AE4UC1_12
EQUIPO: Irving Flores,Tatiana Hinostro, Andrea Borboa
25/10/2021
library(pacman) #para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales","psych","GGally","fdth","modeest")
setwd("~/APLICADA")xfun::embed_file("movilidad.csv")library(readr)
movilidad <- read_csv("movilidad.csv")## Rows: 292 Columns: 10## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (1): date
## dbl (9): Comercio_Recreacion, Mercado_Farmacias, Parques, Transito, Lugares_...##
## 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.View(movilidad)xfun::embed_file("movilidad sin fechas.csv")Download movilidad sin fechas.csv
library(readr)
movilidad_sin_fechas <- read_csv("movilidad sin fechas.csv")## Rows: 292 Columns: 9## -- Column specification --------------------------------------------------------
## Delimiter: ","
## dbl (9): Comercio_Recreacion, Mercado_Farmacias, Parques, Transito, Lugares_...##
## 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.View(movilidad_sin_fechas)datos=read.csv("movilidad.csv")
conf_mex <- t(datos$Contagio_diarios)
dec_mex <- t(datos$Muertes_diarias)
rec_mex <- t(datos$Recuperados_diarios)INTRODUCCIÓN
Desde el comienzo de la pandemia de COVID-19, hemos visto como los casos suben y bajan creando olas de contagios, muchas personas pueden llegar a pensar que esto sucede por algún mal manejo de la pandemia por parte del gobierno, tal vez por desobediencia de los ciudadanos a la cuarentena impuesta por el gobierno, o simplemente por el hartazgo de llevar cuidados estrictos como el aislamiento social.
En este trabajo, el equipo plantea que la verdadera causa de los picos a la alta en casos de COVID-19 sea por la movilidad, pues a mayor movilidad, podemos suponer un mayor riesgo para las personas.
Fecha <- seq(from = as.Date("2021-01-1"), to = as.Date("2021-10-19"), by = "day" )
#casos confirmados
vec1 <- as.vector(conf_mex)
num1 <- as.numeric(vec1)
Confirmados <- as.vector(num1)
#decesos
vec1 <- as.vector(dec_mex)
num1 <- as.numeric(vec1)
Decesos <- as.vector(num1)
#recuperados
vec1 <- as.vector(rec_mex)
num1 <- as.numeric(vec1)
Recuperados <- as.vector(num1)
#generación de un marco de datos (data frame)
datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)gcov <- ggplot(data = datos1) +
geom_line(aes(Fecha, Confirmados, colour="Confirmados")) +
geom_line(aes(Fecha, Decesos, colour="Decesos")) +
geom_line(aes(Fecha, Recuperados, colour="Recuperados")) +
xlab("Fecha") +
ylab("COVID-19 en México") +
labs(colour="casos")+
ggtitle("Estado de COVID-19 en México 2021") +
scale_y_continuous(labels = comma)
ggplotly(gcov)hist(datos$Contagio_diarios,xlab = "Casos por COVID-19",ylab = "Concurrencia de los datos",main = "Casos de COVID-19 a nivel nacional en mexico")
Medidas de tendencia central
con estas medidas observamos como fue el promedio o casos usuales por dia, en la propagacion del COVID-19 2021
Media
mean(datos$Contagio_diarios)## [1] 2553577Mediana
median(datos$Contagio_diarios)## [1] 2404247Moda
mlv(datos$Contagio_diarios)## [1] 1886245 2471741 2709739 3091971 3479999 3552983 3619115 3678980 3684242
## [10] 3714392Varianza
var(datos$Contagio_diarios)## [1] 376582196965Desviación estandar
sd(datos$Contagio_diarios)## [1] 613662.9Grafico de caja y bigote
summary(datos$Contagio_diarios)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1437185 2167369 2404247 2553577 2966137 3762689boxplot(datos$Contagio_diarios,main="Casos de COVID-19 a nivel nacional en México")
Análisis de series de tiempo
revolucion.ts=ts(data=datos$Contagio_diarios,start=c(2021,1),frequency = 320)
plot(revolucion.ts)
Estacionalidad de la varianza
plot(log(revolucion.ts))
Eliminacion de tendencia
x=log(revolucion.ts)
difi.x=diff(x)
plot(difi.x)
Eliminacion de estacionalidad
dif12.dif1.x=diff(difi.x,log=12)
plot(dif12.dif1.x)
comercio_recreacion=t(datos$Comercio_Recreacion)
mercado_farmacias=t(datos$Mercado_Farmacias)
parques=t(datos$Parques)
transito=t(datos$Transito)
lugar_trabajo=t(datos$Lugares_Trabajo)
recidencia_casa=t(datos$Recidencia_Casa)
vec1 <- as.vector(comercio_recreacion)
num1 <- as.numeric(vec1)
Comercio_recreacion <- as.vector(num1)
vec1 <- as.vector(mercado_farmacias)
num1 <- as.numeric(vec1)
Mercado_farmacias <- as.vector(num1)
vec1 <- as.vector(parques)
num1 <- as.numeric(vec1)
Parques <- as.vector(num1)
vec1 <- as.vector(lugar_trabajo)
num1 <- as.numeric(vec1)
Lugar_trabajo <- as.vector(num1)
vec1 <- as.vector(recidencia_casa)
num1 <- as.numeric(vec1)
Recidencia_casa <- as.vector(num1)
datos2 <- data.frame(Fecha, Comercio_recreacion, Mercado_farmacias, Parques, Lugar_trabajo, Recidencia_casa)
gcov <- ggplot(data = datos1) +
geom_line(aes(Fecha, Comercio_recreacion, colour="Comercio y Recreacion")) +
geom_line(aes(Fecha, Mercado_farmacias, colour="Mercado y Farmacias")) +
geom_line(aes(Fecha, Parques, colour="Parques")) +
geom_line(aes(Fecha, Lugar_trabajo, colour="Lugares de trabajo")) +
geom_line(aes(Fecha, Recidencia_casa, colour="Recidencia en casa")) +
xlab("Fecha") +
ylab("Metodos de propagacion de COVID-19 en México 2021") +
labs(colour="casos")+
ggtitle("Movilidad de COVID-19 en México 2021") +
scale_y_continuous(labels = comma)
ggplotly(gcov)datosSinFechas=read.csv("movilidad sin fechas.csv")Analisis de la relación entre variables
datossf <- as.data.frame(datosSinFechas)
round(cor(x = datossf, method = "pearson"), 3)## Comercio_Recreacion Mercado_Farmacias Parques Transito
## Comercio_Recreacion 1.000 0.981 0.938 0.898
## Mercado_Farmacias 0.981 1.000 0.926 0.880
## Parques 0.938 0.926 1.000 0.896
## Transito 0.898 0.880 0.896 1.000
## Lugares_Trabajo 0.491 0.469 0.528 0.800
## Recidencia_Casa -0.578 -0.548 -0.624 -0.820
## Contagio_diarios 0.798 0.784 0.712 0.742
## Muertes_diarias 0.905 0.886 0.841 0.839
## Recuperados_diarios -0.244 -0.252 -0.144 -0.233
## Lugares_Trabajo Recidencia_Casa Contagio_diarios
## Comercio_Recreacion 0.491 -0.578 0.798
## Mercado_Farmacias 0.469 -0.548 0.784
## Parques 0.528 -0.624 0.712
## Transito 0.800 -0.820 0.742
## Lugares_Trabajo 1.000 -0.917 0.428
## Recidencia_Casa -0.917 1.000 -0.424
## Contagio_diarios 0.428 -0.424 1.000
## Muertes_diarias 0.476 -0.531 0.953
## Recuperados_diarios -0.160 0.010 -0.684
## Muertes_diarias Recuperados_diarios
## Comercio_Recreacion 0.905 -0.244
## Mercado_Farmacias 0.886 -0.252
## Parques 0.841 -0.144
## Transito 0.839 -0.233
## Lugares_Trabajo 0.476 -0.160
## Recidencia_Casa -0.531 0.010
## Contagio_diarios 0.953 -0.684
## Muertes_diarias 1.000 -0.463
## Recuperados_diarios -0.463 1.000Dispersion de variables
ggpairs(datosSinFechas, lower = list(continuous = "smooth"),
diag = list(continuous = "barDiag"), axisLabels = "none")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
¿Porque se ha propagado tanto el virus?
De acuerdo a los datos y graficos obtenidos podemos concluir que el aumento de contagios se debio a que a principios del año 2021 surgio la pandemia mundial y muchas personas no acataron los lineamientos de seguridad de permanecer en cuarentena durante el tiempo de transmisiones y aun así sin ninguna cura para el covid-19. Entonces se puede decir que los picos en los graficos donde hay mayor propagación del virus se debe a que las personas estuvieron en constante movilidad. Por consiguiente despues de las fechas de vacunacion se logra apreciar una disminucion de contagio lo que nos lleva a concluir que las vacunas lograron ser efectivas y las personas aprendieron a vivir con la pandemia protegiendose.