Examen final

Ejercicio 1

list.of.packages <- c("dygraphs", "xts", "tidyverse", "lubridate", "dplyr", "sf", "ggplot2", "readxl", "stringr", "RColorBrewer", "scales", "leaflet", "htmltools")
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages)

Extracción de datos

Se escogió al Estado de Yucatán por lo que se extraerán los registros de la base nacional tomada desde Link Datos Covid Secretaría de Salud a la fecha de corte del: 10/diciembre/2021.

Leemos la base nacional una vez hecha la extracción de la dirección antes mencionada.

Nota: Únicamente corrí una vez el archivo de la base de datos nacional para generar los datos de Yucatán, después los coloco con el símbolo de almohadilla para poder hacer el “knit” ya que el archivo es muy pesado y no podría tejerlo cada vez. Por supuesto, puede replicarse únicamente cambiando la dirección de la base de datos nacional en su PC.

#dataCovid_mx <- read.csv("C:\\Users\\ARRA\\Desktop\\METPOL 1er SEMESTRE\\Programac\\examen final\\exa_final\\211210COVID19MEXICO.csv")

# Seleccionar solo el estado de Yucatan con el código 31

#datayuc <- dataCovid_mx$ENTIDAD_RES==31
#dataCovid_mx_yuc <- dataCovid_mx[datayuc,]

# Guardar el archivo del estado de Yucatán, esto para trabajar con los datos
# que nos interesan, es decir únicamente con los datos de Yucatán.

fileCovidYuc <- "C:\\Users\\ARRA\\Desktop\\METPOL 1er SEMESTRE\\Programac\\examen final\\exa_final\\211209COVID19MEXICO_YUCATAN.csv"
#write.csv(dataCovid_mx_yuc, fileCovidYuc, row.names = F, na="")

Comprobación de los datos

Analizando los descriptores y el catálogo sobre la base de datos de Covid-19 a nivel nacional. Escogimos la columna de clasificación_final con la suma de los valores asignados del 1,2 y 3. Ya que estos representan el total de casos positivos, como comprobamos más abajo y tal y como lo muestra la nota metodológica.

# Leemos nuestros datos recién generados.

dataCovid_mx_yuc <- read.csv(fileCovidYuc)
#------------------------


yuc_Positivos <- dataCovid_mx_yuc$CLASIFICACION_FINAL %in% 1:3 
print(sum(yuc_Positivos))

## [1] 75386

Nuestra cifra de 75,386 coincide efectivamente con el registro obtenido de CONACyT desde su Página CONACyT. Por lo tanto queda verificado.

Podemos apreciar en la imagén en la parte superior derecha, la fecha de actualización: 10 de diciembre del 2021. Además nos indica la fuente proveniente de la secretaría de salud (más específicamente de la dirección de epidemiología)

Ejercicio 1.1

% de defunciones por municipio (total de defunciones/total de casos positivos).

Se toma de nuevo del Link Datos Covid Secretaría de Salud los catálogos de la base de datos de covid-19 en la parte de “diccionario de datos”.

# cargar librerias 
library(plyr) #Para usar ddply 
library(readxl)
library(kableExtra)
library(DT)

# filtrar casos positivos

dataCovid_yuc_pos <- dataCovid_mx_yuc[yuc_Positivos,]

# Ajustar los no datos de 9999-99-99 a NA´S

dataCovid_yuc_pos$FECHA_DEF[dataCovid_yuc_pos$FECHA_DEF=="9999-99-99"] <- NA

# Buscar el catalogo de Municipios Nacional

catalogo_Mun <- as.data.frame(read_xlsx("C:\\Users\\ARRA\\Desktop\\METPOL 1er SEMESTRE\\Programac\\examen final\\exa_final\\201128 Catalogos.xlsx", sheet = "Catálogo MUNICIPIOS" ))

# extraer solo los municipios de Yucatán

catalog_MunYuc <- catalogo_Mun[catalogo_Mun$CLAVE_ENTIDAD =="31",]

# Ajustar formato de clave y unir

dataCovid_yuc_pos$MUNICIPIO_RES_2 <- sprintf("%03d",dataCovid_yuc_pos$MUNICIPIO_RES)#agremos ceros para cuadrar las claves

# unir el nombre de municipio

logMun <- match(dataCovid_yuc_pos$MUNICIPIO_RES_2,catalog_MunYuc$CLAVE_MUNICIPIO) #match es más eficiente que merge. #solo extrae posición del segundo con el primero 

#darle nombre a los municipios.  
dataCovid_yuc_pos$NOM_MUNICIPIO_RES <- catalog_MunYuc$MUNICIPIO[logMun]

#dim(dataCovid_yuc_pos)#para ver las dimensiones. 

# Calcular el número de defunciones por COVID-19

ResumenDef <- ddply(dataCovid_yuc_pos, "MUNICIPIO_RES_2", summarise, MUNICIPIO=unique(NOM_MUNICIPIO_RES), NO_DEF=sum(!is.na(FECHA_DEF)))  #similar a agregate

# Contabilizar el número de defunciones

Total_defunciones <- sum(!is.na(dataCovid_yuc_pos$FECHA_DEF))

# Porcentaje de defunciones

ResumenDef$POR_DEF <- paste(round(100*ResumenDef$NO_DEF/Total_defunciones,2), "%", sep="")
ResumenDeftab<- ResumenDef[-c(107),]

# Tabla a nivel muncipal con la paquetería "DT"

ResumenDeftab<- `colnames<-`(ResumenDef,c("Clave de Municipio", "Nombre de municipio", "Número de Defunciones por municipio", "Porcentaje de Defunciones por municipio"))

datatable(ResumenDeftab,caption = "Tabla 1.1 Defunciones por Municipio en Yucatán.",editable = TRUE) %>%
formatStyle(columns = c(4),  background = "red", `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle(columns = c(2),  background = , `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle('Nombre de municipio', target = 'row', 
              backgroundColor = styleRow(c(50),"red"))

# Comprobamos que el número de defunciones sea el mismo que la SS
sum(ResumenDef$NO_DEF)

## [1] 5703

Comprobación defunciones

Nuestra cifra de 5,703 referente al número de defunciones en Yucatán coincide efectivamente con el registro obtenido de CONACyT desde su Página CONACyT. Por lo tanto queda verificado.

Podemos apreciar en la imagén en la parte superior derecha, la fuente proveniente de la secretaría de salud (más específicamente de la dirección de epidemiología)

Ejercicio 1.2

% de casos positivos con al menos una comorbilidad a nivel municipal.

Comorbilidad se define como la “Presencia de dos o más enfermedades al mismo tiempo en una persona. También se llama morbilidad asociada” Fuente.

Tomando esto en consideración se tiene de los cátalogos, si tiene alguna de las siguientes enfermedades:

Neumonia, Diabetes, EPOC, Asma, Inmunosupresión, Hipertensión, otras, Cardiovascular, Obesidad, Renal Crónica

Por lo que se contabilizaran los casos Positivos de COVID-19 con alguno de estos padecimientos:

names(dataCovid_yuc_pos)

##  [1] "FECHA_ACTUALIZACION"   "ID_REGISTRO"           "ORIGEN"               
##  [4] "SECTOR"                "ENTIDAD_UM"            "SEXO"                 
##  [7] "ENTIDAD_NAC"           "ENTIDAD_RES"           "MUNICIPIO_RES"        
## [10] "TIPO_PACIENTE"         "FECHA_INGRESO"         "FECHA_SINTOMAS"       
## [13] "FECHA_DEF"             "INTUBADO"              "NEUMONIA"             
## [16] "EDAD"                  "NACIONALIDAD"          "EMBARAZO"             
## [19] "HABLA_LENGUA_INDIG"    "INDIGENA"              "DIABETES"             
## [22] "EPOC"                  "ASMA"                  "INMUSUPR"             
## [25] "HIPERTENSION"          "OTRA_COM"              "CARDIOVASCULAR"       
## [28] "OBESIDAD"              "RENAL_CRONICA"         "TABAQUISMO"           
## [31] "OTRO_CASO"             "TOMA_MUESTRA_LAB"      "RESULTADO_LAB"        
## [34] "TOMA_MUESTRA_ANTIGENO" "RESULTADO_ANTIGENO"    "CLASIFICACION_FINAL"  
## [37] "MIGRANTE"              "PAIS_NACIONALIDAD"     "PAIS_ORIGEN"          
## [40] "UCI"                   "MUNICIPIO_RES_2"       "NOM_MUNICIPIO_RES"

vecComorbilidad <- c("NEUMONIA", "DIABETES","EPOC","ASMA","INMUSUPR","HIPERTENSION","OTRA_COM","CARDIOVASCULAR","OBESIDAD","RENAL_CRONICA")
vecComorbilidad

##  [1] "NEUMONIA"       "DIABETES"       "EPOC"           "ASMA"          
##  [5] "INMUSUPR"       "HIPERTENSION"   "OTRA_COM"       "CARDIOVASCULAR"
##  [9] "OBESIDAD"       "RENAL_CRONICA"

# vector lógico cuando la condición es igual SI(1) padece alguna otra enfermedad

logComorbilidad <- dataCovid_yuc_pos[,vecComorbilidad] == 1

# suma de tabla logica de verdaderos y falsos

logComorbilidad0 <- rowSums(logComorbilidad) > 0

# Se extrae la data para aquellos casos de pacientes con alguna de las otras enfermedades

dataCovid_Comorbilidad <- dataCovid_yuc_pos[logComorbilidad0, ]
Mun_Comorbilidad <- ddply(dataCovid_Comorbilidad, "MUNICIPIO_RES_2", summarise, MUNICIPIO=unique(NOM_MUNICIPIO_RES), NO_COMORBILIDAD = length(FECHA_INGRESO)) 

# Porcentaje de población con almenos una enfermedad adicional a COVID-19

TotalCasos <- nrow(dataCovid_yuc_pos)
Mun_Comorbilidad$POR_COMORBILIDAD <- paste(round(100*Mun_Comorbilidad$NO_COMORBILIDAD/TotalCasos, 2), "%", sep="")

# Tabla a nivel muncipal con la paquetería "DT"



Mun_Comorbilidadtab<- `colnames<-`(Mun_Comorbilidad,c("Clave de Municipio", "Nombre de municipio", "Personas con comorbilidades", "Porcentaje de personas con comorbilidades"))

datatable(Mun_Comorbilidadtab,caption = "Tabla 1.2: % de casos positivos con al menos una comorbilidad a nivel municipal",) %>%
formatStyle(columns = c(4),  background = "orange", `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle(columns = c(2),  background = , `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle('Porcentaje de personas con comorbilidades', target = 'row', 
              backgroundColor = styleRow(c(50),"red"))

sum(Mun_Comorbilidad$NO_COMORBILIDAD)

## [1] 23465

En la tabla podemos observar que el municipio con mayor % de personas con comorbilidades es Mérida con 18.49%, posteriormente la distribución entre los 105 municipios restantes es bajo un porcentaje pequeño para cada municipio.

Ejercicio 1.3

1.3. Total de casos positivos acumulados por día a nivel estatal.

Contabilizar los casos positivos de COVID-19, basado en la fecha de ingreso.

Con la función cumsum se puede generar el acumulado por cada fecha de ingreso

# Contabilizar los casos positivos por día con base a la fecha de ingreso

CasosDia_yuc <- ddply(dataCovid_yuc_pos, "FECHA_INGRESO", summarise,CASOS = length(FECHA_INGRESO) )

# Contabilizar los casos positivos por día del estado de Yucatán

CasosDia_yuc$CASOS_ACUM <- cumsum(CasosDia_yuc$CASOS)

#print(tail(CasosDia_yuc))

# Tabla a nivel estatal con la paquetería "DT"

CasosDia_yuctab<- `colnames<-`(CasosDia_yuc,c("Fecha de ingreso", "Casos Positivos a Covid-19", "Casos acumulados Positivos a Covid-19"))

datatable(CasosDia_yuctab,caption = "Tabla 1.3: Total de casos positivos acumulados por día a nivel estatal",) %>%
formatStyle(columns = c(3),  background = "yellow", `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle(columns = c(1),  background = , `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
  formatStyle('Fecha de ingreso', target = 'row', 
              backgroundColor = styleRow(c(633),"red"))

Observamos como el último renglón cuadra con lo ya obtenido y verificado de un total de 75,386 casos positivos hasta la fecha de de actualización por la Secretaría de Salud al 10 de diciembre de 2021 (ver comprobación de datos).

Ejercicio 1.4

Total acumulado de defunciones por día a nivel estatal.

Contabilizar el número de defunciones por día de los casos positivos de COVID-19, basado en la fecha de defunción

# Contabilizar las defunciones para obtener únicamente las fechas de defunción 

fechas_def <- dataCovid_yuc_pos$FECHA_DEF

# remover los no datos

fechas_def <- data.frame(FECHA_DEF=fechas_def[!is.na(fechas_def)])

# Contabilizar las defunciones por dia 

DefunDia_yuc <- ddply(fechas_def, "FECHA_DEF", summarise, CASOS_DEF = length(FECHA_DEF))

# vector auxiliar 
vecAux <- seq(min(as.Date(fechas_def$FECHA_DEF)),max(as.Date(fechas_def$FECHA_DEF)),by="day")
auxFecha <- data.frame(FECHA_DEF=as.character(vecAux))

# Unir para tener vector defechas completas

DefunDia_yuc_ <- merge(auxFecha,DefunDia_yuc, by="FECHA_DEF", all.x=T )

# Agregar ceros a los no datos (NAs) para tener todos los días en la tabla

DefunDia_yuc_$CASOS_DEF[is.na(DefunDia_yuc_$CASOS_DEF)] <- 0

# Contabilizar los casos defunciones por día del estado de Yucatán

DefunDia_yuc_$CASOS_DEF_ACUM <- cumsum(DefunDia_yuc_$CASOS_DEF)

# Tabla a nivel estatal con la paquetería "DT"

DefunDia_yuc_tab<- `colnames<-`(DefunDia_yuc_,c("Fecha de defunción", "Defunciones", "Defunciones acumuladas"))

datatable(DefunDia_yuc_tab,caption = "Tabla 1.4: Total de defunciones acumuladas por día a nivel estatal.",) %>%
formatStyle(columns = c(3),  background = "red", `font-size` = '17px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle(columns = c(1),  background = , `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
  formatStyle('Fecha de defunción', target = 'row', 
              backgroundColor = styleRow(c(625),"red"))

Observamos como el último renglón cuadra con lo ya obtenido y verificado de un total de 5,703 defunciones hasta la fecha de actualización por la Secretaría de Salud al 10 de diciembre de 2021 (ver Ejercicio 1.1, comprobación defunciones).

Ejercicio 1.5

% de mujeres, a nivel municipal, que representan un caso positivo (Número de mujeres positivas en el municipio/Números de casos positivos en ese municipio).

Contabilizar el número de mujeres positivas a COVID-19.

# Contabilizar el número de mujeres 

Res_Mun_Sexmuj <- ddply(dataCovid_yuc_pos, "MUNICIPIO_RES_2", summarise, MUNICIPIO= unique(NOM_MUNICIPIO_RES),NO_MUJ=sum(SEXO == 1))

 

# Calcular el numero de mujeres entre el numero de casos positivos de COVID-19 en Yucatán.

Res_Mun_Sexmuj$POR_MUJ = paste(round(100*Res_Mun_Sexmuj$NO_MUJ/nrow(dataCovid_yuc_pos),2),"%", sep="")


# Tabla a nivel estatal con la paquetería "DT"

Res_Mun_Sexmujtab<- `colnames<-`(Res_Mun_Sexmuj,c("Clave de municipio", "Municipio", "Número de Mujeres Positivas", "% Mujeres Positivas Municipal"))

datatable(Res_Mun_Sexmujtab,caption = "Tabla 1.5: % de mujeres, a nivel municipal, que representan positivo a Covid-19.",) %>%
formatStyle(columns = c(4),  background = "yellow", `font-size` = '17px', `text-align` = 'center', `font-weight` = 'bold')%>%
formatStyle(columns = c(2),  background = , `font-size` = '16px', `text-align` = 'center', `font-weight` = 'bold')%>%
  formatStyle('Municipio', target = 'row', 
              backgroundColor = styleRow(c(50),"purple"))

De la tabla 1.5 se puede inferir que Mérida es el municipio con mayor porcentaje de mujeres positivas a Covid-19 con un 30.36%, posteriormente la distribución entre los 105 municipios restantes es bajo un porcentaje pequeño para cada municipio.

Ejercicio 2

Gráfico de Barras de los 10 municipios con mayor % de defunciones.

Ordenar la tabla generada anteriormente de manera descendente.

# ordenar la tabla de manera descendente

Municipio_def <- ResumenDef[order(ResumenDef$NO_DEF, decreasing = T),]
Municipio_def$POR_DEF2 <- Municipio_def$NO_DEF/Total_defunciones

library(ggplot2)
library(plotly)

## 
## Attaching package: 'plotly'

## The following objects are masked from 'package:plyr':
## 
##     arrange, mutate, rename, summarise

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

# Se crea el gráfico
Municipio_def_0 <- Municipio_def[1:10,]
graficobarras <- ggplot(data=Municipio_def_0[,c(2,4,5)], aes(x=reorder(MUNICIPIO,-POR_DEF2), y=POR_DEF2, text=paste("<b>MUNICIPIO</b>:",MUNICIPIO,"<br><b>% DEFUNCIÓN</b>:", POR_DEF,sep="")))+
  geom_bar(stat="identity", fill="gray0")+
  geom_text(aes(label=POR_DEF), vjust=1.6, color="red1",bold=T , size=3.5)+
  scale_y_continuous(labels = scales::percent_format(accuracy = 2))+
  scale_x_discrete(guide = guide_axis(angle = 90)) +
  scale_fill_discrete(labels=c("Municipio", "Porcentaje Defunción"))+
  labs(title = "Gráfico de Barras de los 10 municipios con mayor porcentaje de defunciones", x="Municipios", y="Porcentaje Defunciones(%)", color = "") + theme_minimal()

## Warning: Ignoring unknown parameters: bold

# Se utiliza librería para gráfico dinámico
ggplotly(graficobarras, tooltip = "text",width = 900, heigth=600)

#print(graficobarras)

De la gráfica se aprecia que el municipio con mayor porcentaje de defunciones es Mérida con un 56.78%, inmediatamente el porcentaje baja drásticamente en la distribución de municipios. Esto es de esperarse, al ser Mérida la urbe más poblada de Yucatán.

Ejercicio 3

Gráfico de Barras de los 10 municipios con mayor número de casos positivos detectados, dividido por hombres y por mujeres.

Con los datos que creamos en el ejercicio 1.5, adecuamos nuestros nuevos datos a lo que se nos pide.

#hombres y mujeres
Res_Mun_Sex <- ddply(dataCovid_yuc_pos, "MUNICIPIO_RES_2", summarise, MUNICIPIO= unique(NOM_MUNICIPIO_RES),NO_MUJ=sum(SEXO == 1 ), NO_HOM=sum(SEXO == 2 )) 

#para hombres  "%",
Res_Mun_Sex$POR_HOM = paste(round(100*Res_Mun_Sex$NO_HOM/nrow(dataCovid_yuc_pos),2), "%", sep="")


#  Casos confirmados con relacion de municipios

Res_Mun_Sex$TOTAL <- Res_Mun_Sex$NO_MUJ + Res_Mun_Sex$NO_HOM

# ordenar de forma decreciente 

Res_Mun_Sex <- Res_Mun_Sex[order(Res_Mun_Sex$TOTAL, decreasing = T),]

# Solo traer los diez municpios con más casos

Res_Mun_Sex_10 <- head(Res_Mun_Sex,10)

# Cambiar el nombre  para un mejor etiquetado

names(Res_Mun_Sex_10)[3:4] <- c("MUJERES", "HOMBRES")

# Poner la tabla de manera hacia abajo

library(tidyr)
Municipios_por_Sexo <- pivot_longer(data=Res_Mun_Sex_10[,c(2:4)], cols = 2:3, names_to = c("SEXO"), values_to = "CASOS_CONFIRMADOS" )

# Generar el gráfico
barplotMun_Sexo <- ggplot(data=Municipios_por_Sexo, aes(x=reorder(MUNICIPIO,-CASOS_CONFIRMADOS), y=CASOS_CONFIRMADOS, fill=SEXO, text = paste("<b>MUNICIPIO</b>:",MUNICIPIO,"<br><b>CASOS COVID-19</b>:", CASOS_CONFIRMADOS,"<br><b>SEXO</b>:",SEXO, sep=""))) +
geom_bar(stat="identity", position=position_dodge()) +
       labs(title = '10 municipios con mayor número de casos positivos detectados',
       fill = 'Sexo',
       x = 'Municipios',
       y = 'Casos confirmados COVID-19',
       subtitle = 'Dividido por hombres y por mujeres',
       caption = '')+
  scale_x_discrete(guide = guide_axis(angle = 90)) +
  scale_color_manual(values = c("cyan1", "deeppink")) +
  scale_fill_manual(values = c("cyan1", "deeppink"))
  
ggplotly(barplotMun_Sexo, tooltip="text", width = 1000, heigth=600)

#print(barplotMun_Sexo)

Observamos en la gráfica que los casos positivos a Covid-19 divididos entre hombres y mujeres tienen una proporción parecida, en los 10 municipios hay un número ligeramente menor en mujeres.

Ejercicio 4

Gráfico de líneas que representa el numero acumulado de defunciones a nivel estatal por día. Al desplazar el cursor sobre la línea, se debe de mostrar la cantidad representada en la línea.

library(xts)
library(dygraphs)
DefunDia_yuc_$FECHA_DEF <- as.Date(DefunDia_yuc_$FECHA_DEF)
Time_Defun <- xts::xts(x=DefunDia_yuc_,order.by=DefunDia_yuc_$FECHA_DEF)
dygraph(Time_Defun) %>%
  dySeries("CASOS_DEF_ACUM", label = "Muertes por COVID-19") %>%
  dyOptions(fillGraph=TRUE, fillAlpha=0.7, drawGrid = FALSE, colors="brown3") %>%
  dyRangeSelector() %>%
  dyCrosshair(direction = "vertical") %>%
  dyHighlight(highlightCircleSize = 5, highlightSeriesBackgroundAlpha = 0.2, hideOnMouseOut = FALSE)  %>%
  dyRoller(rollPeriod = 1)

Observamos en la gráfica que al igual que en la tabla 1.4 el total de defunciones acumuladas es 5703 como ya habíamos verificado en Comprobación defunciones con los datos de la secretaría de salud.

Ejercicio 5

Mapa que muestre la distribución espacial, por municipio, del % de defunciones. Utilizar el corte por cuantiles. Al situar el cursor sobre el municipio, se debe de desplegar el % de defunciones y el total de casos de defunciones del correspondiente.

library(sf)
library(leaflet)
library(rgdal)


# Mapa de Yucatán 

yuc_map<-readOGR("C:\\Users\\ARRA\\Desktop\\METPOL 1er SEMESTRE\\Programac\\Actividad 4\\Yucatán", layer="mapa_yuc",
                      encoding = "UTF-8") #usamos el encoding correcto para

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\ARRA\Desktop\METPOL 1er SEMESTRE\Programac\Actividad 4\Yucatán", layer: "mapa_yuc"
## with 106 features
## It has 4 fields

                                          #no tener problemas con los acentos.


# traer la tabla de fallecimientos por municipio y ajustarla 
# Poner el porcentaje de fallecimientos en número y no texto 
Municipio_def$POR_DEF2 <- Municipio_def$NO_DEF/Total_defunciones
yuc_map2 <- merge(yuc_map, Municipio_def, by.x="CVE_MUN", by.y="MUNICIPIO_RES_2",all.x=TRUE)
# Generar etiquetas
textbox <- paste(
  "<b> Municipio : </b>",yuc_map2$NOMGEO,"<br/>",
  "<b> % Defunciones: </b>", round((yuc_map2$POR_DEF2)*100,2),"<br/>",
  "<b>Total Defunciones:<b>", yuc_map2$NO_DEF ) %>%
  lapply(htmltools::HTML)
# Definir cuantiles 
valmax <- max(yuc_map2$POR_DEF2)
quantiles <- c(quantile(yuc_map2$POR_DEF2),(valmax+valmax*0.1))
# colores utilizado de la paleta de rojos
colores <- colorBin( palette="Reds", domain=yuc_map2$POR_DEF2, na.color="transparent", bins=quantiles)
# Imprime mapa con leaflet
leaflet(data=yuc_map2) %>%
      addTiles() %>% 
      addPolygons(label=textbox,fillColor = colores(yuc_map2$POR_DEF2),
                  fillOpacity = 0.9,color="#EFC000FF",weight=2) %>% leaflet::addLegend("bottomright", pal = colores, values = ~POR_DEF2,title = "% Defunciones",
              labFormat = labelFormat(prefix="(", suffix=")%", between=", ",transform = function(x){100*x}),
              opacity = 1)

Observamos en nuestro mapa interactivo que Mérida es el municipio con mayor número de defunciones con un total de 3,238 hasta la fecha de actualización por la Secretaría de Salud al 10 de diciembre de 2021 (ver Ejercicio 1.1). Además, podemos apreciar que en la distribución de los 105 municipios restantes, tanto en los porcentajes como en el número total de defunciones se encuentran cifras pequeñas en comparación con Mérida. Se aprecian zonas como al oriente del estado donde la concentración de muertes se aprecia a través de la penúltima intensidad de rojo. Es decir, en los municipios de Tizimín, Valladolid, Chemax y Temozón.