Tarea 4

Instalar y cargar paquetes para graficos y mapas

#install.packages("ggplot2") 
#install.packages("plotly") 
#install.packages('RColorBrewer')
#install.packages("janitor") 
#install.packages("tidyverse")
#install.packages("data.table")

#install.packages("leaflet")
#install.packages("sp")
#install.packages("sf")
#install.packages("chilemapas")
#install.packages("rgbif")

library(data.table)
library(ggplot2)
library(plotly)
library(data.table)
library(tidyverse)
library(leaflet)
library(sp)
library(broom)
library(janitor)
library(rgbif)
library(sf)
library(chilemapas)
library(RColorBrewer)

###Eliminar enviroment

remove(list = ls())

###Cargar base de datos: MinCiencia Datos COVID19

vacuna_dosis <- fread('https://raw.githubusercontent.com/MinCiencia/Datos-COVID19/master/output/producto76/vacunacion.csv',header = TRUE)
casos_region <- fread('https://raw.githubusercontent.com/MinCiencia/Datos-COVID19/master/output/producto3/CasosTotalesCumulativo.csv',header = TRUE)

¿Falsa sensación de seguridad tras primera dosis de la vacuna?

Tras el proceso de vacunación masivo en Chile, en los medios de comunicación hemos visto una disminución en los cuidados o medidas de seguridad por parte de los ciudadanos, una situación muy diferente a la que adoptó la población al inicio de la pandemia. Creemos que esto puede deberse al hecho de que las personas al poseer la primera dosis de la vacuna han generado una falsa sensación de seguridad, por lo cual están más dispuestas a salir tratando de volver a la “normalidad”, incrementando así, la posibilidad de contagio. Dado lo anterior, nuestra investigación se basa en identificar la relación que existe entre el porcentaje de vacunados y contagios por región, a modo de verificar o no la existencia de una falsa sensación de seguridad tras la primera dosis de la vacuna.

Se tomaran en cuenta los datos recopilados desde 03.02.2021 hasta el 04.05.2021 (eliminamos datos anteriores a la fecha 03.02.2021)

names(vacuna_dosis)

##   [1] "Region"     "Dosis"      "2020-12-24" "2020-12-25" "2020-12-26"
##   [6] "2020-12-27" "2020-12-28" "2020-12-29" "2020-12-30" "2020-12-31"
##  [11] "2021-01-01" "2021-01-02" "2021-01-03" "2021-01-04" "2021-01-05"
##  [16] "2021-01-06" "2021-01-07" "2021-01-08" "2021-01-09" "2021-01-10"
##  [21] "2021-01-11" "2021-01-12" "2021-01-13" "2021-01-14" "2021-01-15"
##  [26] "2021-01-16" "2021-01-17" "2021-01-18" "2021-01-19" "2021-01-20"
##  [31] "2021-01-21" "2021-01-22" "2021-01-23" "2021-01-24" "2021-01-25"
##  [36] "2021-01-26" "2021-01-27" "2021-01-28" "2021-01-29" "2021-01-30"
##  [41] "2021-01-31" "2021-02-01" "2021-02-02" "2021-02-03" "2021-02-04"
##  [46] "2021-02-05" "2021-02-06" "2021-02-07" "2021-02-08" "2021-02-09"
##  [51] "2021-02-10" "2021-02-11" "2021-02-12" "2021-02-13" "2021-02-14"
##  [56] "2021-02-15" "2021-02-16" "2021-02-17" "2021-02-18" "2021-02-19"
##  [61] "2021-02-20" "2021-02-21" "2021-02-22" "2021-02-23" "2021-02-24"
##  [66] "2021-02-25" "2021-02-26" "2021-02-27" "2021-02-28" "2021-03-01"
##  [71] "2021-03-02" "2021-03-03" "2021-03-04" "2021-03-05" "2021-03-06"
##  [76] "2021-03-07" "2021-03-08" "2021-03-09" "2021-03-10" "2021-03-11"
##  [81] "2021-03-12" "2021-03-13" "2021-03-14" "2021-03-15" "2021-03-16"
##  [86] "2021-03-17" "2021-03-18" "2021-03-19" "2021-03-20" "2021-03-21"
##  [91] "2021-03-22" "2021-03-23" "2021-03-24" "2021-03-25" "2021-03-26"
##  [96] "2021-03-27" "2021-03-28" "2021-03-29" "2021-03-30" "2021-03-31"
## [101] "2021-04-01" "2021-04-02" "2021-04-03" "2021-04-04" "2021-04-05"
## [106] "2021-04-06" "2021-04-07" "2021-04-08" "2021-04-09" "2021-04-10"
## [111] "2021-04-11" "2021-04-12" "2021-04-13" "2021-04-14" "2021-04-15"
## [116] "2021-04-16" "2021-04-17" "2021-04-18" "2021-04-19" "2021-04-20"
## [121] "2021-04-21" "2021-04-22" "2021-04-23" "2021-04-24" "2021-04-25"
## [126] "2021-04-26" "2021-04-27" "2021-04-28" "2021-04-29" "2021-04-30"
## [131] "2021-05-01" "2021-05-02" "2021-05-03" "2021-05-04" "2021-05-05"

vacuna_dosis<-vacuna_dosis[,(3:43):=NULL]

Se generaran dos objetos en base a los siguientes criterios: Etapa_1: Contagios desde 03.03.2020 hasta 02.02.2021, periodo previo al proceso de vacunación. Etapa_2: Contagios desde 05.02.2021 hasta 30.04.2021, periodo post primera dosis de vacunación. Dado que la base de datos “casos_region” contiene los valores acumulativos de los contagios, tomaremos en cuenta las columnas con las fechas mencionadas anteriormente

names(casos_region)

##   [1] "Region"     "2020-03-03" "2020-03-04" "2020-03-05" "2020-03-06"
##   [6] "2020-03-07" "2020-03-08" "2020-03-09" "2020-03-10" "2020-03-11"
##  [11] "2020-03-12" "2020-03-13" "2020-03-14" "2020-03-15" "2020-03-16"
##  [16] "2020-03-17" "2020-03-18" "2020-03-19" "2020-03-20" "2020-03-21"
##  [21] "2020-03-22" "2020-03-23" "2020-03-24" "2020-03-25" "2020-03-26"
##  [26] "2020-03-27" "2020-03-28" "2020-03-29" "2020-03-30" "2020-03-31"
##  [31] "2020-04-01" "2020-04-02" "2020-04-03" "2020-04-04" "2020-04-05"
##  [36] "2020-04-06" "2020-04-07" "2020-04-08" "2020-04-09" "2020-04-10"
##  [41] "2020-04-11" "2020-04-12" "2020-04-13" "2020-04-14" "2020-04-15"
##  [46] "2020-04-16" "2020-04-17" "2020-04-18" "2020-04-19" "2020-04-20"
##  [51] "2020-04-21" "2020-04-22" "2020-04-23" "2020-04-24" "2020-04-25"
##  [56] "2020-04-26" "2020-04-27" "2020-04-28" "2020-04-29" "2020-04-30"
##  [61] "2020-05-01" "2020-05-02" "2020-05-03" "2020-05-04" "2020-05-05"
##  [66] "2020-05-06" "2020-05-07" "2020-05-08" "2020-05-09" "2020-05-10"
##  [71] "2020-05-11" "2020-05-12" "2020-05-13" "2020-05-14" "2020-05-15"
##  [76] "2020-05-16" "2020-05-17" "2020-05-18" "2020-05-19" "2020-05-20"
##  [81] "2020-05-21" "2020-05-22" "2020-05-23" "2020-05-24" "2020-05-25"
##  [86] "2020-05-26" "2020-05-27" "2020-05-28" "2020-05-29" "2020-05-30"
##  [91] "2020-05-31" "2020-06-01" "2020-06-02" "2020-06-03" "2020-06-04"
##  [96] "2020-06-05" "2020-06-06" "2020-06-07" "2020-06-08" "2020-06-09"
## [101] "2020-06-10" "2020-06-11" "2020-06-12" "2020-06-13" "2020-06-14"
## [106] "2020-06-15" "2020-06-16" "2020-06-17" "2020-06-18" "2020-06-19"
## [111] "2020-06-20" "2020-06-21" "2020-06-22" "2020-06-23" "2020-06-24"
## [116] "2020-06-25" "2020-06-26" "2020-06-27" "2020-06-28" "2020-06-29"
## [121] "2020-06-30" "2020-07-01" "2020-07-02" "2020-07-03" "2020-07-04"
## [126] "2020-07-05" "2020-07-06" "2020-07-07" "2020-07-08" "2020-07-09"
## [131] "2020-07-10" "2020-07-11" "2020-07-12" "2020-07-13" "2020-07-14"
## [136] "2020-07-15" "2020-07-16" "2020-07-17" "2020-07-18" "2020-07-19"
## [141] "2020-07-20" "2020-07-21" "2020-07-22" "2020-07-23" "2020-07-24"
## [146] "2020-07-25" "2020-07-26" "2020-07-27" "2020-07-28" "2020-07-29"
## [151] "2020-07-30" "2020-07-31" "2020-08-01" "2020-08-02" "2020-08-03"
## [156] "2020-08-04" "2020-08-05" "2020-08-06" "2020-08-07" "2020-08-08"
## [161] "2020-08-09" "2020-08-10" "2020-08-11" "2020-08-12" "2020-08-13"
## [166] "2020-08-14" "2020-08-15" "2020-08-16" "2020-08-17" "2020-08-18"
## [171] "2020-08-19" "2020-08-20" "2020-08-21" "2020-08-22" "2020-08-23"
## [176] "2020-08-24" "2020-08-25" "2020-08-26" "2020-08-27" "2020-08-28"
## [181] "2020-08-29" "2020-08-30" "2020-08-31" "2020-09-01" "2020-09-02"
## [186] "2020-09-03" "2020-09-04" "2020-09-05" "2020-09-06" "2020-09-07"
## [191] "2020-09-08" "2020-09-09" "2020-09-10" "2020-09-11" "2020-09-12"
## [196] "2020-09-13" "2020-09-14" "2020-09-15" "2020-09-16" "2020-09-17"
## [201] "2020-09-18" "2020-09-19" "2020-09-20" "2020-09-21" "2020-09-22"
## [206] "2020-09-23" "2020-09-24" "2020-09-25" "2020-09-26" "2020-09-27"
## [211] "2020-09-28" "2020-09-29" "2020-09-30" "2020-10-01" "2020-10-02"
## [216] "2020-10-03" "2020-10-04" "2020-10-05" "2020-10-06" "2020-10-07"
## [221] "2020-10-08" "2020-10-09" "2020-10-10" "2020-10-11" "2020-10-12"
## [226] "2020-10-13" "2020-10-14" "2020-10-15" "2020-10-16" "2020-10-17"
## [231] "2020-10-18" "2020-10-19" "2020-10-20" "2020-10-21" "2020-10-22"
## [236] "2020-10-23" "2020-10-24" "2020-10-25" "2020-10-26" "2020-10-27"
## [241] "2020-10-28" "2020-10-29" "2020-10-30" "2020-10-31" "2020-11-01"
## [246] "2020-11-02" "2020-11-03" "2020-11-04" "2020-11-05" "2020-11-06"
## [251] "2020-11-07" "2020-11-08" "2020-11-09" "2020-11-10" "2020-11-11"
## [256] "2020-11-12" "2020-11-13" "2020-11-14" "2020-11-15" "2020-11-16"
## [261] "2020-11-17" "2020-11-18" "2020-11-19" "2020-11-20" "2020-11-21"
## [266] "2020-11-22" "2020-11-23" "2020-11-24" "2020-11-25" "2020-11-26"
## [271] "2020-11-27" "2020-11-28" "2020-11-29" "2020-11-30" "2020-12-01"
## [276] "2020-12-02" "2020-12-03" "2020-12-04" "2020-12-05" "2020-12-06"
## [281] "2020-12-07" "2020-12-08" "2020-12-09" "2020-12-10" "2020-12-11"
## [286] "2020-12-12" "2020-12-13" "2020-12-14" "2020-12-15" "2020-12-16"
## [291] "2020-12-17" "2020-12-18" "2020-12-19" "2020-12-20" "2020-12-21"
## [296] "2020-12-22" "2020-12-23" "2020-12-24" "2020-12-25" "2020-12-26"
## [301] "2020-12-27" "2020-12-28" "2020-12-29" "2020-12-30" "2020-12-31"
## [306] "2021-01-01" "2021-01-02" "2021-01-03" "2021-01-04" "2021-01-05"
## [311] "2021-01-06" "2021-01-07" "2021-01-08" "2021-01-09" "2021-01-10"
## [316] "2021-01-11" "2021-01-12" "2021-01-13" "2021-01-14" "2021-01-15"
## [321] "2021-01-16" "2021-01-17" "2021-01-18" "2021-01-19" "2021-01-20"
## [326] "2021-01-21" "2021-01-22" "2021-01-23" "2021-01-24" "2021-01-25"
## [331] "2021-01-26" "2021-01-27" "2021-01-28" "2021-01-29" "2021-01-30"
## [336] "2021-01-31" "2021-02-01" "2021-02-02" "2021-02-03" "2021-02-04"
## [341] "2021-02-05" "2021-02-06" "2021-02-07" "2021-02-08" "2021-02-09"
## [346] "2021-02-10" "2021-02-11" "2021-02-12" "2021-02-13" "2021-02-14"
## [351] "2021-02-15" "2021-02-16" "2021-02-17" "2021-02-18" "2021-02-19"
## [356] "2021-02-20" "2021-02-21" "2021-02-22" "2021-02-23" "2021-02-24"
## [361] "2021-02-25" "2021-02-26" "2021-02-27" "2021-02-28" "2021-03-01"
## [366] "2021-03-02" "2021-03-03" "2021-03-04" "2021-03-05" "2021-03-06"
## [371] "2021-03-07" "2021-03-08" "2021-03-09" "2021-03-10" "2021-03-11"
## [376] "2021-03-12" "2021-03-13" "2021-03-14" "2021-03-15" "2021-03-16"
## [381] "2021-03-17" "2021-03-18" "2021-03-19" "2021-03-20" "2021-03-21"
## [386] "2021-03-22" "2021-03-23" "2021-03-24" "2021-03-25" "2021-03-26"
## [391] "2021-03-27" "2021-03-28" "2021-03-29" "2021-03-30" "2021-03-31"
## [396] "2021-04-01" "2021-04-02" "2021-04-03" "2021-04-04" "2021-04-05"
## [401] "2021-04-06" "2021-04-07" "2021-04-08" "2021-04-09" "2021-04-10"
## [406] "2021-04-11" "2021-04-12" "2021-04-13" "2021-04-14" "2021-04-15"
## [411] "2021-04-16" "2021-04-17" "2021-04-18" "2021-04-19" "2021-04-20"
## [416] "2021-04-21" "2021-04-22" "2021-04-23" "2021-04-24" "2021-04-25"
## [421] "2021-04-26" "2021-04-27" "2021-04-28" "2021-04-29" "2021-04-30"
## [426] "2021-05-01" "2021-05-02" "2021-05-03" "2021-05-04" "2021-05-05"

Etapa_1<-casos_region[,c(1,338)]
Etapa_2<-casos_region[,c(1,429)]

Se realizara un merge de las bases de datos Etapa_1 y Etapa_2

comparacion<-merge(Etapa_1,Etapa_2,'Region')
comparacion<-comparacion[Region!='Total']

Realizaremos un cambio de nombre de las variables “2021-02-02” a “Contagios_E1” y “2021-05-04” a “Contagios_E2”.

names  (comparacion)

## [1] "Region"     "2021-02-02" "2021-05-04"

names  (comparacion)[2]<-'Contagios_E1'
names  (comparacion)[3]<-'Contagios_E2'
names  (comparacion)

## [1] "Region"       "Contagios_E1" "Contagios_E2"

Grafico

Contagios <- names(comparacion)
Contagios <- Contagios[2:3]

comparacion1 <- melt(data = comparacion, id.vars = c("Region"), measure.vars = Contagios , variable.name = "Contagio")

ggplot(data = comparacion1, mapping = aes(x=Region, y=value, fill=Contagio)) + geom_bar(stat='identity', position = "dodge") + labs(x= "Región", y="Nivel de Contagio", title="Comparación Contagio por Etapas" , subtitle = "Por región", caption = "Fuente: MinCiencia Datos COVID19") + scale_fill_discrete(name="Contagios", labels=c("Etapa 1", "Etapa 2")) + theme(axis.text.x = element_text(angle=90, vjust=0.5))

Análisis:

Tal como se menciono anteriormente los contagios fueron dividisos en dos etapas, pre y post vacuna respectivamente. En el grafico “Comparacion Contagio por Etapas” podemos visualizar que una vez iniciado el proceso de vacunacion, los contagios aumentan destacando las regiones: Metropolitana, Biobío, Valparaíso y Araucania. Se puede observar que los contagios en la región Metropolitana son superiores a los de las otras regiones por lo cual suponemos que esto puede deberse a una alto nivel de población en dicha región.

Se tomaran en cuenta solo los datos de la primera dosis, dado que se asume que quienes obtuvieron la primera dosis obtendran la segunda

vacuna_dosis<-vacuna_dosis[Dosis!='Segunda']
vacuna_dosis<-vacuna_dosis[Region!='Total']

Necesitamos datos de poblacion por region, por lo cual se utilzara una tercera base que contiene dicho variable

poblacion<- fread('https://raw.githubusercontent.com/MinCiencia/Datos-COVID19/master/output/producto80/vacunacion_comuna_1eraDosis.csv')

poblacion<-poblacion[!Comuna %like% "Desconocido",] 

poblacion<-poblacion[,.('total_poblacion'=sum(Poblacion)),by=Region]

Calcularemos el porcentaje de vacunados por región. Dado que la base de datos “vacuna_dosis” contiene los valores acumulativos de los individuos vacunados con la primera dosis, tomaremos en cuenta la última columna de información (2021-05-04).

vacuna_pob <- vacuna_dosis[,c('Region','2021-05-04')]

Dado que las bases de datos tienen formatos distintos para los nombres de las regiones, debemos eliminar las tildes y renombrar las regiones en la base “poblacion”

###tilde 
library(stringr)

vacuna_pob$Region<-str_trim(vacuna_pob$Region, side = "both")

vacuna_pob

##                 Region 2021-05-04
##  1:              Aysén      46504
##  2:        Antofagasta     258718
##  3: Arica y Parinacota      92009
##  4:            Atacama     127038
##  5:           Coquimbo     349532
##  6:          Araucanía     450681
##  7:          Los Lagos     386801
##  8:           Los Ríos     184602
##  9:         Magallanes      96361
## 10:           Tarapacá     146113
## 11:         Valparaíso     938318
## 12:              Ñuble     256246
## 13:             Biobío     752165
## 14:          O’Higgins     450148
## 15:              Maule     506087
## 16:      Metropolitana    3255553

vacuna_pob$Region<- chartr('áéíóúñ','aeioun',vacuna_pob$Region)

vacuna_pob

##                 Region 2021-05-04
##  1:              Aysen      46504
##  2:        Antofagasta     258718
##  3: Arica y Parinacota      92009
##  4:            Atacama     127038
##  5:           Coquimbo     349532
##  6:          Araucania     450681
##  7:          Los Lagos     386801
##  8:           Los Rios     184602
##  9:         Magallanes      96361
## 10:           Tarapaca     146113
## 11:         Valparaiso     938318
## 12:              Ñuble     256246
## 13:             Biobio     752165
## 14:          O’Higgins     450148
## 15:              Maule     506087
## 16:      Metropolitana    3255553

###cambio nombre 
poblacion$Region[poblacion$Region=='Magallanes y la Antartica'] <- "Magallanes" #Con ello renombramos las regiones para que sean compatibles en ambas bases de datos.
poblacion$Region[poblacion$Region=='Del Libertador General Bernardo O’Higgins'] <- "O’Higgins"
poblacion$Region[poblacion$Region=='Nuble'] <- "Ñuble"
poblacion$Region[poblacion$Region=='La Araucania'] <- "Araucania"

Una vez realizado el cambio de nombre en la base, podemos continuar con el cálculo del porcentaje de vacunados por región.

vacuna_pob<-merge(vacuna_pob,poblacion,'Region')

###cambio nombre de variable 
names  (vacuna_pob)

## [1] "Region"          "2021-05-04"      "total_poblacion"

names  (vacuna_pob)[2]<-'vacunas'
names  (vacuna_pob)

## [1] "Region"          "vacunas"         "total_poblacion"

###calculo de porcentaje 
vacuna_pob[,porcentaje_dosis:=(vacunas/total_poblacion),by=.(Region)]

Eliminar tildes de datos de Etapa_2

Etapa_2$Region<-str_trim(Etapa_2$Region, side = "both")

Etapa_2

##                 Region 2021-05-04
##  1: Arica y Parinacota      20461
##  2:           Tarapacá      34122
##  3:        Antofagasta      49298
##  4:            Atacama      18500
##  5:           Coquimbo      32639
##  6:         Valparaíso      86523
##  7:      Metropolitana     505560
##  8:          O’Higgins      48958
##  9:              Maule      72792
## 10:              Ñuble      26514
## 11:             Biobío     116887
## 12:          Araucanía      72684
## 13:           Los Ríos      34285
## 14:          Los Lagos      69665
## 15:              Aysén       4412
## 16:         Magallanes      25709
## 17:              Total    1219064

Etapa_2$Region<- chartr('áéíóúñ','aeioun',Etapa_2$Region)

Etapa_2

##                 Region 2021-05-04
##  1: Arica y Parinacota      20461
##  2:           Tarapaca      34122
##  3:        Antofagasta      49298
##  4:            Atacama      18500
##  5:           Coquimbo      32639
##  6:         Valparaiso      86523
##  7:      Metropolitana     505560
##  8:          O’Higgins      48958
##  9:              Maule      72792
## 10:              Ñuble      26514
## 11:             Biobio     116887
## 12:          Araucania      72684
## 13:           Los Rios      34285
## 14:          Los Lagos      69665
## 15:              Aysen       4412
## 16:         Magallanes      25709
## 17:              Total    1219064

###cambio nombre de variable 
names  (Etapa_2)

## [1] "Region"     "2021-05-04"

names  (Etapa_2)[2]<-'contagio'
names  (Etapa_2)

## [1] "Region"   "contagio"

Se elimina el “Total” de Etapa_2 y se realiza un merge entre vacuna_pob y Etapa_2.

Etapa_2<-Etapa_2[Region!='Total']

Contagio_vacuna<-merge(vacuna_pob,Etapa_2,'Region')

Se realizará un gráfico de puntos que mostrará la relación entre el porcentaje de vacunación respecto a la cantidad de contagiados por región.

Relacion <- ggplot(data = Contagio_vacuna,mapping = aes(x=porcentaje_dosis, y=contagio, color=Region, text=paste("Región:",Region, "\n","Contagios:",contagio,"\n","Porcentaje Vacunación:",porcentaje_dosis,"\n" ))) + geom_point() + labs(x= "Porcentaje de vacunacion", y="Contagios", title="Relacion contagios y porcentaje de vacunación " , subtitle = "Por región", caption = "Fuente: MinCiencia Datos COVID19") 
ggplotly(Relacion, tooltip = "text")

Análisis:

A través de la base de datos que contiene los contagios post vacunación (Etapa_2) y el porcentaje de individuos vacunados (vacuna_pob) fuimos capaces de conectar estas variables para obtener una representación visual de dicha relación. Observamos que en casi todas las regiones, a medida que aumenta porcentaje de vacunación el rango de los contagios se encuentra entre 0 y 120.000 aproximadamente, exceptuando nuevamente a la región Metropolitana. Esta presenta un 40% de vacunación, no obstante tiene el nivel mas alto de contagios entre todas las regiones, superando los 500.000. Por otro lado, la región de Magallanes es la que tiene el porcentaje más alto de vacunados y tiene un nivel de contagio bajo, o regular, en comparación con otras regiones. Finalmente, podemos notar que la tendencia general es: a mayor porcentaje de vacunación, mayor número de contagios.

Asignaremos un codigo_region a las regiones de la base de datos vacuna_pob

###para saber el codigo region 
generar_regiones()

## Simple feature collection with 16 features and 1 field
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -109.4499 ymin: -56.52511 xmax: -66.41617 ymax: -17.49778
## CRS:           +proj=longlat +ellps=GRS80 +no_defs
## # A tibble: 16 x 2
##    codigo_region                                                        geometry
##  * <chr>                                                      <MULTIPOLYGON [°]>
##  1 01            (((-68.86081 -21.28512, -68.92172 -21.30035, -68.98939 -21.317…
##  2 02            (((-68.98863 -25.38016, -68.98731 -25.38411, -68.98696 -25.393…
##  3 03            (((-70.68641 -26.15053, -70.68303 -26.15132, -70.67828 -26.156…
##  4 04            (((-71.66962 -30.34526, -71.6706 -30.33935, -71.66564 -30.3346…
##  5 05            (((-71.67929 -33.44583, -71.68715 -33.44307, -71.68861 -33.439…
##  6 06            (((-71.1344 -34.78711, -71.13804 -34.79018, -71.14339 -34.7894…
##  7 07            (((-72.1032 -36.12348, -72.10308 -36.13219, -72.10417 -36.1351…
##  8 08            (((-71.41259 -38.10669, -71.41337 -38.11455, -71.41082 -38.119…
##  9 09            (((-73.35579 -38.73982, -73.35826 -38.72623, -73.35697 -38.722…
## 10 10            (((-73.6175 -41.8142, -73.62305 -41.81394, -73.62225 -41.80844…
## 11 11            (((-74.34857 -45.02053, -74.33143 -45.02757, -74.33517 -45.031…
## 12 12            (((-71.18405 -52.8089, -71.18946 -52.81092, -71.20145 -52.8123…
## 13 13            (((-70.47405 -33.8624, -70.47653 -33.86032, -70.48471 -33.8610…
## 14 14            (((-71.65597 -40.35386, -71.65704 -40.36363, -71.68299 -40.370…
## 15 15            (((-70.35079 -18.8362, -70.34977 -18.83428, -70.35102 -18.8235…
## 16 16            (((-72.38553 -36.91169, -72.38952 -36.91619, -72.3988 -36.9173…

###generar la nueva variable que se llame codigo_region 
vacuna_pob[,codigo_region:=(21:36)]
vacuna_pob

##                 Region vacunas total_poblacion porcentaje_dosis codigo_region
##  1:        Antofagasta  258718          691854        0.3739488            21
##  2:          Araucania  450681         1014343        0.4443083            22
##  3: Arica y Parinacota   92009          252110        0.3649558            23
##  4:            Atacama  127038          314709        0.4036682            24
##  5:              Aysen   46504          107297        0.4334138            25
##  6:             Biobio  752165         1663696        0.4521048            26
##  7:           Coquimbo  349532          836096        0.4180525            27
##  8:          Los Lagos  386801          891440        0.4339058            28
##  9:           Los Rios  184602          405835        0.4548696            29
## 10:         Magallanes   96361          178362        0.5402552            30
## 11:              Maule  506087         1131939        0.4470974            31
## 12:      Metropolitana 3255553         8125072        0.4006799            32
## 13:          O’Higgins  450148          991063        0.4542073            33
## 14:           Tarapaca  146113          382773        0.3817223            34
## 15:         Valparaiso  938318         1960170        0.4786922            35
## 16:              Ñuble  256246          511551        0.5009198            36

vacuna_pob$codigo_region[vacuna_pob$codigo_region=='34'] <- "01"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='21'] <- "02"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='24'] <- "03"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='27'] <- "04"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='35'] <- "05"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='33'] <- "06"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='31'] <- "07"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='26'] <- "08"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='22'] <- "09"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='28'] <- "10"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='25'] <- "11"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='30'] <- "12"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='32'] <- "13"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='29'] <- "14"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='23'] <- "15"
vacuna_pob$codigo_region[vacuna_pob$codigo_region=='36'] <- "16"

Se realizará un mapa para visualizar el porcentaje de vacunados por región.

regiones <- generar_regiones(mapa = chilemapas::mapa_comunas)
mapa<-merge(regiones,vacuna_pob,'codigo_region')

### Convierte el dataframe de data.table a sf
mapa<-st_sf(mapa)
class(mapa)

## [1] "sf"         "data.frame"

### Intervalos del porcentaje para los colores del mapa. Del 0 al 1 con separación de 0.2
bins<-seq(0,1,0.2)

paleta<-colorBin(palette = 'Purples',domain = vacuna_pob$porcentaje_dosis,bins = bins)

### Labels al pasar el mouse arriba del mapa
labels <- sprintf("<strong>Región: %s</strong><br/>Porc. Vacunación %g ", mapa$Region, mapa$porcentaje_dosis) %>% lapply(htmltools::HTML)

### Agregar una leyenda
leaflet(mapa) %>% addProviderTiles(provider = providers$OpenStreetMap.Mapnik) %>% addPolygons(color = ~paleta(porcentaje_dosis), weight = 2, fillOpacity = 0.6, label = labels) %>% addLegend(pal = paleta, values = ~bins, opacity = 1,position = "bottomright",title ="Porc. Vacunación")

## Warning: sf layer has inconsistent datum (+proj=longlat +ellps=GRS80 +no_defs).
## Need '+proj=longlat +datum=WGS84'

Análisis

Considerando la población de cada región es que pudimos obtener el porcentaje de vacunados, visualizándolo de manera interactiva en el mapa anterior. De acuerdo a los colores utilizados, se puede ver de mejor manera que en Chile, el porcentaje de vacunación de la primera dosis oscila entre el 20% y 60%. Esto demuestra que en Chile, a nivel regional, el proceso de vacunación ha sido prácticamente homogeneo.

Conclusión

Considerando las distintas variables, relaciones y estudios realizados a lo largo de esta investigación, es que podemos señalar lo siguiente: - El primer gráfico denominado “Comparación Contagio por Etapas” muestra claramente que el nivel de contagios es mayor durante el periodo en el que se inició el proceso de vacunación. - Al enfocar nuestro estudio en la segunda etapa y cruzar dicha información con los datos sobre la vacunación a nivel regional, pudimos observar una tendencia directamente proporcional, en donde a mayor porcentaje de la población vacunada, mayor es el nivel de contagios. Cabe destacar la existencia de casos extremos como la región Metropolitana. - Finalmente el mapa nos ayudó a dilucidar que el proceso de vacunación está siendo prácticamente homogéneo en todo Chile. De esta manera, considerando lo anteriormente mencionado es que se puede concluir que con la implementación de las vacunas se ha generado una falsa sensación de seguridad en la población, puesto que el número de contagios no ha disminuido, de lo contrario, ha aumentado en distintas magnitudes en cada una de las regiones de Chile. Si bien no se tomaron en cuenta los factores relacionados al confinamiento (cuarentenas obligatorias) que puede afectar la cantidad de contagios, se puede inferir que el aumento de los contagios se debe a la implementación de la vacuna y la falsa sensación de seguridad que trae consigo.