Efecto de la movilidad urbana sobre el aumento de contagios de COVID-19 y la calidad del aire

Resultados y discusion

Importamos datos y librerías

library(pacman) #para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","modeest","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales", "zoo", "xts")

mov <- read.csv("Concentracion_Mov.csv")

Gráfica de serie de tiempo de los datos

mov.ts <- ts(data = subset(mov, select = -ï..Fecha), start= c(2020,3), frequency = 365)

plot(mov.ts, xlab= "Tiempo", main = "Evolucion de datos a través del tiempo")

Etiquetas y sus significados:

  • PM100, SO2, O3: Agentes contaminantes
  • Sup_Phar: Supermercados y Farmacias
  • Reac: Reactivación comercial
  • Parks: Parques y centros recreativos
  • Transp: Estaciones y paradas de transporte
  • Work: Lugares de trabajo
  • Res: Residencias
  • Casos: Casos de COVID-19

En la gráfica anterior podemos ver como se comportan los datttos a través del tiempo comprendido en el periodo de tiempo comprendido de aproximadamente año y medio. Teniendo como resultado las curvas visibles de la tasa de contagios en México para la variable de casos y para las otras variables también podemos apreciar como estos valores suben o bajan en comaparación con dichas curvas.

Análisis de correlación de las variables

Matriz de correlaciones

pairs(mov.ts)

En esta gráfica intentamos representar la correlación de las variables por medio de puntos huecos. Lo cual se podría interpretar en cuanto haya una forma común y una conglomeración más intensa de los puntos se puede comprender que hay una correlación más intensa entre ellos. En este estudio en específico podemos apreciar que en la mayoría de estas salvo unas cuantas excepciones como Casos y SO2 en la cual se aprecia una relación fuerte de casi 48%.

  • Correlacion pearson

El coeficiente de correlación de Pearson es una prueba que mide la relación estadística entre dos variables continuas.

Fuente:https://www.questionpro.com/blog/es/coeficiente-de-correlacion-de-pearson/

cor(mov.ts)
##                   O3         SO2        PM10        Reac     Sup_Phar
## O3        1.00000000 -0.22046192 -0.22904955 -0.19313979 -0.046772356
## SO2      -0.22046192  1.00000000  0.61169793  0.40436153  0.442785305
## PM10     -0.22904955  0.61169793  1.00000000  0.28084230  0.280317306
## Reac     -0.19313979  0.40436153  0.28084230  1.00000000  0.874966807
## Sup_Phar -0.04677236  0.44278531  0.28031731  0.87496681  1.000000000
## Parks    -0.18201172  0.01908292  0.06546006  0.81377389  0.655413977
## Transp   -0.17411523  0.39928523  0.26992440  0.94440046  0.872197866
## Work     -0.11913738  0.13779670  0.09976078  0.58099030  0.492416003
## Res       0.13008239 -0.37100732 -0.23779333 -0.84203106 -0.729294678
## Casos    -0.38959221  0.48199469  0.31038411  0.01804764 -0.006333085
##                Parks      Transp        Work        Res        Casos
## O3       -0.18201172 -0.17411523 -0.11913738  0.1300824 -0.389592208
## SO2       0.01908292  0.39928523  0.13779670 -0.3710073  0.481994691
## PM10      0.06546006  0.26992440  0.09976078 -0.2377933  0.310384107
## Reac      0.81377389  0.94440046  0.58099030 -0.8420311  0.018047638
## Sup_Phar  0.65541398  0.87219787  0.49241600 -0.7292947 -0.006333085
## Parks     1.00000000  0.77033431  0.37121486 -0.6172262 -0.208632076
## Transp    0.77033431  1.00000000  0.47409617 -0.7576539  0.077762087
## Work      0.37121486  0.47409617  1.00000000 -0.8526490 -0.273605624
## Res      -0.61722623 -0.75765391 -0.85264903  1.0000000  0.182804401
## Casos    -0.20863208  0.07776209 -0.27360562  0.1828044  1.000000000

La correlación de pearson nos permite ver qué tan relacionadas están 2 variables continuas mediante relación estadística. Comprendemos que valores superiores a .5 se comprenden como relaciones considerables que se podrían tomar en cuenta. En este caso pudimos observar que la mayoría de valores no presentan una correlación y algunos caen hasta en las correlaciónes negativas.