Introducción

En este informe se presenta el desarrollo de tablas de frecuencia simple y agrupada, medidas de tendencia central, medidas de variabilidad, medidas de posición y diagramas de caja y bigotes con el fin organizar de una mejor manera la información y así tener una buena comprensión de los de diferentes datos en los países de América como lo son Barbados, Belice, Bermuda, Brasil, Canadá, Colombia, Costa Rica, Cuba, Dominicana, Ecuador, El Salvador, Guatemala, Haití, Honduras, Jamaica, México, Puerto Rico, Perú, Panamá, República Dominicana, Saint lucia, Saint vincent and the Grenadine, Trinidad y Tobago, Estados unidos, Islas vírgenes y Venezuela. Para realizar el siguiente informe usamos R estudio el cual es un software creado para el análisis estadístico, además de facilitar la creación de gráficos como lo son el circular, el de barras, etc. Haciendo este trabajo ponemos en práctica los conocimientos previamente adquiridos poniéndolos una situación, en este caso el deslizamiento de los suelos a causa de la lluvia en todo el mundo la cual es un evento al que nos podemos enfrentar diariamente como geólogos. Además, tenemos como objetivo principal el poder desarrollar las habilidades mediante el uso de la informática y el análisis estadístico.

Barbados

Para Barbados, solo hubo un deslizamiento en el estado de Saint Joseph, siendo esta la única ciudad donde aparecen datos.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Barbados")

table(pais$state.province)

## 
## Saint Joseph 
##            1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Saint Joseph	1	100	100	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="yellow", fill="darkblue", width=0.5) +
  xlab("Barbados") +
  ylab("Frecuencia") +
  
theme(axis.text.x = element_text(angle = 90))

Belize

Para Belize, solo hay un estado para la cual se tomaron datos y esta fue Cayo, donde se reportó un deslizamiento.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Belize")

table(pais$state.province)

## 
## Cayo 
##    1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Cayo	1	100	100	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue4", fill="red", width=0.5) +
  xlab("Belize") +
  ylab("Frecuencia") +
  
theme(axis.text.x = element_text(angle = 90))

Bermuda

En Bermuda, se reportaron dos deslizamientos en Hamilton city.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Bermuda")

table(pais$state.province)

## 
## Hamilton city 
##             2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Hamilton city	2	100	100	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow", width=0.5) +
  xlab("Bermuda") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Brazil

En el caso de Brazil, se reportaron deslizamiento en 3 estados: Pará, Amapá y Maranhão, siendo el primero donde más deslizamientos hubo (2) y en los otros solo 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Brazil")

table(pais$state.province)

## 
##    Amapá Maranhão     Pará 
##        1        1        2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Pará	2	50	50	50	50
Amapá	1	25	25	75	75
Maranhão	1	25	25	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Brazil") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Canada

Para Canada se presentaron deslizamientos en 3 estados: Ontario, Quebec y Nova Scotia, para las cuales el número de deslizamientos fue de 6, 3 y 1 respectivamente.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Canada")

table(pais$state.province)

## 
## Nova Scotia     Ontario      Quebec 
##           1           6           3

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Ontario	6	60	60	60	60
Quebec	3	30	30	90	90
Nova Scotia	1	10	10	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Canada") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Colombia

En Colombia, el número de deslizamientos se rpeortó de acuerdo al departamento donde ocurrió, siendo el de mayor frecuencia Antioquia con 19 deslizamientos, y los de menor frecuencia fueron: Bolívar, Meta, Putumayo, Quindío y Sucre, que solo tuvieron 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Colombia")

table(pais$state.province)

## 
##          Antioquia            Bolívar             Boyacá             Caldas 
##                 19                  1                  3                 10 
##            Caquetá              Cauca            Córdoba       Cundinamarca 
##                  2                  5                  3                  7 
##              Huila          Magdalena               Meta             Nariño 
##                  6                  3                  1                  5 
## Norte de Santander           Putumayo            Quindío          Risaralda 
##                  5                  1                  1                  4 
##          Santander              Sucre             Tolima    Valle del Cauca 
##                 11                  1                  4                  4

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Antioquia	19	19.8	19.8	19.8	19.8
Santander	11	11.5	11.5	31.2	31.2
Caldas	10	10.4	10.4	41.7	41.7
Cundinamarca	7	7.3	7.3	49.0	49.0
Huila	6	6.2	6.2	55.2	55.2
Cauca	5	5.2	5.2	60.4	60.4
Nariño	5	5.2	5.2	65.6	65.6
Norte de Santander	5	5.2	5.2	70.8	70.8
Risaralda	4	4.2	4.2	75.0	75.0
Tolima	4	4.2	4.2	79.2	79.2
Valle del Cauca	4	4.2	4.2	83.3	83.3
Boyacá	3	3.1	3.1	86.5	86.5
Córdoba	3	3.1	3.1	89.6	89.6
Magdalena	3	3.1	3.1	92.7	92.7
Caquetá	2	2.1	2.1	94.8	94.8
Bolívar	1	1.0	1.0	95.8	95.8
Meta	1	1.0	1.0	96.9	96.9
Putumayo	1	1.0	1.0	97.9	97.9
Quindío	1	1.0	1.0	99.0	99.0
Sucre	1	1.0	1.0	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Colombia") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Costa Rica

Para el país de Costa Rica se presentaron datos en 7 estados donde el que tuvo mayor número de deslizamientos fue San José con 25 y el de menor fue Limón con solo 2.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Costa Rica")

table(pais$state.province)

## 
##   Alajuela    Cartago Guanacaste    Heredia      Limón Puntarenas   San José 
##         20          6          5          8          2          9         25

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
San José	25	33.3	33.3	33.3	33.3
Alajuela	20	26.7	26.7	60.0	60.0
Puntarenas	9	12.0	12.0	72.0	72.0
Heredia	8	10.7	10.7	82.7	82.7
Cartago	6	8.0	8.0	90.7	90.7
Guanacaste	5	6.7	6.7	97.3	97.3
Limón	2	2.7	2.7	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Costa Rica") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Cuba

En CUba solo se reportaron 3 estados con deslizamientos, 1 para cada uno de ellos.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Cuba")

table(pais$state.province)

## 
##      Artemisa Province             Guantanamo Provincia de La Habana 
##                      1                      1                      1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Artemisa Province	1	33.3	33.3	33.3	33.3
Guantanamo	1	33.3	33.3	66.7	66.7
Provincia de La Habana	1	33.3	33.3	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Cuba") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Dominican Republic

En República Dominicanahubo 7 estados son deslizamientos, siendo Santiago el que más tuvo (4), y Hato Mayor, San Cristobal y santo Domingo con solo 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Dominican Republic")

table(pais$state.province)

## 
## Distrito Nacional        Hato Mayor           La Vega      Puerto Plata 
##                 3                 1                 2                 3 
##     San Cristóbal          Santiago     Santo Domingo 
##                 1                 4                 1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Santiago	4	26.7	26.7	26.7	26.7
Distrito Nacional	3	20.0	20.0	46.7	46.7
Puerto Plata	3	20.0	20.0	66.7	66.7
La Vega	2	13.3	13.3	80.0	80.0
Hato Mayor	1	6.7	6.7	86.7	86.7
San Cristóbal	1	6.7	6.7	93.3	93.3
Santo Domingo	1	6.7	6.7	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Domician Republic") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Dominica

Para el país de Dominica se presentaron 7 estados con deslizamientos donde el de mayor número de deslizamientos reportados fue Saint Paul con 4 y Saint Patrick con 4, el resto tuvo solamente 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Dominica")

table(pais$state.province)

## 
##  Saint Andrew  Saint George    Saint John  Saint Joseph    Saint Mark 
##             1             1             1             1             1 
## Saint Patrick    Saint Paul 
##             4             5

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Saint Paul	5	35.7	35.7	35.7	35.7
Saint Patrick	4	28.6	28.6	64.3	64.3
Saint Andrew	1	7.1	7.1	71.4	71.4
Saint George	1	7.1	7.1	78.6	78.6
Saint John	1	7.1	7.1	85.7	85.7
Saint Joseph	1	7.1	7.1	92.9	92.9
Saint Mark	1	7.1	7.1	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Dominica") +
  ylab("Frecuencia") +
  
theme(axis.text.x = element_text(angle = 90))

Ecuador

Para el caso de Ecuador se muestran datos en 14 estados, el doble de los anteriores, donde el de mayor frecuencia de deslizamientos fue Pichincha con 9.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Ecuador")

table(pais$state.province)

## 
##                          Azuay                         Carchi 
##                              2                              2 
##                       Cotopaxi                     Esmeraldas 
##                              1                              2 
##                         Guayas                           Loja 
##                              1                              4 
##                        Manabi                 Morona-Santiago 
##                              2                              1 
##                           Napo                      Pichincha 
##                              1                              9 
## Santo Domingo de los Tsáchilas                      Sucumbios 
##                              1                              1 
##                     Tungurahua               Zamora-Chinchipe 
##                              1                              2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Pichincha	9	30.0	30.0	30.0	30.0
Loja	4	13.3	13.3	43.3	43.3
Azuay	2	6.7	6.7	50.0	50.0
Carchi	2	6.7	6.7	56.7	56.7
Esmeraldas	2	6.7	6.7	63.3	63.3
Manabi	2	6.7	6.7	70.0	70.0
Zamora-Chinchipe	2	6.7	6.7	76.7	76.7
Cotopaxi	1	3.3	3.3	80.0	80.0
Guayas	1	3.3	3.3	83.3	83.3
Morona-Santiago	1	3.3	3.3	86.7	86.7
Napo	1	3.3	3.3	90.0	90.0
Santo Domingo de los Tsáchilas	1	3.3	3.3	93.3	93.3
Sucumbios	1	3.3	3.3	96.7	96.7
Tungurahua	1	3.3	3.3	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Ecuador") +
  ylab("Frecuencia") +
  
theme(axis.text.x = element_text(angle = 90))

El Salvador

En El Salvador se presentaron datos en 9 estados donde el de mayor número de deslizamientos fue La Libertad con 9, y los de menor número fueron Cabañas y La Paz con 1 deslizamiento reportado.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "El Salvador")

table(pais$state.province)

## 
##   Ahuachapán      Cabañas  La Libertad       La Paz   San Miguel San Salvador 
##            2            1            5            1            3            2 
##  San Vicente    Santa Ana    Sonsonate 
##            3            2            3

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
La Libertad	5	22.7	22.7	22.7	22.7
San Miguel	3	13.6	13.6	36.4	36.4
San Vicente	3	13.6	13.6	50.0	50.0
Sonsonate	3	13.6	13.6	63.6	63.6
Ahuachapán	2	9.1	9.1	72.7	72.7
San Salvador	2	9.1	9.1	81.8	81.8
Santa Ana	2	9.1	9.1	90.9	90.9
Cabañas	1	4.5	4.5	95.5	95.5
La Paz	1	4.5	4.5	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("El Salvador") +
  ylab("Frecuencia") +
  
theme(axis.text.x = element_text(angle = 90))

Guatemala

Para Guatmela, el número de estados con deslizamientos aumentó, siendo 18, y teniendo un número máximo de eventos en el estado de Guatemala con 31 deslizamientos registrados.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Guatemala")

table(pais$state.province)

## 
##   Alta Verapaz   Baja Verapaz  Chimaltenango     Chiquimula      Escuintla 
##              3              1              4              1              3 
##      Guatemala  Huehuetenango         Izabal        Jutiapa Quetzaltenango 
##             31              5              2              1              3 
##         Quiché   Sacatepéquez     San Marcos     Santa Rosa         Sololá 
##              7              3              2              1              9 
##   Suchitepeque    Totonicapán         Zacapa 
##              1              1              1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Guatemala	31	39.2	39.2	39.2	39.2
Sololá	9	11.4	11.4	50.6	50.6
Quiché	7	8.9	8.9	59.5	59.5
Huehuetenango	5	6.3	6.3	65.8	65.8
Chimaltenango	4	5.1	5.1	70.9	70.9
Alta Verapaz	3	3.8	3.8	74.7	74.7
Escuintla	3	3.8	3.8	78.5	78.5
Quetzaltenango	3	3.8	3.8	82.3	82.3
Sacatepéquez	3	3.8	3.8	86.1	86.1
Izabal	2	2.5	2.5	88.6	88.6
San Marcos	2	2.5	2.5	91.1	91.1
Baja Verapaz	1	1.3	1.3	92.4	92.4
Chiquimula	1	1.3	1.3	93.7	93.7
Jutiapa	1	1.3	1.3	94.9	94.9
Santa Rosa	1	1.3	1.3	96.2	96.2
Suchitepeque	1	1.3	1.3	97.5	97.5
Totonicapán	1	1.3	1.3	98.7	98.7
Zacapa	1	1.3	1.3	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Guatemala") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Haití

Para Haití solo se ven 5 estados en los que se presentaron 10 deslizamientos para Quest, 4 en Nord, 3 en Artibonite, 2 en Sud-Est y solo 1 en Centre.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Haiti")

table(pais$state.province)

## 
## Artibonite     Centre       Nord      Ouest    Sud-Est 
##          3          1          4         10          2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Ouest	10	50	50	50	50
Nord	4	20	20	70	70
Artibonite	3	15	15	85	85
Sud-Est	2	10	10	95	95
Centre	1	5	5	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Haiti") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Honduras

En Honduras se reportaron 11 estados con deslizamientos, siendo el de mayor frecuencia de estos sucesos, el estado de Francisco Morazán, y los de meor frecuencia: Colón, El Paraíso y La Paz.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Honduras")

table(pais$state.province)

## 
##          Choluteca              Colón          Comayagua              Copán 
##                  3                  1                  4                  5 
##             Cortés         El Paraíso Francisco Morazán              La Paz 
##                  2                  1                 15                  1 
##         Ocotepeque      Santa Bárbara               Yoro 
##                  2                  2                  2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Francisco Morazán	15	39.5	39.5	39.5	39.5
Copán	5	13.2	13.2	52.6	52.6
Comayagua	4	10.5	10.5	63.2	63.2
Choluteca	3	7.9	7.9	71.1	71.1
Cortés	2	5.3	5.3	76.3	76.3
Ocotepeque	2	5.3	5.3	81.6	81.6
Santa Bárbara	2	5.3	5.3	86.8	86.8
Yoro	2	5.3	5.3	92.1	92.1
Colón	1	2.6	2.6	94.7	94.7
El Paraíso	1	2.6	2.6	97.4	97.4
La Paz	1	2.6	2.6	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Honduras") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Jamaica

Para el caso de jamaica se reportaron 8 estados con deslizamientos, siendo Portland donde más se presentaron (8), y St. Elizabeth donde menos se presentaron (1).

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Jamaica")

table(pais$state.province)

## 
##       Clarendon        Portland    Saint Andrew       Saint Ann Saint Catherine 
##               2              12               5               3               3 
##      Saint Mary    Saint Thomas   St. Elizabeth 
##               3               4               1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Portland	12	36.4	36.4	36.4	36.4
Saint Andrew	5	15.2	15.2	51.5	51.5
Saint Thomas	4	12.1	12.1	63.6	63.6
Saint Ann	3	9.1	9.1	72.7	72.7
Saint Catherine	3	9.1	9.1	81.8	81.8
Saint Mary	3	9.1	9.1	90.9	90.9
Clarendon	2	6.1	6.1	97.0	97.0
St. Elizabeth	1	3.0	3.0	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Jamaica") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Mexico

En México, 19 estados tuvieron deslizamientos según los datos reportados, siendo Chiapas el de mayor número con 10, y Colima el de menor con solo 1 al igual que otros como Sinaloa o Nuevo León.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Mexico")

table(pais$state.province)

## 
##      Baja California  Baja California Sur              Chiapas 
##                    4                    1                   10 
##            Chihuahua               Colima             Guerrero 
##                    1                    1                    8 
##              Hidalgo              Jalisco               México 
##                    2                    1                    4 
##            Michoacán              Nayarit           Nuevo León 
##                    4                    2                    1 
##               Oaxaca               Puebla              Sinaloa 
##                    9                    4                    1 
##              Tabasco The Federal District             Veracruz 
##                    6                    3                    2 
##       Veracruz-Llave 
##                    9

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Chiapas	10	13.7	13.7	13.7	13.7
Oaxaca	9	12.3	12.3	26.0	26.0
Veracruz-Llave	9	12.3	12.3	38.4	38.4
Guerrero	8	11.0	11.0	49.3	49.3
Tabasco	6	8.2	8.2	57.5	57.5
Baja California	4	5.5	5.5	63.0	63.0
México	4	5.5	5.5	68.5	68.5
Michoacán	4	5.5	5.5	74.0	74.0
Puebla	4	5.5	5.5	79.5	79.5
The Federal District	3	4.1	4.1	83.6	83.6
Hidalgo	2	2.7	2.7	86.3	86.3
Nayarit	2	2.7	2.7	89.0	89.0
Veracruz	2	2.7	2.7	91.8	91.8
Baja California Sur	1	1.4	1.4	93.2	93.2
Chihuahua	1	1.4	1.4	94.5	94.5
Colima	1	1.4	1.4	95.9	95.9
Jalisco	1	1.4	1.4	97.3	97.3
Nuevo León	1	1.4	1.4	98.6	98.6
Sinaloa	1	1.4	1.4	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Mexico") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Nicaragua

En Nicaragua hubo 9 estados donde se obtuvieron datos de deslizamientos, de los cuales el que mayor tuvo fue Chontales con 14 y los que menos tuvieron fueron Atlántico Norte y Río San Juan con 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Nicaragua")

table(pais$state.province)

## 
## Atlántico Norte       Chontales        Jinotega          Madriz         Managua 
##               1              14               3               2               3 
##          Masaya      Ogun State    Río San Juan           Rivas 
##               2               3               1               2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Chontales	14	45.2	45.2	45.2	45.2
Jinotega	3	9.7	9.7	54.8	54.8
Managua	3	9.7	9.7	64.5	64.5
Ogun State	3	9.7	9.7	74.2	74.2
Madriz	2	6.5	6.5	80.6	80.6
Masaya	2	6.5	6.5	87.1	87.1
Rivas	2	6.5	6.5	93.5	93.5
Atlántico Norte	1	3.2	3.2	96.8	96.8
Río San Juan	1	3.2	3.2	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Nicaragua") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Puerto Rico

Para Puerto rico hubo 6 estados con deslizamientos, estando Ponce con 2 y el resto como Agua, Orocovis, etc. con solamente 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Puerto Rico")

table(pais$state.province)

## 
##    Aguada  Orocovis     Ponce  San Juan Vega Alta  Villalba 
##         1         1         2         1         1         1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Ponce	2	28.6	28.6	28.6	28.6
Aguada	1	14.3	14.3	42.9	42.9
Orocovis	1	14.3	14.3	57.1	57.1
San Juan	1	14.3	14.3	71.4	71.4
Vega Alta	1	14.3	14.3	85.7	85.7
Villalba	1	14.3	14.3	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Puerto Rico") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Peru

Para Perú hubo 4 estados con deslizamientos reportados, Ancash con 5, Huanuco con 4, San Martín con 3 y La Libertad con 2.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Peru")

table(pais$state.province)

## 
##      Ancash     Huanuco La Libertad  San Martín 
##           5           4           2           3

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Ancash	5	35.7	35.7	35.7	35.7
Huanuco	4	28.6	28.6	64.3	64.3
San Martín	3	21.4	21.4	85.7	85.7
La Libertad	2	14.3	14.3	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Peru") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Panama

En panamá solo se reportó un deslizamiento en el estado de Los Santos.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Panama")

table(pais$state.province)

## 
## Bocas del Toro       Chiriquí          Coclé          Colón     Los Santos 
##              7              9              1             11              1 
##         Panamá 
##             11

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Colón	11	27.5	27.5	27.5	27.5
Panamá	11	27.5	27.5	55.0	55.0
Chiriquí	9	22.5	22.5	77.5	77.5
Bocas del Toro	7	17.5	17.5	95.0	95.0
Coclé	1	2.5	2.5	97.5	97.5
Los Santos	1	2.5	2.5	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Panama") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Saint Vincent and the Grenadines

En Saint Vincent and the Grenadines también se reportó un deslizamiento solo en un estado: Charlotte.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Saint Vincent and the Grenadines")

table(pais$state.province)

## 
## Charlotte 
##         4

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Charlotte	4	100	100	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow", width=0.5) +
  xlab("Saint Vincent and the Grenadines") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Saint Lucia

En Santa Lucía se portaron 5 estados con 8 deslizamientos en total: Soufriére (4), Dennery (1), Laborie (1), Praslin (1) y Vieux-Fort (1).

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Saint Lucia")

table(pais$state.province)

## 
##    Dennery    Laborie    Praslin  Soufrière Vieux-Fort 
##          1          1          1          4          1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Soufrière	4	50.0	50.0	50.0	50.0
Dennery	1	12.5	12.5	62.5	62.5
Laborie	1	12.5	12.5	75.0	75.0
Praslin	1	12.5	12.5	87.5	87.5
Vieux-Fort	1	12.5	12.5	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Saint Lucia") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Trinidad and Tobago

Para Trinidad y Tobago hubo 15 estados donde se reportaron deslizamientos, siendo Diego Martín donde más se presentaron (16).

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Trinidad and Tobago")

table(pais$state.province)

## 
##                                Borough of Arima   City of Port of Spain 
##                       1                       1                       5 
##    City of San Fernando Couva-Tabaquite-Talparo            Diego Martin 
##                       2                       3                      16 
##          Eastern Tobago              Penal/Debe            Point Fortin 
##                      10                       2                       1 
##            Princes Town     San Juan/Laventille           Sangre Grande 
##                       1                       2                       7 
##                 Siparia                  Tobago         Tunapuna/Piarco 
##                       1                       7                       4

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Diego Martin	16	25.4	25.4	25.4	25.4
Eastern Tobago	10	15.9	15.9	41.3	41.3
Sangre Grande	7	11.1	11.1	52.4	52.4
Tobago	7	11.1	11.1	63.5	63.5
City of Port of Spain	5	7.9	7.9	71.4	71.4
Tunapuna/Piarco	4	6.3	6.3	77.8	77.8
Couva-Tabaquite-Talparo	3	4.8	4.8	82.5	82.5
City of San Fernando	2	3.2	3.2	85.7	85.7
Penal/Debe	2	3.2	3.2	88.9	88.9
San Juan/Laventille	2	3.2	3.2	92.1	92.1
	1	1.6	1.6	93.7	93.7
Borough of Arima	1	1.6	1.6	95.2	95.2
Point Fortin	1	1.6	1.6	96.8	96.8
Princes Town	1	1.6	1.6	98.4	98.4
Siparia	1	1.6	1.6	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Trinidad and Tobago") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

U.S. Virgin Islands

En U.S Virgin Islands solo se reportaron dos estados con deslizamientos: Saint Croix Island y Saint John Island ambos con 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "U.S. Virgin Islands")

table(pais$state.province)

## 
## Saint Croix Island  Saint John Island 
##                  1                  1

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Saint Croix Island	1	50	50	50	50
Saint John Island	1	50	50	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("U.S. Virgin Islands") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

United States

Para el caso de Estados Unidos, que fue el país con más estados (42) con deslizamientos, hubo 124 de ellos en kentucky y 108 en colorado siendo los de mayor número, y Michigan, Montana y Oregon con solo 1, los de menor número.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "United States")

table(pais$state.province)

## 
##        Alabama        Arizona       Arkansas     California       Colorado 
##              9             16              6             57            108 
##    Connecticut        Florida        Georgia          Idaho       Illinois 
##              6              2             11             37              9 
##        Indiana           Iowa         Kansas       Kentucky          Maine 
##              5             11              2            124              2 
##       Maryland  Massachusetts       Michigan      Minnesota    Mississippi 
##              8             10              1             23              2 
##       Missouri        Montana         Nevada  New Hampshire     New Jersey 
##              9              1              7              7             11 
##     New Mexico       New York North Carolina           Ohio       Oklahoma 
##             11             31             52             61              4 
##         Oregon   Pennsylvania South Carolina   South Dakota      Tennessee 
##              1             97              2              2             39 
##          Texas           Utah        Vermont       Virginia  West Virginia 
##              4             65              7             16             80 
##      Wisconsin        Wyoming 
##             13             17

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Kentucky	124	12.6	12.6	12.6	12.6
Colorado	108	11.0	11.0	23.5	23.5
Pennsylvania	97	9.8	9.8	33.4	33.4
West Virginia	80	8.1	8.1	41.5	41.5
Utah	65	6.6	6.6	48.1	48.1
Ohio	61	6.2	6.2	54.3	54.3
California	57	5.8	5.8	60.0	60.0
North Carolina	52	5.3	5.3	65.3	65.3
Tennessee	39	4.0	4.0	69.3	69.3
Idaho	37	3.8	3.8	73.0	73.0
New York	31	3.1	3.1	76.2	76.2
Minnesota	23	2.3	2.3	78.5	78.5
Wyoming	17	1.7	1.7	80.2	80.2
Arizona	16	1.6	1.6	81.8	81.8
Virginia	16	1.6	1.6	83.5	83.5
Wisconsin	13	1.3	1.3	84.8	84.8
Georgia	11	1.1	1.1	85.9	85.9
Iowa	11	1.1	1.1	87.0	87.0
New Jersey	11	1.1	1.1	88.1	88.1
New Mexico	11	1.1	1.1	89.2	89.2
Massachusetts	10	1.0	1.0	90.3	90.3
Alabama	9	0.9	0.9	91.2	91.2
Illinois	9	0.9	0.9	92.1	92.1
Missouri	9	0.9	0.9	93.0	93.0
Maryland	8	0.8	0.8	93.8	93.8
Nevada	7	0.7	0.7	94.5	94.5
New Hampshire	7	0.7	0.7	95.2	95.2
Vermont	7	0.7	0.7	95.9	95.9
Arkansas	6	0.6	0.6	96.6	96.6
Connecticut	6	0.6	0.6	97.2	97.2
Indiana	5	0.5	0.5	97.7	97.7
Oklahoma	4	0.4	0.4	98.1	98.1
Texas	4	0.4	0.4	98.5	98.5
Florida	2	0.2	0.2	98.7	98.7
Kansas	2	0.2	0.2	98.9	98.9
Maine	2	0.2	0.2	99.1	99.1
Mississippi	2	0.2	0.2	99.3	99.3
South Carolina	2	0.2	0.2	99.5	99.5
South Dakota	2	0.2	0.2	99.7	99.7
Michigan	1	0.1	0.1	99.8	99.8
Montana	1	0.1	0.1	99.9	99.9
Oregon	1	0.1	0.1	100.0	100.0

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("United States") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Venezuela

Para Venezuela solo se reportaron 5 estados, Distrito Federal con 12 deslizamientos, Miranda con 4, Vargas con 2, y Aragua y Falcón con 1.

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, country_name == "Venezuela")

table(pais$state.province)

## 
##           Aragua Distrito Federal           Falcón          Miranda 
##                1               12                1                4 
##           Vargas 
##                2

Capital <- c(pais$state.province)

library(questionr)

table <- questionr::freq(Capital, cum = TRUE, sort = "dec", total = FALSE)
knitr::kable(table)

	n	%	val%	%cum	val%cum
Distrito Federal	12	60	60	60	60
Miranda	4	20	20	80	80
Vargas	2	10	10	90	90
Aragua	1	5	5	95	95
Falcón	1	5	5	100	100

x <- row.names(table)
y <- table$n
names <- x[1:(length(x)-1)]
freqs <- y[1:(length(y)-1)]

df <- data.frame(x = table, y = table$n)

library(ggplot2)

ggplot(data=df, aes(x=x, y=y)) + 
  geom_bar(stat="identity", color="blue", fill="yellow") +
  xlab("Venezuela") +
  ylab("Frecuencia") +
theme(axis.text.x = element_text(angle = 90))

Discusión

Estas fueron las 5 ciudades (con su respectivo país) donde ocurrieron la mayor parte de eventos geológicos asociados con los deslizamientos. Siendo el primero Estados Unidos con 124 deslizamientos en el estado de Kentucky y el quinto Guatemala con 20 deslizamientos en la ciudad de Alajuela. En el caso de Colombia, este posee una cifra cercana 19 eventos geológicos en el departamento de Antioquia.

df <- data.frame(Ciudad_pais = 
                   c("Kentucky/US","Colorado/US","City of Guatemala/GT","San josé/CR","Alajuela/CR"), 
                 Numero_de_eventos = 
                   c(124,108,31,25,20))
knitr::kable(df)

Ciudad_pais	Numero_de_eventos
Kentucky/US	124
Colorado/US	108
City of Guatemala/GT	31
San josé/CR	25
Alajuela/CR	20

df$Ciudad_pais = factor(df$Ciudad_pais, levels=c("Kentucky/US","Colorado/US","City of Guatemala/GT","San josé/CR","Alajuela/CR"))
levels(df$Ciudad_pais)

## [1] "Kentucky/US"          "Colorado/US"          "City of Guatemala/GT"
## [4] "San josé/CR"          "Alajuela/CR"

library(ggplot2)
ggplot(data=df, aes(x=Ciudad_pais, y=Numero_de_eventos)) + geom_bar(stat="identity") +
  theme(axis.text.x = element_text(angle = 90))

Gráfico Circular

library(ggplot2)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

data <- data.frame(group = c("Kentucky/US","Colorado/US","City of Guatemala/GT","San josé/CR","Alajuela/CR"), 
                   value = c(40,35,10,8,7))
library(ggplot2)
library(dplyr)

data <- data %>% 
  arrange(desc(group)) %>%
  mutate(prop = value / sum(data$value) *100) %>%
  mutate(ypos = cumsum(prop)- 0.5*prop )

require(scales)

## Loading required package: scales

ggplot(data, aes(x="", y = prop, fill=group)) +
  geom_bar(stat="identity", width=1, color="white") +
  coord_polar("y", start=0) +
  theme_void() + 
  theme(legend.position="none") +
  
  geom_text(aes(y = ypos, label = percent(value/100)), color = "white", size=6, angle = 90) +
  scale_fill_brewer(palette="Set1")

Series de tiempo

A continuación mostraremos una serie de tiempo para estos 5 estados con su respectivo país donde hubieron la mayor cantidad de eventos, y al mismo tiempo se mostrará que en algunos días se presentaron varios eventos simultaneos.

library(readr)

## 
## Attaching package: 'readr'

## The following object is masked from 'package:scales':
## 
##     col_factor

library(knitr)  

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, state.province == "Kentucky")

write.csv(x = pais, file = "pais.csv") 

data2 <- read.csv("pais.csv")

library(ggplot2)
library(dplyr)

ggplot(data2, aes(x = date, y = distance )) +
  geom_line(color="#69b3a2", size = 1)+
  geom_point()+
  theme(axis.text.x = element_text(angle = 90))

library(readr)
library(knitr)  

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, state.province == "Colorado")

write.csv(x = pais, file = "pais.csv") 

data2 <- read.csv("pais.csv")

library(ggplot2)
library(dplyr)

ggplot(data2, aes(x = date, y = distance )) +
  geom_line(color="#69b3a2", size = 1)+
  geom_point()+
  theme(axis.text.x = element_text(angle = 90))

library(readr)
library(knitr)  

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, state.province == "Guatemala")

write.csv(x = pais, file = "pais.csv") 

data2 <- read.csv("pais.csv")

library(ggplot2)
library(dplyr)

ggplot(data2, aes(x = date, y = distance )) +
  geom_line(color="#69b3a2", size = 1)+
  geom_point()+
  theme(axis.text.x = element_text(angle = 90))

library(readr)
library(knitr)  

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, state.province == "San JosÃ©")

write.csv(x = pais, file = "pais.csv") 

data2 <- read.csv("pais.csv")

library(ggplot2)
library(dplyr)

ggplot(data2, aes(x = date, y = distance )) +
  geom_line(color="#69b3a2", size = 1)+
  geom_point()+
  theme(axis.text.x = element_text(angle = 90))

library(readr)
library(knitr)  

df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

pais <- subset(df, state.province == "Alajuela")

write.csv(x = pais, file = "pais.csv") 

data2 <- read.csv("pais.csv")

library(ggplot2)
library(dplyr)

ggplot(data2, aes(x = date, y = distance )) +
  geom_line(color="#69b3a2", size = 1)+
  geom_point()+
  theme(axis.text.x = element_text(angle = 90))

## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?

library(knitr)
library(readr)


df <- read.csv("https://raw.githubusercontent.com/lihkir/AnalisisEstadisticoUN/main/Data/catalog.csv")

knitr::kable(head(df))

id	date	time	continent_code	country_name	country_code	state.province	population	city.town	distance	location_description	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	injuries	fatalities	source_name	source_link
34	3/2/07	Night	NA	United States	US	Virginia	16000	Cherry Hill	3.40765	Unknown	38.6009	-77.2682	(38.600900000000003, -77.268199999999993)	Landslide	Landslide	Small	Rain	NA	NA	NBC 4 news	http://www.nbc4.com/news/11186871/detail.html
42	3/22/07		NA	United States	US	Ohio	17288	New Philadelphia	3.33522		40.5175	-81.4305	(40.517499999999998, -81.430499999999995)	Landslide	Landslide	Small	Rain	NA	NA	Canton Rep.com	http://www.cantonrep.com/index.php?ID=345054&Category=9&subCategoryID=0
56	4/6/07		NA	United States	US	Pennsylvania	15930	Wilkinsburg	2.91977	Urban area	40.4377	-79.9160	(40.4377, -79.915999999999997)	Landslide	Landslide	Small	Rain	NA	NA	The Pittsburgh Channel.com	https://web.archive.org/web/20080423132842/http://www.thepittsburghchannel.com/news/11846833/detail.html
59	4/14/07		NA	Canada	CA	Quebec	42786	Châteauguay	2.98682	Above river	45.3226	-73.7771	(45.322600000000001, -73.777100000000004)	Landslide	Riverbank collapse	Small	Rain	NA	NA	Le Soleil	http://www.hebdos.net/lsc/edition162007/articles.asp?article_id=166976
61	4/15/07		NA	United States	US	Kentucky	6903	Pikeville	5.66542	Below road	37.4325	-82.4931	(37.432499999999997, -82.493099999999998)	Landslide	Landslide	Small	Downpour	NA	0	Matthew Crawford (KGS)
64	4/20/07		NA	United States	US	Kentucky	6903	Pikeville	0.23715		37.4814	-82.5186	(37.481400000000001, -82.518600000000006)	Landslide	Landslide	Small	Rain	NA	NA	Applalachain news-express	http://www.news-expressky.com/articles/2007/04/19/top_story/01mudslide.txt

Estados Unidos

En las zonas donde se han registrado los deslizamientos, el valor promedio de la población es 2509 habitantes. Mientras que los deslizamientos de tierra tienen una longitud de 8,46 kilometros promedio.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

colnames(df)[7] <- "state"
pais <- subset(df, country_name == "United States")

knitr::kable(head(pais))

	id	date	time	continent_code	country_name	country_code	state	population	city.town	distance	location_description	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	injuries	fatalities	source_name	source_link
1	34	3/2/07	Night	NA	United States	US	Virginia	16000	Cherry Hill	3.40765	Unknown	38.6009	-77.2682	(38.600900000000003, -77.268199999999993)	Landslide	Landslide	Small	Rain	NA	NA	NBC 4 news	http://www.nbc4.com/news/11186871/detail.html
2	42	3/22/07		NA	United States	US	Ohio	17288	New Philadelphia	3.33522		40.5175	-81.4305	(40.517499999999998, -81.430499999999995)	Landslide	Landslide	Small	Rain	NA	NA	Canton Rep.com	http://www.cantonrep.com/index.php?ID=345054&Category=9&subCategoryID=0
3	56	4/6/07		NA	United States	US	Pennsylvania	15930	Wilkinsburg	2.91977	Urban area	40.4377	-79.9160	(40.4377, -79.915999999999997)	Landslide	Landslide	Small	Rain	NA	NA	The Pittsburgh Channel.com	https://web.archive.org/web/20080423132842/http://www.thepittsburghchannel.com/news/11846833/detail.html
5	61	4/15/07		NA	United States	US	Kentucky	6903	Pikeville	5.66542	Below road	37.4325	-82.4931	(37.432499999999997, -82.493099999999998)	Landslide	Landslide	Small	Downpour	NA	0	Matthew Crawford (KGS)
6	64	4/20/07		NA	United States	US	Kentucky	6903	Pikeville	0.23715		37.4814	-82.5186	(37.481400000000001, -82.518600000000006)	Landslide	Landslide	Small	Rain	NA	NA	Applalachain news-express	http://www.news-expressky.com/articles/2007/04/19/top_story/01mudslide.txt
7	67	4/24/07		NA	United States	US	South Dakota	2540	Dakota Dunes	2.48033		42.4941	-96.4576	(42.494100000000003, -96.457599999999999)	Landslide	Landslide	Small	Rain	NA	NA	Sioux City Journnal	http://www.siouxcityjournal.com/articles/2007/04/25/news/top/02a92f1defdd220f862572c800126dfc.txt

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)

## 
## Attaching package: 'pastecs'

## The following objects are masked from 'package:dplyr':
## 
##     first, last

stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 9.860000e+02 0.000000e+00 0.000000e+00 8.100000e+01 1.526006e+06 1.525925e+06 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 2.474413e+07 4.144500e+03 2.509547e+04 2.840471e+03 5.574069e+03 7.955317e+09 
##      std.dev     coef.var 
## 8.919258e+04 3.554131e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##  985.0000000    0.0000000    1.0000000    0.0017800   74.4609700   74.4591900 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 8334.9682600    5.0815200    8.4618967    0.3178238    0.6236904   99.4968078 
##      std.dev     coef.var 
##    9.9748087    1.1787911

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

En este gráfico, resalta la canitidad de datos atípicos respecto a la distancia que pueden alcanzar los deslizamientos de tierra, llegando incluso a distancias mayores a los 70 kilometros.

library(tidyverse)

## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──

## ✓ tibble  3.1.3     ✓ stringr 1.4.0
## ✓ tidyr   1.1.3     ✓ forcats 0.5.1
## ✓ purrr   0.3.4

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x readr::col_factor() masks scales::col_factor()
## x purrr::discard()    masks scales::discard()
## x tidyr::extract()    masks pastecs::extract()
## x dplyr::filter()     masks stats::filter()
## x pastecs::first()    masks dplyr::first()
## x dplyr::lag()        masks stats::lag()
## x pastecs::last()     masks dplyr::last()

library(hrbrthemes)

## NOTE: Either Arial Narrow or Roboto Condensed fonts are required to use these themes.

##       Please use hrbrthemes::import_roboto_condensed() to install Roboto Condensed and

##       if Arial Narrow is not on your system, please see https://bit.ly/arialnarrow

library(viridis)

## Loading required package: viridisLite

## 
## Attaching package: 'viridis'

## The following object is masked from 'package:scales':
## 
##     viridis_pal

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="blue", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

## Warning: Removed 1 rows containing non-finite values (stat_boxplot).

Canada

En Canada, el tamaño máximo de la población donde ha ocurrido un deslizamiento resgistrado en esta base de datos es 812129. Por otro lado, el mayor deslizamiento tuvo una longitud de 2.74 kilometros.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

pais <- subset(df, country_name == "Canada")

knitr::kable(head(pais))

	id	date	time	continent_code	country_name	country_code	state	population	city.town	distance	location_description	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	injuries	fatalities	source_name	source_link
4	59	4/14/07		NA	Canada	CA	Quebec	42786	Châteauguay	2.98682	Above river	45.3226	-73.7771	(45.322600000000001, -73.777100000000004)	Landslide	Riverbank collapse	Small	Rain	NA	NA	Le Soleil	http://www.hebdos.net/lsc/edition162007/articles.asp?article_id=166976
14	119	7/8/07		NA	Canada	CA	Ontario	812129	Ottawa	1.74759		45.4257	-75.6896	(45.425699999999999, -75.689599999999999)	Landslide	Landslide	Small	Unknown	NA	NA		http://www.cfra.com/headlines/index.asp?cat=1&nid=50672
379	2085	7/16/10	6:00:00	NA	Canada	CA	Ontario	33232	Ancaster	5.11510	Above road	43.2453	-79.9367	(43.2453, -79.936700000000002)	Landslide	Mudslide	Medium	Downpour	NA	0	Hamilton Spectator	http://www.thespec.com/news-story/2163626-mudslide-causes-four-vehicle-crash-on-highway-403/
451	2490	9/23/10	23:00:00	NA	Canada	CA	Quebec	17016	Saint-Lazare	3.16544		45.3717	-74.1359	(45.371699999999997, -74.135900000000007)	Landslide	Landslide	Medium	Downpour	NA	0		http://www.torontosun.com/news/canada/2010/09/24/15463551.html
929	4710	1/13/13		NA	Canada	CA	Ontario	115760	Guelph	12.17933		43.6187	-80.1432	(43.618699999999997, -80.143199999999993)	Landslide	Mudslide	Medium	Rain	NA	NA	www.lfpress.com	http://www.lfpress.com/2013/01/14/ministry-of-the-environment-investigating-mudslide-in-rockwood-near-guelph
1320	6404	11/28/14	8:30	NA	Canada	CA	Ontario	519949	Hamilton	4.79449	Above road	43.2804	-79.8919	(43.2804, -79.891900000000007)	Landslide	Landslide	Small	Unknown	0	0	Hamilton Spectator	http://www.thespec.com/news-story/5161560--landslide-closes-lanes-of-toronto-bound-hwy-403-at-york-blvd-/

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)


stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 1.000000e+01 0.000000e+00 0.000000e+00 2.052000e+03 8.121290e+05 8.100770e+05 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 2.089303e+06 3.800900e+04 2.089303e+05 9.314769e+04 2.107147e+05 8.676492e+10 
##      std.dev     coef.var 
## 2.945588e+05 1.409843e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##   10.0000000    0.0000000    0.0000000    1.7475900   12.1793300   10.4317400 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
##   49.7996700    3.7521400    4.9799670    1.2151153    2.7487818   14.7650519 
##      std.dev     coef.var 
##    3.8425320    0.7715979

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

En general, los valores de distancia de los desplazamientos en Canada son uniformes, con solo dos eventos atípicos.

library(tidyverse)
library(hrbrthemes)
library(viridis)

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="blue", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

##Costa Rica

La diferencia entre las mayores poblaciones y menores poblaciones donde ha ocurrido algún deslizamiento en Costa Rica es 335007 habitantes. Mientras que el rango para la distancia de los delizamientos es 22.07 kilometros.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

pais <- subset(df, country_name == "Costa Rica")

knitr::kable(head(pais))

	id	date	continent_code	country_name	country_code	state	population	city.town	distance	location_description	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	storm_name	injuries	fatalities	source_name	source_link
38	249	9/9/07	NA	Costa Rica	CR	Heredia	21947	Heredia	0.26208		10.0000	-84.1167	(10, -84.116699999999994)	Landslide	Landslide	Medium	Rain		NA	NA	ticotimes.net	http://www.ticotimes.net/dailyarchive/2007_09/0911072.htm
44	299	10/9/07	NA	Costa Rica	CR	San José	3072	San Ignacio	4.57763		9.7789	-84.1250	(9.7789000000000001, -84.125)	Landslide	Complex	Medium	Rain		NA	4	ticotimes.net	http://www.ticotimes.net/dailyarchive/2007_10/1010071.htm
45	301	10/11/07	NA	Costa Rica	CR	Alajuela	7014	Atenas	3.08459		9.9869	-84.4070	(9.9869000000000003, -84.406999999999996)	Landslide	Mudslide	Large	Rain		NA	14	Agence France-Presse, afp.google.com	http://afp.google.com/article/ALeqM5hu6a8oyAM1ycq9nU_6Zyj_l7F0AA
46	302	10/11/07	NA	Costa Rica	CR	San José	26669		9.56251		10.0214	-83.9451	(10.0214, -83.945099999999996)	Landslide	Landslide	Large	Rain		NA	10	International Herald	http://www.iht.com/articles/ap/2007/10/12/america/LA-GEN-Costa-Rica-Mudslide.php
51	323	10/24/07	NA	Costa Rica	CR	Puntarenas	6540	Miramar	3.82425	Mine construction	10.0715	-84.7575	(10.0715, -84.757499999999993)	Landslide	Mudslide	Medium	Downpour		NA	NA	Reuters - AlertNet.org	http://www.reuters.com/article/companyNewsAndPR/idUSN2435152820071025
102	556	5/29/08	NA	Costa Rica	CR	Guanacaste	4108	Bagaces	17.65521		10.4024	-85.3555	(10.4024, -85.355500000000006)	Landslide	Landslide	Medium	Tropical cyclone	Tropical Storm Alma	NA	NA		http://www.reliefweb.int/rw/RWB.NSF/db900SID/ASAZ-7FHCHL?OpenDocument

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)


stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 7.500000e+01 4.000000e+00 0.000000e+00 0.000000e+00 3.350070e+05 3.350070e+05 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 1.127522e+06 6.784000e+03 1.503363e+04 4.498709e+03 8.963873e+03 1.517878e+09 
##      std.dev     coef.var 
## 3.895996e+04 2.591521e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##   75.0000000    0.0000000    0.0000000    0.2525400   22.3236800   22.0711400 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
##  646.1411800    8.2137200    8.6152157    0.6924979    1.3798322   35.9665004 
##      std.dev     coef.var 
##    5.9972077    0.6961181

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

En el gráfico de caja para Costa Rica, es posible distinguir fácilmente que el valor de la mediana es 8,2 aproximandamente, y que los valores a la izquierda de esta medida, son más dispersos a comparación de los valores hacia la derecha.

library(tidyverse)
library(hrbrthemes)
library(viridis)

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="green", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

Jamaica

La longitud mínina de un deslizamiento de tierra en Jamaica ha sido 0.21 kilometros; y la menor cantidad de personas afectadas por un deslizamiento es 1088 personas.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

pais <- subset(df, country_name == "Jamaica")

knitr::kable(head(pais))

	id	date	continent_code	country_name	country_code	state	population	city.town	distance	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	storm_name	injuries	fatalities	source_name	source_link
18	174	8/11/07	NA	Jamaica	JM	Portland	14400	Port Antonio	7.79027	18.1258	-76.5082	(18.125800000000002, -76.508200000000002)	Landslide	Landslide	Medium	Rain		NA	NA	Jamaica Gleaner	http://www.jamaica-gleaner.com/gleaner/20070812/lead/lead2.html
48	304	10/12/07	NA	Jamaica	JM	St. Elizabeth	1371	Maggotty	4.57363	18.1257	-77.7405	(18.125699999999998, -77.740499999999997)	Landslide	Complex	Medium	Rain		NA	NA	RadioJamaica	http://www.radiojamaica.com/content/view/2039/26/
50	314	10/17/07	NA	Jamaica	JM	Saint Thomas	2382	Bath	0.21825	17.9500	-76.3500	(17.95, -76.349999999999994)	Landslide	Mudslide	Medium	Rain		NA	NA	RadioJamaica	http://www.radiojamaica.com/content/view/2193/26/
54	339	10/31/07	NA	Jamaica	JM	Saint Thomas	2634	Easington	6.51940	17.9384	-76.6479	(17.938400000000001, -76.647900000000007)	Landslide	Landslide	Medium	Tropical cyclone	Tropical Storm Noel	NA	1	RadioJamaica	http://www.radiojamaica.com/content/view/2583/26/
55	340	10/31/07	NA	Jamaica	JM	Saint Catherine	4085	Riversdale	5.46381	18.2152	-76.9659	(18.215199999999999, -76.965900000000005)	Landslide	Complex	Medium	Rain		NA	NA	RadioJamaica	http://www.radiojamaica.com/content/view/2933/26/
56	341	10/31/07	NA	Jamaica	JM	Saint Andrew	1088	Gordon Town	0.96514	18.0370	-76.7088	(18.036999999999999, -76.708799999999997)	Landslide	Landslide	Medium	Tropical cyclone	Tropical Storm Noel	NA	NA	Jamaica Observer	http://www.jamaicaobserver.com/news/html/20071101T010000-0500_128916_OBS_DEADLY_RAIN.asp

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)


stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 3.300000e+01 0.000000e+00 0.000000e+00 1.088000e+03 4.475500e+04 4.366700e+04 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 2.342270e+05 2.757000e+03 7.097788e+03 1.474547e+03 3.003553e+03 7.175151e+07 
##      std.dev     coef.var 
## 8.470626e+03 1.193418e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##   33.0000000    0.0000000    0.0000000    0.2182500   10.8446700   10.6264200 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
##  147.1557200    4.4694200    4.4592642    0.5248336    1.0690510    9.0898595 
##      std.dev     coef.var 
##    3.0149394    0.6761069

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

El cuarto percentil con base en la distancia de los deslizamientos, tiene valores dispersos acorde a los demás percentiles; además, no han habído valores atípicos de los deslizamientos en Jamaica.

library(tidyverse)
library(hrbrthemes)
library(viridis)

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="blue", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

Colombia

En promedio poblacional en zonas con deslizamientos en Colombia es 222180 personas; mientras que el promedio de la distancia de dichos deslizamientos es 7.62 kilometros.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

pais <- subset(df, country_name == "Colombia")

knitr::kable(head(pais))

	id	date	continent_code	country_name	country_code	state	population	city.town	distance	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	injuries	fatalities	source_name	source_link
8	77	5/21/07	SA	Colombia	CO	Risaralda	440118	Pereira	0.62022	4.8081	-75.6941	(4.8080999999999996, -75.694100000000006)	Landslide	Mudslide	Large	Rain	NA	13	Reuters - AlertNet.org	http://www.reuters.com/news/video/videoStory?videoId=53594&feedType=RSS&rpc=23
49	307	10/13/07	SA	Colombia	CO	Cauca	9985	Suárez	8.46579	2.9437	-76.7719	(2.9437000000000002, -76.771900000000002)	Landslide	Mudslide	Large	Continuous rain	NA	24	Reuters - AlertNet.org	http://www.reuters.com/article/newsOne/idUSN1329387220071013
70	397	12/19/07	SA	Colombia	CO	Tolima	4892	Ambalema	6.96130	4.8470	-74.7631	(4.8470000000000004, -74.763099999999994)	Landslide	Landslide	Large	Rain	NA	NA	Indiamuslims.info	http://www.indiamuslims.info/news/2007/dec/20/eight_people_rescued_colombian_landslide.html
103	562	5/31/08	SA	Colombia	CO	Antioquia	1999979	Medellín	5.12170	6.2746	-75.6039	(6.2746000000000004, -75.603899999999996)	Landslide	Complex	Large	Downpour	NA	27		http://english.people.com.cn/90001/90777/90852/6422291.html
110	605	6/24/08	SA	Colombia	CO	Norte de Santander	1502	Hacarí	0.38844	8.3200	-73.1500	(8.32, -73.150000000000006)	Landslide	Landslide	Medium	Downpour	NA	10		http://news.xinhuanet.com/english/2008-06/25/content_8434589.htm
117	644	7/14/08	SA	Colombia	CO	Cundinamarca	1374	Quetame	8.58891	4.4100	-73.8600	(4.41, -73.86)	Landslide	Landslide	Medium	Downpour	NA	4		http://news.xinhuanet.com/english/2008-07/15/content_8548107.htm

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)


stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 9.600000e+01 0.000000e+00 0.000000e+00 1.091000e+03 2.392877e+06 2.391786e+06 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 2.132931e+07 9.940500e+03 2.221804e+05 5.633984e+04 1.118487e+05 3.047210e+11 
##      std.dev     coef.var 
## 5.520154e+05 2.484538e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##   96.0000000    0.0000000    0.0000000    0.0000300   51.8412500   51.8412200 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
##  731.9660900    5.0115650    7.6246468    0.8623174    1.7119165   71.3847624 
##      std.dev     coef.var 
##    8.4489504    1.1081104

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Para Colombia, hay seis datos atípicos sobre la magnitud de los deslizamientos, todos hacia valores mayores al último cuartil (hacia la derecha), y de distancias no tan uniformes.

library(tidyverse)
library(hrbrthemes)
library(viridis)

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="Red", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

Ecuador

En Ecuador, el tamaño máximo de la población donde ha ocurrido un deslizamiento resgistrado en esta base de datos es 1399814 personas. Por otro lado, el mayor deslizamiento tuvo una longitud de 50.21 kilometros.

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

library(dplyr)

pais <- subset(df, country_name == "Ecuador")

knitr::kable(head(pais))

	id	date	time	continent_code	country_name	country_code	state	population	city.town	distance	location_description	latitude	longitude	geolocation	hazard_type	landslide_type	landslide_size	trigger	injuries	fatalities	source_name	source_link
9	105	6/27/07		SA	Ecuador	EC	Zamora-Chinchipe	15276	Zamora	0.47714		-4.0650	-78.9510	(-4.0650000000000004, -78.950999999999993)	Landslide	Landslide	Medium	Downpour	NA	NA	Red Cross - Field reports	https://www-secure.ifrc.org/dmis/prepare/view_report.asp?ReportID=2908
10	106	6/27/07		SA	Ecuador	EC	Loja	117796	Loja	0.35649		-3.9900	-79.2050	(-3.99, -79.204999999999998)	Landslide	Landslide	Medium	Downpour	NA	NA	Red Cross - Field reports	https://www-secure.ifrc.org/dmis/prepare/view_report.asp?ReportID=2908
11	107	6/27/07		SA	Ecuador	EC	Pichincha	5114	Sangolquí	33.94603		-0.3560	-78.1480	(-0.35599999999999998, -78.147999999999996)	Landslide	Landslide	Medium	Downpour	NA	NA	Red Cross - Field reports	https://www-secure.ifrc.org/dmis/prepare/view_report.asp?ReportID=2908
78	468	2/28/08		SA	Ecuador	EC	Napo	7309	Archidona	50.21741		-0.4635	-77.8928	(-0.46350000000000002, -77.892799999999994)	Landslide	Landslide	Medium	Rain	NA	7		http://english.aljazeera.net/NR/exeres/868843D7-B211-4DE5-AFBE-31C29CF79C5A.htm
87	489	4/1/08		SA	Ecuador	EC	Pichincha	1399814	Quito	1.56942		-0.2196	-78.5347	(-0.21959999999999999, -78.534700000000001)	Landslide	Landslide	Medium	Rain	NA	NA		http://www.plenglish.com/Article.asp?ID=%7B39BA85A0-5900-4A4A-A329-818B3FC61EA1%7D&language=EN
218	1186	12/28/09	Night	SA	Ecuador	EC	Santo Domingo de los Tsáchilas	200421	Santo Domingo de los Colorados	1.16036	Unknown	-0.3152	-78.9724	(-0.31519999999999998, -78.972399999999993)	Landslide	Mudslide	Medium	Downpour	5	3	Latin American Herald Tribune	http://www.laht.com/article.asp?ArticleId=327938&CategoryId=14089

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

library(dplyr)
library(pastecs)


stat.desc(pais$population)

##      nbr.val     nbr.null       nbr.na          min          max        range 
## 3.000000e+01 1.000000e+00 0.000000e+00 0.000000e+00 1.399814e+06 1.399814e+06 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
## 8.599781e+06 2.574200e+04 2.866594e+05 9.355366e+04 1.913387e+05 2.625686e+11 
##      std.dev     coef.var 
## 5.124145e+05 1.787538e+00

stat.desc(pais$distance)

##      nbr.val     nbr.null       nbr.na          min          max        range 
##   30.0000000    0.0000000    0.0000000    0.3564900   50.2174100   49.8609200 
##          sum       median         mean      SE.mean CI.mean.0.95          var 
##  515.4786400   14.7777150   17.1826213    2.6348903    5.3889557  208.2794055 
##      std.dev     coef.var 
##   14.4318885    0.8399119

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Para las longitudes de los deslizamientos en Ecuador no son tan dispersos, con una mediana de 14.77 kilometros; y cuartiles no tan dispersos, a excepción del último.

library(tidyverse)
library(hrbrthemes)
library(viridis)

data<-pais$distance

caja <- data.frame(data)
caja %>% ggplot(aes(x = "", y = data)) +
  geom_boxplot(color="black", fill="red", alpha=0.5) +
  theme_ipsum() +
  theme(legend.position="none", plot.title = element_text(size=11)) +
  ggtitle("Basic boxplot") +
  coord_flip() +
  xlab("") +
  ylab("")

Conclusión

En conclusión, se pudo analizar el deslizamiento de suelos en cada uno de estos países de América y se crearon gráficas a partir del software R estudio en el que se logró hacer el análisis por medio de las mismas y diversas tablas con el fin de poder organizar de una mejor manera la información y fuera más clara. Se logró el objetivo del informe el cual pone en práctica los conocimientos como lo son el diagrama de caja y bigotes, tablas de frecuencia simples y agrupadas, conceptos como media, mediana, moda y rango. Además, del desarrollo de habilidades fundamentales para nuestra vida profesional.

Informe de deslizamientos en países de América

Joel Ortegón 200151975, Juan Gil Corena 200151661, Eliana Karolina Kecan Torres 200149013, Juan Quintero 200151180

31/8/2021

Introducción

Barbados

Belize

Bermuda

Brazil

Canada

Colombia

Costa Rica

Cuba

Dominican Republic

Dominica

Ecuador

El Salvador

Guatemala

Haití

Honduras

Jamaica

Mexico

Nicaragua

Puerto Rico

Peru

Panama

Saint Vincent and the Grenadines

Saint Lucia

Trinidad and Tobago

U.S. Virgin Islands

United States

Venezuela

Discusión

Gráfico Circular

Series de tiempo

Estados Unidos

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Canada

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Jamaica

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Colombia

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Ecuador

Medidas de tendencia y variabilidad de la población en zonas de deslizamientos

Meidas de tendencia y variabilidad de la longitud de los deslizamientos

Diagrama de caja y bigotes respecto a la distancia de los deslizamientos

Conclusión