Transformar datos

cantidad_residuos <- residuos$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_residuos_percapita <- residuos$`GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)`
fecha <- residuos$ANIO
dataresiduos <- data.frame(fecha, cantidad_residuos)
dataresiduospc <- data.frame(fecha, cantidad_residuos_percapita)

Visualización de datos

ggplot(data = dataresiduos)+
  geom_line(mapping = aes(x = fecha, y = cantidad_residuos), colour="red") +
  xlab("Fecha (año)") +
  ylab("Cantidad de residuos (milones de toneladas)") +
  ggtitle("Cantidad de residuos generados desde 1995 hasta 2012")

ggplot(data = dataresiduospc)+
  geom_line(mapping = aes(x = fecha, y = cantidad_residuos_percapita), colour="blue") +
  xlab("Fecha (año)") +
  ylab("Cantidad de residuos per capita (Kg/habitante/día)") +
  ggtitle("Cantidad de residuos generados per capita desde 1995 hasta 2012")

Las tablas muestran que cada año que pasa los residuos generados en México son muchos más, y lo mismo con la cantidad per cápita

Transformar datos

pcantidad_residuos <- poblacion$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_habitantes <- poblacion$POBLACION
pfecha <- poblacion$ANIO
datapoblacion <- data.frame(pfecha, cantidad_habitantes)
datapoblacionresiduos <- data.frame(pfecha, pcantidad_residuos, cantidad_habitantes)

Visualización de datos

ggplot(data = datapoblacion)+
  geom_line(mapping = aes(x = pfecha, y = cantidad_habitantes), colour="blue") +
  xlab("Fecha (año)") +
  ylab("Cantidad de habitantes") +
  ggtitle("Población en México desde 1995 hasta 2010")

Correlación

cor(datapoblacionresiduos)

##                        pfecha pcantidad_residuos cantidad_habitantes
## pfecha              1.0000000          0.9507191           0.9945817
## pcantidad_residuos  0.9507191          1.0000000           0.9634711
## cantidad_habitantes 0.9945817          0.9634711           1.0000000

Diagrama de Dispersión

pairs(datapoblacionresiduos)

Regresión Lineal

regresion <- lm(pcantidad_residuos ~ cantidad_habitantes, data=datapoblacionresiduos)
summary(regresion)

## 
## Call:
## lm(formula = pcantidad_residuos ~ cantidad_habitantes, data = datapoblacionresiduos)
## 
## Residuals:
##       1       2       3       4 
##  1130.5 -1710.3   161.0   418.8 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)  
## (Intercept)         -1.479e+04  9.653e+03  -1.532   0.2652  
## cantidad_habitantes  4.845e-04  9.523e-05   5.088   0.0365 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1484 on 2 degrees of freedom
## Multiple R-squared:  0.9283, Adjusted R-squared:  0.8924 
## F-statistic: 25.88 on 1 and 2 DF,  p-value: 0.03653

• Entonces, la recta de mínimos cuadrados, sería la siguiente:

\[ y = -14790 + 0.0004845 x\]

Representación gráfica de la recta

plot(datapoblacionresiduos$cantidad_habitantes, datapoblacionresiduos$pcantidad_residuos, xlab = "Población", ylab = "Residuos")
abline(regresion)

La población en México está creciendo de manera constante con cada año que pasa, por lo que la premisa es que con cada año que pase igualmente la basura debería crecer en esta proporción, sin embargo esto no es regular como si lo es el crecimiento de la población, y de igual manera la contaminación y las consecuencias de la basura serán mayores.

Transformar datos

rcantidad_basura <- generacion$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
cantidad_rellenos <- generacion$`RELLENOS_SANITARIOS_(NUMERO)`
rfecha <- generacion$ANIO
datarellenos <- data.frame(rfecha, cantidad_rellenos)
datarellenosbasura <- data.frame(rfecha, rcantidad_basura, cantidad_rellenos)

Visualización de datos

ggplot(data = datarellenos) +
  geom_line(mapping = aes(x=rfecha, y=cantidad_rellenos), colour="blue" )+
              xlab("Fecha (año)")+
              ylab("Cantidad de rellenos")+
              ggtitle("Rellenos sanitarios en México desde 1995 hasta 2010")

Correlación

cor(datarellenosbasura)

##                      rfecha rcantidad_basura cantidad_rellenos
## rfecha            1.0000000        0.9561011         0.9168572
## rcantidad_basura  0.9561011        1.0000000         0.9350937
## cantidad_rellenos 0.9168572        0.9350937         1.0000000

Aquí se aprecia la correlación que existe entre la cantidad de basura, la fecha y la cantidad de rellenos, tieniendo por más correlacionados a que entre cada año que pasa aumenta más la basura (Correlación de 0.95) y aunque también la fecha respecto a la cantidad de rellenos están correlacionadas (Correlación de 0.93), no son tantos los rellenos nuevos con año que sucede.

Diagrama de dispersión

regresionrellenos <- lm(rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
summary(regresionrellenos)

## 
## Call:
## lm(formula = rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2242.9 -1433.8   348.8  1384.6  1791.0 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       28249.163    693.541   40.73  < 2e-16 ***
## cantidad_rellenos    61.910      5.866   10.55 1.29e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1467 on 16 degrees of freedom
## Multiple R-squared:  0.8744, Adjusted R-squared:  0.8666 
## F-statistic: 111.4 on 1 and 16 DF,  p-value: 1.29e-08

• Entonces, la recta de mínimos cuadrados, sería la siguiente:

\[ y = 28249.163 + 61.910 x\]

Representación gráfica de la recta

plot (datarellenosbasura$cantidad_rellenos, datarellenosbasura$rcantidad_basura, xlab = "Cantidad de rellenos", ylab = "Residuos")
abline(regresionrellenos)

Estas gráficas nos dicen que entre más población existe más generación de residuos existirá en el país, sin embargo los rellenos sanitarios que se tienen no son ni suficientes en cantidad, ni una solución efectiva ni permanente, además que la administración que se tiene de estos residuos que se recaban es muy mala.

Cantidad de basura en rellenos sanitarios

ton_rellenos <- (disposicion[disposicion$UBICACION == "Rellenos sanitarios",])
ggplot(data = ton_rellenos) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="green" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en rellenos")+
              ggtitle("Residuos en rellenos sanitarios en México desde 1995 hasta 2012")

Cantidad de basura en rellenos de tierra controlados

ton_tierra <- (disposicion[disposicion$UBICACION == "Rellenos de tierra controlados",])
ggplot(data = ton_tierra) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="black" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en rellenos de tierra controlados")+
              ggtitle("Residuos en rellenos de tierra controlados en México desde 1995 hasta 2012")

Cantidad de basura en sitios no controlados

ton_sincontrol <- (disposicion[disposicion$UBICACION == "Sitios no controlados (tiraderos a cielo abierto)",])
ggplot(data = ton_sincontrol) +
  geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="red" )+
              xlab("Fecha (año)")+
              ylab("Toneladas de residuos en sitios no controlados")+
              ggtitle("Residuos en sitios no controlados en México desde 1995 hasta 2012")

Estos datos nos dicen que cada día que pasa existe más recolección de basura desde todos los sectores de la población hacia sectores ya sean rellenos sanitarios o rellenos de tierra controlados, y que cada vez hay menos basura en tiraderos urbanos

Pero la contaminación está en aumento, y cada vez se supone que corre más peligro la población por esta misma, ¿Porqué es esto así?, para responder a esto es necesario detectar los materiales desechados, al igual que analizar si cada sector de la población influye en esto y exactamente el tipo control que existe en estos basurones y rellenos…

Tiraderos a lo largo de México

Basureros <- shapefile("Locaciones3.shp")
mapview::mapview(Basureros, labels=T, map.types="OpenTopoMap")

Mapa que muestra los basureros registrados en el país por nombre y municipio/localidad

Riesgos