AE4UC2
Equipo 4. Carlos Ariel Angulo Campos, Fernando Bocardo Montes, Josue Emmanuel Flores Carballo, Hector Manuel Grajales Cruz
25/10/2021
Importar librerias
setwd("~/R/ESTADISTICA")
library(pacman)
p_load("rmdformats","readr","readxl","ggplot2","plotly","DT","xfun","gridExtra","leaflet", "base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "gganimate","gifski","scales")
library(DT)
library(readxl)
datos <- read_excel("Concentracion_Mov.xlsx")
datos2 <- read_excel("Concentracion_Mov_Num.xlsx")
Fecha <- seq(from = as.Date("2020-02-15"), to = as.Date("2021-05-06"), by = "day" )Contagios de COVID-19 diarios en México
gcov <- ggplot(data = datos) +
geom_line(aes(Fecha, datos$covid, colour="Confirmados")) +
xlab("Fecha") +
ylab("COVID-19 en México") +
labs(colour="casos")+
ggtitle("Casos de COVID-19 en México") +
scale_y_continuous(labels = comma)
ggplotly(gcov)## Warning: Use of `datos$covid` is discouraged. Use `covid` instead.En esta gráfica podemos notar como han ido aumentando los casos de covid diarios en el periodo Febrero 2020-Mayo 2021 y ver los picos de contagio claramente, estos se encuentran en las fechas de vacaciones de verano asi como a principios de año, estos se debe a que las personas tienden a juntarse en esas fechas.
Reporte de movilidad en México
movilidad <- ggplot(datos)+
geom_line(aes(x=Fecha,y=Reactivacion_Comercial,colour="Recreación y comercio"))+
geom_line(aes(x=Fecha,y=Supermercado_Farmacia,colour="Supermercados y farmacias"))+
geom_line(aes(x=Fecha,y=Parques_Centros,colour="Parques"))+
geom_line(aes(x=Fecha,y=Estaciones_Transito,colour="Estaciones de tránsito"))+
geom_line(aes(x=Fecha,y=Lugares_Trabajo,colour="Lugares de trabajo"))+
geom_line(aes(x=Fecha,y=Residencia,colour="Lugares residenciales"))+
labs(title="Reporte de movilidad",x="Fecha",y="Procentaje de cambio de movilidad")
ggplotly(movilidad)En esta gráfica se representa los valores obtenidos mediante el reporte de movilidad de México en el periodo Febrero 2020-Mayo 2021, en esta podemos ver como varian y podemos notar que al comienzo todo estaba bastante normal, sin embargo cuando comenzo a hablarse sobre el COVID-19 podemos notar que comienza una gran variación en la movilidad de las personas en México, podemos resaltar como las personas empezaron a pasar mas tiempo en sus casas y dejaron de ir a lugares publicos, aunque solo fue al principio, ya que conforme iba pasando el tiempo las personas comenzaban a salir mas y mas.
Contaminantes atmosféricos
plot_ly(datos,colors = rainbow(3)) %>%
add_lines(x = ~Fecha, y = ~O3,mode="lines",name = "O3") %>%
add_lines(x = ~Fecha, y = ~SO2,mode="lines", name = "SO2") %>%
add_lines(x = ~Fecha, y = ~PM10,mode="lines", name ="PM10") %>%
rangeslider() %>%
layout(title = 'Contaminantes atmosféricos (concentraciones)',
xaxis = list(title = 'Fecha'),
yaxis = list(title = 'Concentración (ppb para O3 y SO2, ug/m3 para PM10)'))En esta gráfica podemos ver como han ido variando los contaminantes atmosféricos a lo largo del periodo Febrero 2020-Mayo 2021.
Correlacion de las variables
cor(datos2)## O3 SO2 PM10
## O3 1.00000000 -0.22046192 -0.22904955
## SO2 -0.22046192 1.00000000 0.61169793
## PM10 -0.22904955 0.61169793 1.00000000
## Reactivacion_Comercial -0.19313979 0.40436153 0.28084230
## Supermercado_Farmacia -0.04677236 0.44278531 0.28031731
## Parques_Centros -0.18201172 0.01908292 0.06546006
## Estaciones_Transito -0.17411523 0.39928523 0.26992440
## Lugares_Trabajo -0.11913738 0.13779670 0.09976078
## Residencia 0.13008239 -0.37100732 -0.23779333
## covid -0.38955101 0.48202687 0.31044909
## Reactivacion_Comercial Supermercado_Farmacia
## O3 -0.19313979 -0.046772356
## SO2 0.40436153 0.442785305
## PM10 0.28084230 0.280317306
## Reactivacion_Comercial 1.00000000 0.874966807
## Supermercado_Farmacia 0.87496681 1.000000000
## Parques_Centros 0.81377389 0.655413977
## Estaciones_Transito 0.94440046 0.872197866
## Lugares_Trabajo 0.58099030 0.492416003
## Residencia -0.84203106 -0.729294678
## covid 0.01809497 -0.006189384
## Parques_Centros Estaciones_Transito Lugares_Trabajo
## O3 -0.18201172 -0.17411523 -0.11913738
## SO2 0.01908292 0.39928523 0.13779670
## PM10 0.06546006 0.26992440 0.09976078
## Reactivacion_Comercial 0.81377389 0.94440046 0.58099030
## Supermercado_Farmacia 0.65541398 0.87219787 0.49241600
## Parques_Centros 1.00000000 0.77033431 0.37121486
## Estaciones_Transito 0.77033431 1.00000000 0.47409617
## Lugares_Trabajo 0.37121486 0.47409617 1.00000000
## Residencia -0.61722623 -0.75765391 -0.85264903
## covid -0.20860827 0.07782483 -0.27375508
## Residencia covid
## O3 0.1300824 -0.389551012
## SO2 -0.3710073 0.482026868
## PM10 -0.2377933 0.310449093
## Reactivacion_Comercial -0.8420311 0.018094975
## Supermercado_Farmacia -0.7292947 -0.006189384
## Parques_Centros -0.6172262 -0.208608265
## Estaciones_Transito -0.7576539 0.077824834
## Lugares_Trabajo -0.8526490 -0.273755075
## Residencia 1.0000000 0.182883897
## covid 0.1828839 1.000000000Podemos ver como se correlacionan los distintos contaminantes y los reportes de movilidad, asi como con el número de contagios de Covid-19, notamos que en general todos los contaminante estan un poco relacionados con los supermercados y farmacias además que tienen algo de correlación con los contagios de Covid-19. Esto nos da a entender como la pandemia a afectado tanto al mundo en poco tiempo, ya que se relaciona con muchas cosas que a su vez estas afectan otras cosas. Obviamente tambien podemos ver como los contagios de Covid-19 afectan la movilidad en cierta medida, esto se debe a que si bien al principio la gente tenia miedo de salir de su casa, gradualmente iban perdiendo este por lo que salian a pesar de los riesgos, sobretodo lo hacian las personas que necesitaban trabajar en las calles.
Matriz de diagramas de dispersión
pairs(datos2)
Aqui hacemos un diagrama de dispersión de los todas las variables en el que podemos ver como las variables que estan mas correlacionadas tienen una forma de diagonal que aumenta en el eje x y en el eje y en la misma medida.
¿Qué variable de movilidad urbana aumenta más los casos de covid?
Podemos notar que la variable de movilidad que mas aumenta los casos de covid es la de residencia, aunque suene extraño esto se debe a que al estar en casa las personas no tamn las mismas precauciones que cuando salen, por lo que al final hay mas casos de contagios al estar cerca de familiares que ya estan infectados. Tambien hay que destacar que la variable de movilidad que mas se ve afectada por los casos de covid es la de los lugares de trabajo, ya que vemos que cuando hay mas casos la movilidad en lugares de trabajo disminuye.
¿Qué variable de movilidad urbana aumenta o disminuye más los contaminantes?
La variable de movilidad que mas aumenta los contaminantes atmosféricos es la de recreación y comercio y la verdad es algo que esperabamos ya que es bien sabido que estos lugares generalmente dejan una huella ecológica bastante grande. Por el otro lado la variable de movilidad que mas disminuye los contaminantes atmosféricos es la de las zonas residenciales, lo cual se debe a que la gente no suele contaminar en su casa.