library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales")

Repercusiones Anthophilas

Introduccion

Las abejas están catalogadas como uno de los pilares más importantes del ecosistema global, tanto así que se dice que si estas se llegan a extinguir la especie humana se extinguiría poco después de estas. Más allá de la elaboración de miel, la labor más destacable de las abejas es la polinización. El transporte de polen favorece la fertilización y la formación de frutos y semillas; de ello depende parte de la producción alimenticia y la biodiversidad mundial. Sin duda, hay que reconocer el impacto de las abejas en el ecosistema.

Aun cuando se ha denunciado que las poblaciones de estos animales disminuyen, unas 20.000 especies se distinguen y realizan un trabajo irremplazable. Teniendo en cuenta que las abejas polinizan una gran proporción de los cultivos que abastecen al mundo, no hay que perderlas de vista. Sin ellas desaparecería el 60% de las frutas y hortalizas, además de unas 25 000 especies de plantas con flores.

Peor de los escenarios

Con la desaparición de esta especie se reduciría la diversidad de alimentos, mermaría la actividad agrícola y con ella millones de fuentes de ingresos. La falta de abejas podría llevar a situaciones de escasez de alimentos, e incluso al desequilibrio económico.

Producción de Miel de Jalisco de 2003 a 2019

  • Exportar datos:
setwd("~/ESTADISTICA")
library(readr)
ton_miel <- read_csv("ton_miel.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.
View(ton_miel)
miel_jalisco <- t(ton_miel[ton_miel$Estado=="JALISCO" ,])
miel_jalisco <- as.vector(miel_jalisco)
miel_jalisco <- miel_jalisco[2:18]
miel_jalisco <- as.numeric(miel_jalisco)
miel_jalisco <- as.vector(miel_jalisco)

Fecha2 = seq(from = as.Date("2003-01-01"),to = as.Date("2019-12-31"),by = "year")

datos <- data.frame(Fecha2, miel_jalisco)

Grafica Interactiva (produccion de miel en Jalisco 2003-2019)

gcov <- ggplot(data = datos) +
  geom_line(aes(Fecha2, miel_jalisco, colour="Miel Jalisco")) +
  xlab("Fecha") +
  ylab("Toneladas de miel producidas en Yucatán") +
  labs(colour="Miel")+
  ggtitle("Toneladas de miel producidas (Fuente: Atlas nacional de las abejas mx)")

ggplotly(gcov)

En la gráfica anterior se puede observar la produccion anual de miel desde el 1ro de Enero del 2003 hasta el 1ro de Enero del 2019, observando con atención la gráfica nos podemos dar cuenta que tiene varios picos, tanto de bajada como de subida, pero si seguimos observando con atención nos podemos dar cuenta que ninguno de estos picos se compara al del 2016, en concreto a inicios del dicho año, 1ro de Enero del 206 viene siendo la fecha en la que menos miel (toneladas) se produjeron 4590 toneladas. ### Análisis de series de tiempo

miel_jalisco.ts<- ts(data=miel_jalisco,start=2003,end = 2019,frequency = 1)
plot(miel_jalisco.ts, xlab="FECHA",ylab="TONELADAS")
title(main = "Toneladas de miel producidas en Jalisco")

Grafico de caja y bigotes

boxplot(miel_jalisco.ts~cycle(miel_jalisco.ts), xlab = "AÑO",ylab = "TONELADAS")
title(main="Toneladas de miel producidas por año en Jalisco")

De acuerdo a la gráfica anterior, se observa la producción anual, en la cual se concentra poco abajo de la media, esto es debido a lo que se explicó con anterioridad, 2016 fue el año en que menos se produjó miel, provocando que la media descendiera.

Descomposición de una serie de tiempo

miel_jalisco.ts2 = ts(data=miel_jalisco,start=c(2003),end = c(2019),frequency = 2)
miel_jalisco.ts2_des <- decompose(miel_jalisco.ts2)
plot(miel_jalisco.ts2_des)

En esta gráfica está representada la descomposición de la serie de tiempo, se observa la tendencia, estacionalidad y la varianza. En la gráfica observamos la caida/pico de bajada respecto a la producción en el año 2016, en la cual se produjo y se reportó el minimo respecto a producción. Respecto a la estacionalidad, tiene un patron repetitivo de subida y bajada. ### Transformaciones básicas de la serie de tiempo

plot(log(miel_jalisco.ts2))
title(main="Transformaciones básicas de la serie de tiempo")

Transformando la serie de tiempo a una serie logaritmica para poder hacer una estabilización de la varianza, se observa como de inicio a poco antes del 2010 la producción es un tanto normal, tiene bajadas y subidas respecto a su producción, pero si seguimos observando, nos damos cuenta como los datos se repiten, si dividimos la gráfica en dos partes nos damos cuenta de esto, la unica diferencia significativa, sería el pico en el 2016. ### Eliminación de la tendencia

x <- log(miel_jalisco.ts2)
dif1.x <- diff(x)
plot(dif1.x)
title(main="Eliminación de la tendencia")

En esta gráfica (Tendencia eliminada), observamos como los valores que se observan se justifican con lo antes mencionado, los picos maximos y minimos respecto a la produccion de los años, también nos podemos dar cuenta como en concreto en el año 2016, 1ro de Enero fue el año con menos producción de miel. ### Eliminación de la estacionalidad

dif12.dif1.x <- diff(dif1.x, log=12)
plot (dif12.dif1.x)
title(main="Eliminación de la estacionalidad")

Observando la gráfica podemos observar oscilaciones en frecuencias relativas de los datos, con la cual nos pdoemos dar cuenta el como despues de un pico minimo (sea este el año en los que menos miel se produjo) observamos un pico máximo, repitiendose este sucedo 2 veces en el rango de 2003 a 2019. ### Autocovarianza y autocorrelaciones

y = dif12.dif1.x
acf(y)

En esta gráfica transformamos la serie de producción de miel a un modelo estacionario para la serie transformada, en la cual podemos observar los daots entre distintos periodos los cuales son un tanto variables y siempre se observa una correlación con los mismos, siempre puede existir una variabilidad entre distintos periodos, esto lo podemos entender como picos de bajada o picos minimos de el 2016. ##Predicciones utilizando la dist normal

¿Cual es la probabilidad de que en el año 2020 siga su tendencia de crecimiento y supere las 6000 toneladas?

pnorm(6000, mean=mean(miel_jalisco), sd=sqrt(var(miel_jalisco)), lower.tail=FALSE)
## [1] 0.3671014

Hay alrededor de un 36% de probabilidad que en el año 2020 supere la produccion de 6000 toneladas de miel y tomando en cuenta su tendencia la cual va en curvas subiendo y bajando esto tiene sentido. Ahora tomando en cuenta esto lo podemos voltaer y decir que tiene alrededor de un 63.3% de no superar la produccion de 6000 toneladas de miel

Otra pregunta que podriamos realizar seria ¿Cual es la probabilidad de que en el año 2020 la produccion de miel sea mayor o igual de 5500 toneladas pero menor que 6000 toneladas?

pnorm(6000,  mean=mean(miel_jalisco), sd=sqrt(var(miel_jalisco))) - pnorm(5500,  mean=mean(miel_jalisco), sd=sqrt(var(miel_jalisco)) )
## [1] 0.3396649

Aqui nos da un 33.9% de probabilidad de que la produccion de miel para el estado Jalisco en el año 2020 se mayor que 5500 toneladas pero menor que 6000