Análisis climático: distribución de frecuencia

Para este ejercicio usaremos datos de la temperatura media normal obtenidos de la estación meteorológica de ÁLAMOS, SONORA, del SMN: https://smn.conagua.gob.mx/tools/RESOURCES/Normales5110/NORMAL26002.TXT

Importar datos

ALAMOS <- c(18.5,19.1,20.2,22.1,24.7,28.1,28.0,27.6,26.8,24.8,21.6, 19.1)
head(ALAMOS)
## [1] 18.5 19.1 20.2 22.1 24.7 28.1
library(fdth) # Importar paquete / libreria
## 
## Attaching package: 'fdth'
## The following objects are masked from 'package:stats':
## 
##     sd, var

Tabla de frecuencias

dist <- fdt(ALAMOS, breaks = "Sturges")
#usando la regla de Sturges
dist
##     Class limits f   rf rf(%) cf  cf(%)
##  [18.315,20.328) 4 0.33 33.33  4  33.33
##  [20.328,22.341) 2 0.17 16.67  6  50.00
##  [22.341,24.355) 0 0.00  0.00  6  50.00
##  [24.355,26.368) 2 0.17 16.67  8  66.67
##  [26.368,28.381) 4 0.33 33.33 12 100.00
#f= frecuencia absoluta
#rf= frecuencia relativa
#rf(%) frecuencia relativa porcentual
#cf= frecuencia acumulada
#cf(%)=frecuencia acumulada porcentual

Ordenar numeros de menor a mayor

sort(ALAMOS)
##  [1] 18.5 19.1 19.1 20.2 21.6 22.1 24.7 24.8 26.8 27.6 28.0 28.1

Histogramas y polígonos de frecuencia

Histogramas

plot(dist, type = "fh") #Histograma de frecuencias absolutas

plot(dist, type = "rfh") #Histograma de frecuencias relativas

plot(dist, type = "cfh") #Histograma de frecuencias acumuladas

Polígonos

plot(dist, type = "fp") #Polígono de frecuencias absolutas

plot(dist, type = "rfp") #Polígono de frecuencias relativas

plot(dist, type = "cfp") #Polígono de frecuencias acumuladas

#medidas de tendencia central ## Media

mean(ALAMOS)
## [1] 23.38333

Mediana

median(ALAMOS)
## [1] 23.4

Moda

library(modeest)
## 
## Attaching package: 'modeest'
## The following object is masked from 'package:fdth':
## 
##     mfv
mlv(ALAMOS, method = "mfv") [1]
## [1] 19.1

Cuartiles, valor maximo, valor minimo

summary(ALAMOS)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.50   19.93   23.40   23.38   27.00   28.10

Gráfico de caja y bigote

boxplot(ALAMOS)

## Medidas de dispersión

var(ALAMOS) #varianza
## [1] 13.84152
sd(ALAMOS) #desviación estándar
## [1] 3.720419
  • grafica de disperción
plot(ALAMOS)

# Estadística inferencial ## Regresión lineal relación entre la temperatura y la precipitación ¿son los mese más cálidos en Alamos los meses que mas llueve? ¿ a mayor temperarura mayor precipitación? para esto declararemos 2 variables: TEMPERATURA Y PRECIPITACIÓN

TEMPERATURA <- ALAMOS
PRECIPITACION <- c(35.0,    17.9,    17.8,     1.9,     3.9,    25.5,   184.4,   198.2,    86.3,    53.1, 26.3,37.0)

crear una matriz, data frame con ambas series de dator

meteo <- data.frame(TEMPERATURA, PRECIPITACION)
head(meteo)
##   TEMPERATURA PRECIPITACION
## 1        18.5          35.0
## 2        19.1          17.9
## 3        20.2          17.8
## 4        22.1           1.9
## 5        24.7           3.9
## 6        28.1          25.5

Matriz de diagramas y dispersión

pairs(meteo)

### Matriz de coeficinete de correlación *correlación pearson

cor(meteo)
##               TEMPERATURA PRECIPITACION
## TEMPERATURA     1.0000000     0.6129532
## PRECIPITACION   0.6129532     1.0000000

calculo y

y- presipitacion x- temperaura

regresion <- lm(PRECIPITACION ~ TEMPERATURA, data=meteo)
summary(regresion)
## 
## Call:
## lm(formula = PRECIPITACION ~ TEMPERATURA, data = meteo)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -83.524 -25.112  -6.505  27.865  94.662 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -199.274    105.783  -1.884   0.0890 .
## TEMPERATURA   10.971      4.472   2.453   0.0341 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 55.18 on 10 degrees of freedom
## Multiple R-squared:  0.3757, Adjusted R-squared:  0.3133 
## F-statistic: 6.018 on 1 and 10 DF,  p-value: 0.03407

Y=−199.274+10.971x

plot(meteo$TEMPERATURA, meteo$PRECIPITACION, xlab = "Temperatura", ylab="Precipitación")
abline(regresion)