U2A1

setwd("~/EstadisticaAplicada")

library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc", "readr", "knitr", "DT", "tidyverse", "scales", "gridExtra", "modeest", "fdth", "caTools")

Basura en México

Caso de estudio de la 2da unidad de la materia de probabilidad y estadística en el cual se aborda la temática del problema de la basura en México

Antecedentes

¿Qué es la basura?

El término basura se refiere a cualquier residuo inservible, a todo material no deseado y del que se tiene intención de desechar.

¿La basura es un problema?

Además de la contaminación del aire, la tierra y el agua; la mala gestión de los residuos tiene efectos perjudiciales para la salud pública (por la contaminación ambiental y por la posible transmisión de enfermedades infecciosas vehiculizadas por los roedores que los habitan) y degradación del medio ambiente en general, además de impactos paisajísticos.

Asimismo, la degradación ambiental conlleva costos sociales y económicos tales como la devaluación de propiedades, pérdida de la calidad ambiental y sus efectos en el turismo.

¿Cómo es la problemática de la basura en México?

https://www.animalpolitico.com/2018/10/mexico-genera-basura-paises-america-latina/

El planeta genera más de 2.000 millones de toneladas de basura al año, pero expertos calculan que produciremos hasta 3.400 millones en el año 2050. ¿Cómo contribuye América Latina a estas preocupantes cifras?

Asignación sería:

Utilizando los datos proporcionados conteste a las siguientes preguntas:

library(readr)
library(DT)
basura <- read_csv("basura.csv")

## Parsed with column specification:
## cols(
##   anio = col_double(),
##   basura = col_double(),
##   rellenos = col_double()
## )

datatable(basura)

basuramx <- read.csv("basura.csv")
datatable(basuramx)

1.- ¿Cómo ha aumentado la producción de basura en México?

basura <- basuramx$basura

años <- basuramx$anio

plot(años, basura, col="blue", title(main="relacion de basura por año"))
modelolinealbasuramx <- lm(basura ~ años)

abline(modelolinealbasuramx,col='black',lwd=2)

summary(modelolinealbasuramx)

## 
## Call:
## lm(formula = basura ~ años)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1355.49  -751.81  -124.62    42.68  2623.36 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1.344e+06  1.175e+05  -11.44 8.32e-09 ***
## años         6.882e+02  5.868e+01   11.73 5.92e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1185 on 15 degrees of freedom
## Multiple R-squared:  0.9017, Adjusted R-squared:  0.8951 
## F-statistic: 137.5 on 1 and 15 DF,  p-value: 5.915e-09

2.- ¿Los rellenos son suficientes para atender la demanda de generación de basura? al paso que vamos se necesitaran mas rellenos para atender la demanda, el aumento de rellenos por año es como de 1 a 3, las opciones son intentar desacerse de la basura en mas medida o tener mas rellenos por año 3.- ¿Es posible usar la distribución normal para predecir la probabilidad de incremento de generación de basura?

mean(basuramx$basura) #media

## [1] 34153.28

sd(basuramx$basura) #desviación estándar 

## [1] 3659.721

max(basuramx$basura) #valor máximo

## [1] 41062.5

pnorm(45000, mean=34153.28, sd=3659.721, lower.tail = TRUE)

## [1] 0.9984807

TEnemos 99% de probabilidad de que se presente un valor de generación de basura de 45,000 toneladas por año

y <- basuramx$basura
x <- basuramx$anio
xsq <- x^2
xcub <- x^3
xquar <- x^4
plot(x,y,pch = 19, xlab = "años", ylab = "basura generada por año", title(main = "basura generada por año"))

fit1 <- lm(y~x)
anova(fit1)

## Analysis of Variance Table
## 
## Response: y
##           Df    Sum Sq   Mean Sq F value    Pr(>F)    
## x          1 193222184 193222184  137.53 5.915e-09 ***
## Residuals 15  21074728   1404982                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

¿Es la distribución normal la mejor manera de predecir probabilidad para estos datos? puede funcionar y con una recta se predicen los datos como se puede observar en la grafica.

¿Los datos son normales? si, los datos se observa que seran constantes.

¿Que distribución se ajusta mejor a estos datos? como se puede observar en la grafica, la distribuciòn normal predice los datos futuros, con la regresiòn polinomial se puede observar un aumento en la precisiòn con la que se predicen los datos.