran más de los sitios mencionados.

¿En tu región hay lugares de trabajo en los que no se permitan dispositivos móviles? Por ejemplo, edificios de organismos públicos o bases militares. ¿Qué efecto podría tener esto en el número de personas que acuden a los lugares de trabajo?

Se puede portar mas no utilizar en lugares como gasolinerias, bancos, oficinas goubernamentales. Su efecto no muestra contradicciones, sin embargo podrían estar un poco desactualizados en información reciente.