library(pacman)
p_load(rmdformats,readr,readxl,ggplot2,plotly,DT,xfun,gridExtra,leaflet)Gráfica de serie de tiempo
library(readr)
Concentracion_Mov <- read_csv("Concentracion_Mov_sonora.csv")## Rows: 444 Columns: 11## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (4): Fecha, O3, SO2, PM10
## dbl (7): Reactivacion_Comercial, Supermercado_Farmacia, Parques_Centros, Est...##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.library(DT)
library(readr)
concentracion <- read_csv("concentracion_sf.csv")## Rows: 444 Columns: 10## -- Column specification --------------------------------------------------------
## Delimiter: ","
## dbl (10): O3, SO2, PM10, Reactivacion_Comercial, Supermercado_Farmacia, Parq...##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.datatable(concentracion)Conf3X3 = matrix(c(1:9), nrow=3, byrow=TRUE)mov.ts<-ts(concentracion$covid,start=c(2020,02),frequency=365)
plot(mov.ts,main="Casos covid en Sonora",ylab="Casos")
–> En el gráfico 1.1 nos muestra el comportamiento de los casos confirmados de covid 19 en sonora en base a una serie de tiempo, que va desde el incio del año 2020, hasta en mes de febrero de año 2021, teniendo en cuenta que va en una secuencia de 2 meses.
–> En base a los datos presentados, podemos ver diferentes situaciones que ocurren en el comportamiento de la gráfica. Primeramente, podemos que en Febrero 2020 empeiza a subir los el medidor, esto quiere decir que para ese mes, empezaron a brotar los primeros casos en el estado de sonora. Posteriormente, en Abril 2020, fué el tiempo donde se tuvo la mayor concentración de casos activos de covid 19, saturando todos los centros médicos propagando más el virus. Vemos que los meses mayo, Junio y Julio 2020, los casos mantuvieron una pendiente negativa, esto quiere decir que los datos fueron disminuyendo hasta llegar por debajo de los 100 casos activos. Evidentemente, por el exceso de confianza, la falta de información y el periodo vacacional de invierno, las personas tuvieron una mayor movilidad a lugares públicos y esto ocasionó que los casos tuvieran aumento repentino hasta llegar a mas de 500 casos activo.
layout(Conf3X3)
rComercial.ts<-ts(concentracion$O3,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="O3")
rComercial.ts<-ts(concentracion$SO2,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="s02")
rComercial.ts<-ts(concentracion$PM10,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="PM10")
rComercial.ts<-ts(concentracion$Reactivacion_Comercial,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Reactivación comercial")
rComercial.ts<-ts(concentracion$Supermercado_Farmacia,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Supermercado-Farmacia")
rComercial.ts<-ts(concentracion$Parques_Centros,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Parques-centros")
rComercial.ts<-ts(concentracion$Estaciones_Transito,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Estaciones-Transito")
rComercial.ts<-ts(concentracion$Lugares_Trabajo,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Lugares-Trabajo")
rComercial.ts<-ts(concentracion$Residencia,start=c(2020,02),frequency=365)
plot(rComercial.ts, ylab="Cambio de movilidad",main="Residencia")
–> En el grafico 1.2, podemos observar los datos que se obienen de acuerdo a la movilidad de personas que hay en distintos lugares tales como Comercial, Estaciones de transito, supermercadsos, lugares de trabajo, parques , etc… que van desde enero 2020 hasta Febrero 2021. Podemos determinar que en cada uno de los casos, la tendendia de la pendiente son muy variados, esto quiere decir, que en cada uno de estos lugares hubo diferente movilidad de personas al mismo tiempo. Sin embargo, algo que pasa en la mayoria de los casos, es que apartir de Febrero-Marzo 2020, la movilidad de personas empieza ir ascendentemente. En el unico caso que no sucede lo anterior, es la residencia, esto nos confirma que las personas tuvieron una mayor movilidad fuera de sus hogares.
Análisis de correlación de todas las variables
Correlación multiple
mov<-as.data.frame(concentracion)
round(cor(x = mov, method = "pearson"), 3)## O3 SO2 PM10 Reactivacion_Comercial
## O3 1.000 0.022 0.214 -0.067
## SO2 0.022 1.000 -0.047 0.050
## PM10 0.214 -0.047 1.000 0.111
## Reactivacion_Comercial -0.067 0.050 0.111 1.000
## Supermercado_Farmacia 0.061 0.181 0.147 0.875
## Parques_Centros -0.139 0.026 -0.066 0.807
## Estaciones_Transito -0.060 0.086 0.099 0.945
## Lugares_Trabajo -0.014 -0.048 0.069 0.571
## Residencia 0.009 -0.015 -0.110 -0.838
## covid 0.173 0.020 0.202 -0.130
## Supermercado_Farmacia Parques_Centros
## O3 0.061 -0.139
## SO2 0.181 0.026
## PM10 0.147 -0.066
## Reactivacion_Comercial 0.875 0.807
## Supermercado_Farmacia 1.000 0.651
## Parques_Centros 0.651 1.000
## Estaciones_Transito 0.871 0.767
## Lugares_Trabajo 0.485 0.353
## Residencia -0.726 -0.605
## covid -0.078 -0.174
## Estaciones_Transito Lugares_Trabajo Residencia covid
## O3 -0.060 -0.014 0.009 0.173
## SO2 0.086 -0.048 -0.015 0.020
## PM10 0.099 0.069 -0.110 0.202
## Reactivacion_Comercial 0.945 0.571 -0.838 -0.130
## Supermercado_Farmacia 0.871 0.485 -0.726 -0.078
## Parques_Centros 0.767 0.353 -0.605 -0.174
## Estaciones_Transito 1.000 0.465 -0.754 -0.043
## Lugares_Trabajo 0.465 1.000 -0.850 -0.313
## Residencia -0.754 -0.850 1.000 0.344
## covid -0.043 -0.313 0.344 1.000El Coeficiente de correlación de Pearson indica el porcentaje de correlación o asosación que tienen dos variables. El coeficiente varia su valor entre 1 y -1, siendo un valor cercano a 1 una indicación de las variables están relacionadas, un valor cercano a -1 indica que están inversamente relacionadas y uno cercano a 0 indica ausencia de relación. Por lo tanto, observando la matríz de correlaciones anterior, podemos deducir que la variable con mayor correlación con la de covid es la de la movilidad residencial, seguida de el PM10. Por lo cuál, podemos deducir una asociación de la movilidad recidencial y las concentraciones de PM10 con los contagios de covid.
Conclusiones
¿Qué variable de movilidad urbana aumenta más los casos de covid? La variable que aumenta más los casos de covid según lo analizado es la de residencia, después de buscar una explicación a esto, se concluyó que es porque para empezar es un lugar cerrado, en el cual las personas que ahí habitan por lo regular conviven de manera muy cercana, y aunque haya pocas personas que salgan de la residencia no asegura que no vaya a haber contagios, ya que si un habitante de esa residencia sale por ejemplo al supermercado, al momento que regresa a casa, aunque haya medidas de sanitización al entrar a la residencia, si esa persona contrajo el virus, contagiara a todas las demás personas que ahí habitan, porque los síntomas de covid no aparecen en el mismo momento que alguien se contagia, como para poner a la persona en aislamiento y evitar que más se contagien.
¿Qué variable de movilidad urbana aumenta o disminuye más los contaminantes? Tomando en cuenta primeramente a PM10 o partículas sólidas o líquidas de polvo, cenizas, hollín, partículas metálicas, cemento o polen, se puede observar que la actividad comercial que lo aumenta es la de supermercado-farmacia y reactivación comercial y se disminuye con la variable de residencia, ya que el aumento de PM10 está relacionado con procesos mecánicos o reacción de gases que son provocados por ciertas actividades por la población, ahora hablando del ozono se puede observar como la variable de movilidad que lo aumenta es la de residencia y lo disminuye la variable de movilidad de parques_centros, con el dióxido de azufre la variable supermercado-farmacia hace que aumente y la variable de residencia hace que este disminuya.