L1P3

Correlação entre chuva e temperatura de Campina Grande, Patos e João Pessoa (2010-2021)

Nesta documento, vamos utilizar os dados de 2010-2021 e analisar as correlações entre diferentes variáveis.

Para cada cidade, temos as seguintes informações:

• Semana
• Temperatura máxima
• Temperatura média
• Temperatura mínima
• Vento médio
• Vento máximo
• Umidade
• Chuva

Relação entre a temperatura de uma semana e a temperatura da semana passada, nas 3 cidades:

Através de um gráfio de pontos, podemos verificar visualmente se há uma relação linear entre a temperatura atual com a da semana passada:

clima = clima %>% 
  mutate(temp_semana_passada = lag(temp_media, n = 1)) 

clima %>% 
    filter(!is.na(temp_semana_passada), !is.na(temp_media)) %>% 
    ggplot(aes(x= temp_media, y = temp_semana_passada))+ 
    geom_point()

Visualmente, há uma correlação positiva e linear. Agora, vamos executar os algoritmos de correlação, para confirmar nossa hipótese:

clima %>% 
    filter(!is.na(temp_semana_passada),!is.na(temp_media)) %>% 
    summarise(spearman = cor(temp_media, temp_semana_passada, method="spearman"),
            kendall = cor(temp_media, temp_semana_passada, method="kendall"),
            pearson = cor(temp_media, temp_semana_passada, method="pearson"))

## # A tibble: 1 x 3
##   spearman kendall pearson
##      <dbl>   <dbl>   <dbl>
## 1    0.931   0.778   0.939

Em ambos os métodos, há uma correlação, forte e positiva, entre a temperatura atual com a da semana passada. Destaque para os métodos Spearman e Pearson, que tem valores semelhantes e mais altos que o método Kendall.

Relação entre temperatura e chuvas nas semanas em que choveu, nas 3 cidades:

Vizualiando a figura abaixo, não é possível determinar se há uma correlação entre chuva e temperatura.

clima = clima %>% 
    mutate(choveu = chuva != 0)

clima %>% 
    filter(choveu) %>% 
    ggplot(aes(x = temp_media, y = chuva))+
    geom_point()

Mas, ao olharmos as cidades de forma separa, talvez encontremos alguma correlação. Para simplificar, vou escolher o ano de 2016 para análise, por que foi o ano que entrei no curso de computação :)

library(ggpubr)

joao_pessoa %>% 
    ggscatter(x = "temp_media", y = "chuva", 
              add = "reg.line", conf.int = TRUE, 
              cor.coef = TRUE, cor.method = "pearson",
              xlab = "Temperatura Média", ylab = "Chuva", title = "João Pessoa", color = "seagreen")

## `geom_smooth()` using formula 'y ~ x'

campina_grande %>% 
    ggscatter(x = "temp_media", y = "chuva", 
              add = "reg.line", conf.int = TRUE, 
              cor.coef = TRUE, cor.method = "pearson",
              xlab = "Temperatura Média", ylab = "Chuva", title = "Campina Grande", color = "mediumorchid1")

## `geom_smooth()` using formula 'y ~ x'

patos %>% 
    ggscatter(x = "temp_media", y = "chuva", 
              add = "reg.line", conf.int = TRUE, 
              cor.coef = TRUE, cor.method = "pearson",
              xlab = "Temperatura Média", ylab = "Chuva", title = "Patos", color = "tomato")

## `geom_smooth()` using formula 'y ~ x'

Nos gráficos acima, demostra-se que há uma correlação, porém não muito forte como na análise anterior, e que o seu sinal é negativo. Portanto, quanto maior a temperatura, menor a probabilidade de grande volume de chuva.