La extinción de las abejas.

La polinización que realizan estos insectos es el proceso natural que permite que las flores sean fecundadas para dar semillas y frutos; es decir, la piedra angular de la biodiversidad. Pero también de nuestra seguridad alimentaria: a nivel mundial, una tercera parte de los alimentos dependen de las abejas, así como un 90% de las plantas silvestres con flor, según la Organización de las Naciones Unidas para la Alimentación (FAO).

Fuente: “https://www.nationalgeographic.es/medio-ambiente/2019/05/que-pasaria-si-desaparecen-las-abejas”

Paquetes

library(pacman)
p_load(rmdformats,readr,readxl,ggplot2,plotly,DT,xfun,gridExtra,leaflet,TSstudio)

Importar datos

miel <- read.csv("prodmielestado.csv")
mielDF <- data.frame(miel)

mielMich <- mielDF[16,2:18]

mielMich <- t(mielMich)

Fecha = seq(from = as.Date("2003-01-01"),to = as.Date("2019-12-31"),by = "year")

mielDF <- data.frame(Fecha, mielMich)

Gráfica de producción de miel a través de las años

gcov <- ggplot(data = mielDF) +
  geom_line(aes(Fecha, mielMich, colour="Miel producida en Michoacán")) +
  xlab("Fecha") +
  ylab("Toneladas de miel producidas en Michoacán") +
  labs(colour="Miel")+
  ggtitle("Toneladas de miel producidas", subtitle = "(Fuente: Atlas Nacional de las Abejas y Derivados Apícolas)")
gcov

En la anterior gráfica podemos apreciar diferentes anomalías ya sean en el año 2005 donde apreciamos una bajada y una subida repentina para un par de años después experimentar una caída nuevamente, esta última la podríamos relacionar con la gran recesión económica de 2008 que afectó a numerosos sectores de la economía y la apicultura no fue la excepción. Para 2012 podemos apreciar que la producción tiene un incremento considerable en los años consiguientes y no es hasta 2017 que mira una caída abismal de aproximadamente 20% la cual podemos inferir que surge del hecho de que aproximadamente desde 2017 hemos empezado a resentir más los efectos acumulados del cambio que se han ido acumulado con el paso de los años.

Gráfica interactiva.

ggplotly(gcov)

La gráfica interactiva nos permite ver más a detalle exactamente en qué punto y qué valores hay para el mismo, permitiéndonos hacer mejores inferencias y modelos respecto a los datos con los que estamos trabajando.

Gráfico de caja y bigotes para la serie de tiempo.

boxplot(miel.ts~cycle(miel.ts), xlab = "Año",ylab = "Toneladas de miel")
title(main="Toneladas de miel producidas por año en Michoacán")

El gráfico de caja y bigote nos permite observar hacia donde se distribuyen las medidas de tendencia central, en este caso, podemos observar que dichas medidas tienen a agruparse hacia los valores más bajos. Esto debido a que los valores más altos son valores singulares que realmente no representan a la gran mayoría de los datos.

miel.ts.des <- decompose(ts(data = mielMich, start = 2003, end = 2019, frequency = 2))

plot(miel.ts.des, xlab = "Años")

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. Podemos apreciar en esta gráfica como nuestros datos no presentan una tendencia aparente ya que suben y bajan de manera esporádica.

Transformaciones de la serie de tiempo.

plot(log(miel.ts))

Esta es nuestra serie de tiempo de forma logarítmica la cual nos ayudará a entender de mejor manera la serie de tiempo y como se comporta más adelante. Esto se logra estabilizando la varianza. podemos observar diferentes números bastante esporádicos por decirlo de alguna forma indicando la inestabilidad de la producción de miel en la región.

Eliminación de tendencia

x <- log(miel.ts)
dif1.x <- diff(x)
plot(dif1.x)

Una vez eliminada la tendencia la gráfica termina siendo prácticamente la misma, aún así podemos apreciar más claramente cuales fueron los peores y los mejores años en cuanto a producción de miel.

Eliminamos la estacionalidad

dif12.dif1.x <- diff(dif1.x, log=12)
plot (dif12.dif1.x)

Una vez removida la estacionalidad podemos observar que la gráfica mantiene una similitud muy aparente con la gráfica normal. Con pequeñas oscilaciones de frecuencia. Pero en general podemos concluir que realmente no hay una estacionalidad concreta en estos datos.

Funciones de autocovarianza y autocorrelaciones.

y = dif12.dif1.x
acf(y)

Una vez transformada la serie de tiempo a forma de que el modelo estacinario sea apropiado para la serie transformada, observando de esta forma que los grados de dependencia mostrados en la gráfica a excepción de los primeros datos tenemos que los datos no son tan variables y presentan una similitud con los que le preceden.