library(pacman) #para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales")
library(pacman)
p_load(rmdformats,readr,readxl,ggplot2,plotly,DT,xfun,gridExtra,leaflet)Abejas en peligro de extinción
Introducción
Las abejas y otros animales polinizadores, como las mariposas, los murciélagos y los colibríes, son los responsables de que las plantas puedan reproducirse, ya que transportan el polen de aquí para allá, fertilizando numerosos cultivos.
Estos pequeños animales, que además, son inmunes a cualquier tipo de virus, son parte de la cadena de equilibrio de la red alimentaria animal y humana.
Causas de su extinción
- Deforestación masiva.
- Uso de pesticidas.
- Cambios en la temperatura y en el suelo.
¿Que pasaría si se extinguieran?
En principio si las abejas pasan de estar en “ peligro de extinción ” a “extintas”, deberíamos despedirnos de muchas flores silvestres como las orquídeas, que solo son polinizadas por las abejas.
Esta extinción, luego, provocaría una alteración en los hábitats naturales de esas plantas, otros pequeños animales no tendrían alimento y se unirían a la suerte de las abejas. La extinción de las abejas también provocaría un desequilibrio drástico en la agricultura humana. Ya que, si bien conservaríamos muchas variedades de cereales, que son polinizados por el viento y no por las abejas, perderíamos muchos otros muy importantes.
Muchas frutas y verduras, que sí depende de la labor de las abejas no podrían cultivarse a una escala tan grande ni tan barata. Pasarían a ser productos de lujo, para solo una pequeña parte da la población mundial.
Si las abejas que actualmente están en peligro de extinción, finalmente desaparecen, sin duda que muchas especies animales y vegetales no serán más que solo un recuerdo.
library(readr)
## Se importan los datos
miel<- read_csv("ent_ton_miel_03_19.csv")## Rows: 32 Columns: 18## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (1): Estado
## dbl (17): 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, ...##
## 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.miel_yucatan <- t(miel[miel$Estado=="YUCATAN" ,])
miel_yucatan <- as.vector(miel_yucatan)
miel_yucatan <- miel_yucatan[2:18]
miel_yucatan <- as.numeric(miel_yucatan)
miel_yucatan <- as.vector(miel_yucatan)
Fecha2=seq(from = as.Date("2003-01-01"),to = as.Date("2019-12-31"),by = "year")
datos <- data.frame(Fecha2, miel_yucatan)Se grafican los datos de las toneladas de miel producidas en YUCATÁN desde año 2003 hasta el 2019
gcov <- ggplot(data = datos) +
geom_line(aes(Fecha2, miel_yucatan, colour="Miel Yucatán")) +
xlab("Fecha") +
ylab("Toneladas de miel producidas en Yucatán") +
labs(colour="Miel")+
ggtitle("Toneladas de miel producidas (Fuente: Atlas nacional de las abejas mx)")
gcov
Esta gráfica representa la producción anual de miel desde 2003 hasta 2019 en el estado de Yucatán. En ella se puede observar que la producción varía bastante, y el año en el que más toneladas de miel se produjeron fue en 2018, año en el cual se produjeron 11847 toneladas de miel, siendo este un cambio drástico en comparación con 2017, que por cierto fue el año en que menos se produjo mil, pues solo se produjeron 4351 toneladas. Esta información puede verificarse en la siguiente gráfica, que es una réplica de esta, solo que se puede interactuar con ella.
Gráfica interactiva de las toneladas de miel producidas en YUCATÁN desde año 2003 hasta el 2019
plot_ly(datos,colors = rainbow(1)) %>%
add_lines(x = ~datos$Fecha2, y = datos$miel_yucatan,mode="lines",name = "MIEL") %>%
rangeslider() %>%
layout(title = 'Toneladas de miel producidas en Yucatán',
xaxis = list(title = 'Fecha'),
yaxis = list(title = 'Toneladas'))Análisis de series de tiempo
#Confirmados
miel_yucatan.ts<- ts(data=miel_yucatan,start=2003,end = 2019,frequency = 1)
plot(miel_yucatan.ts, xlab="FECHA",ylab="TONELADAS")
title(main = "Toneladas de miel producidas en Yúcatan")
La gráfica representa la producción anual de miel desde 2003 hasta 2019 en el estado de Yucatán, es básicamente la misma gráfica que vimos anteriormente.
boxplot(miel_yucatan.ts~cycle(miel_yucatan.ts), xlab = "AÑO",ylab = "TONELADAS")
title(main="Toneladas de miel producidas por año en Yucatán")
De acuerdo con esta gráfica, la producción anual se concentra por encima de la media, esto se debe a que hubo un año en el que la producción fue preocupantemente baja, en comparación a los demás, causando que la media bajará.
Descomposición de una serie de tiempo
miel_yucatan.ts2=ts(data=miel_yucatan,start=c(2003),end = c(2019),frequency = 2)
miel_yucatan.ts2_des <- decompose(miel_yucatan.ts2)
plot(miel_yucatan.ts2_des)
En esta gráfica se representa la descomposición de la serie de tiempo, esta se descompone en la serie de tiempo observada, la tendencia, la estacionalidad y la varianza. En la serie de tiempo observada nos encontramos dos picos de baja producción, que hacen alusión al año 2017, año en el cual se reportó la producción más baja. La tendencia no parece tener ningún patrón en específico, mientras que la estacionalidad muestra el mismo ciclo una y otra vez. Finalmente la varianza se muestra similar a la tendencia, por lo que no muestra ningún patrón en específico.
Transformaciones básicas de una serie de tiempo
plot(log(miel_yucatan.ts2))
Después de haber transformado nuestra serie a una logarítmica, para hacer la estabilización de la varianza. Se puede observar al inicio de esta gráfica números normales con producciones que oscilan un promedio general estable con varianza estabilizada, hasta que en el año 2010 se nota el primer pico de baja producción, el cual se reportó la producción más baja junto con el pico de bajada del 2017 que cuenta con este mismo problema.
- Eliminación de la tendencia.
x <- log(miel_yucatan.ts2)
dif1.x <- diff(x)
plot(dif1.x)
En esta gráfica con la tendencia eliminada, podemos observar estos valores invertidos, asimismo observando que estos mismos picos de los años anteriormente mencionados se resaltan, podemos darnos cuenta que efectivamente estos fueron los años con menos producción de miel.
- Eliminación de la estacionalidad.
dif12.dif1.x <- diff(dif1.x, log=12)
plot (dif12.dif1.x)
Al observar la estacionalidad en esta gráfica y al analizarla podemos ver como al comienzo del año 2005 al año 2010 hubo oscilaciones en las frecuencias relativas de los datos sin observar una evaluación incorrecta, hasta que despues del año 2011 podemos ver variaciones en estas, debido a las bajas y demanda que hubo por estas fechas, hasta que poco a poco se estabiliza dándonos el mismo promedio de producción de mes en los años, con normales oscilaciones en la frecuencia de los datos.
- Las funciones de autocovarianza y autocorrelaciones.
y = dif12.dif1.x
acf(y)
Transformamos la serie de producción de miel de manera que un modelo estacionario sea apropiado para la serie transformada, observando así que, en los grados de dependencia mostrados en esta gráfica, los datos entre distintos periodos no son muy variables y siempre tienen correlación con los anteriores, aunque siempre puede existir cierta variabilidad entre los distintos periodos, debido a picos grandes como los del 2010 y 2017 en donde la producción de miel decayó.
Predicciones utilizando la distribución normal
\[ \begin{array}{l|l|l|c} \text {Función} & {Significado} & \text{Uso}& \text{Observación}\\ \hline p & \text{probability} & \text{Calcula probabilidades acumuladas (cdf)} & \text{---}\\ q & \text{quantile} & \text{Calcula cuantiles (percentiles)} & \text{---}\\ d & \text{density} & \text{Calcula probabilidades puntuales} & \text{Sólo uso gráfico en el caso continuo}\\ r & \text{random} & \text{Genera datos aleatorios según una distribución especifica} & \text{---}\\ \hline \end{array} \]