Utilizando la informacion brindada por la Secretaria de Salud Federal sobre los casos de COVID-19 detectados en la Republica Mexicana, y considerando solamente los casos positivos (verificar que la informaci´on que se obtenga de la base de datos sea igual a la reportada diariamente por dicha secretaria), obtener lo siguiente.

Ejercicio 1

Eligiendo un estado de la republica de residencia del paciente que tenga mas de 20 municipios, obtener (tablas):

Inciso 1.1

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

Se carga la base de datos y se filtra (usando la funcion which) para obtener solo los datos del estado seleccionado, en este caso Zacatecas:

datos_zac <- datos %>% dplyr::filter(ENTIDAD_RES=="32")

write.csv(datos_zac[,],file="datos_zac.csv")
datos_zac<-read.csv("datos_zac.csv")

datos_zac <- datos_zac[,-1]

De los datos de Zacatecas (datos_zac) se filtran de defunciones en el estado:

datos_def <- datos_zac[,c(9, 13, 36)]

datos_def$FECHA_DEF <- (datos_def$FECHA_DEF)

datos_def$FECHA_DEF <- ifelse(datos_def$FECHA_DEF == "9999-99-99", 0, 1)

Para obtener las defunciones por municipio primero se obtiene una tabla con el nombre de los municipios:

catalo_muni <- read_excel("C:\\Users\\richa\\OneDrive - CIDE\\1er Semestre-DESKTOP-RPQUJJA\\Manejo de bases de datos\\Examen\\catalogo.xlsx", sheet = "Catálogo MUNICIPIOS") 

catalo_muni_zac_temp <- which(catalo_muni$CLAVE_ENTIDAD == "32")

catalo_muni_zac_temp2 <- catalo_muni[catalo_muni_zac_temp,]

catalo_muni_zac <- catalo_muni_zac_temp2[,c(1,2)]

La tabla con el nombre de los municipios se empata con la clave de cada municipio para vincular cada defuncion con el municipio de residencia del difunto:

descriptores <- read_excel("C:\\Users\\richa\\OneDrive - CIDE\\1er Semestre-DESKTOP-RPQUJJA\\Manejo de bases de datos\\Examen\\descriptores.xlsx") 

tabla_muni <- merge(datos_def, catalo_muni_zac, by.x = "MUNICIPIO_RES", by.y = "CLAVE_MUNICIPIO", sort = FALSE)

tabla_muni$FECHA_DEF <- as.numeric(tabla_muni$FECHA_DEF)

tabla_muni$CLASIFICACION_FINAL <- as.numeric(tabla_muni$CLASIFICACION_FINAL)

Con la funcion aggregate se agrupan las defunciones por cada municipio:

defunciones <- as.data.frame(aggregate(FECHA_DEF~MUNICIPIO, data=tabla_muni, sum))

defunciones %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
MUNICIPIO FECHA_DEF
APOZOL 6
APULCO 5
ATOLINGA 9
BENITO JUÁREZ 6
CALERA 85
CAÑITAS DE FELIPE PESCADOR 20
CHALCHIHUITES 17
CONCEPCIÓN DEL ORO 47
CUAUHTÉMOC 22
EL PLATEADO DE JOAQUÍN AMARO 4
EL SALVADOR 2
FRESNILLO 769
GENARO CODINA 14
GENERAL ENRIQUE ESTRADA 14
GENERAL FRANCISCO R. MURGUÍA 40
GENERAL PÁNFILO NATERA 50
GUADALUPE 527
HUANUSCO 8
JALPA 22
JEREZ 228
JIMÉNEZ DEL TEUL 2
JUAN ALDAMA 41
JUCHIPILA 17
LORETO 92
LUIS MOYA 23
MAZAPIL 33
MELCHOR OCAMPO 7
MEZQUITAL DEL ORO 4
MIGUEL AUZA 30
MOMAX 3
MONTE ESCOBEDO 14
MORELOS 48
MOYAHUA DE ESTRADA 9
NO ESPECIFICADO 0
NOCHISTLÁN DE MEJÍA 45
NORIA DE ÁNGELES 23
OJOCALIENTE 91
PÁNUCO 39
PINOS 127
RÍO GRANDE 172
SAIN ALTO 39
SANTA MARÍA DE LA PAZ 5
SOMBRERETE 130
SUSTICACÁN 3
TABASCO 19
TEPECHITLÁN 15
TEPETONGO 26
TEÚL DE GONZÁLEZ ORTEGA 4
TLALTENANGO DE SÁNCHEZ ROMÁN 68
TRANCOSO 56
TRINIDAD GARCÍA DE LA CADENA 2
VALPARAÍSO 74
VETAGRANDE 29
VILLA DE COS 75
VILLA GARCÍA 23
VILLA GONZÁLEZ ORTEGA 28
VILLA HIDALGO 37
VILLANUEVA 77
ZACATECAS 810

Para obtener el numero de casos confirmados, de la tabla con la informacion municipal se filtran las claves que conllevan a un caso confirmado:

for (x in 1:103126) {
  if(tabla_muni[x,3]== "1" | tabla_muni[x,3]== "2" |tabla_muni[x,3]== "3")
  {
    tabla_muni[x,3] <- 1
  }
  else
  {
    tabla_muni[x,3] <- 0
  }
}

Se genera la tabla con los casos confirmados por municipio y se junta con las defunciones para obtener la proporcion de defunciones respectados a los casos confirmados:

prop_def <- as.data.frame(aggregate(CLASIFICACION_FINAL~MUNICIPIO, data = tabla_muni, sum ))

prop_def$DEFUNCIONES <- defunciones[,2]

prop_def$PORCENTAJE <- round((prop_def$DEFUNCIONES/prop_def$CLASIFICACION_FINAL)*100, 2)

prop_def %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
MUNICIPIO CLASIFICACION_FINAL DEFUNCIONES PORCENTAJE
APOZOL 42 6 14.29
APULCO 32 5 15.62
ATOLINGA 53 9 16.98
BENITO JUÁREZ 47 6 12.77
CALERA 757 85 11.23
CAÑITAS DE FELIPE PESCADOR 71 20 28.17
CHALCHIHUITES 64 17 26.56
CONCEPCIÓN DEL ORO 507 47 9.27
CUAUHTÉMOC 90 22 24.44
EL PLATEADO DE JOAQUÍN AMARO 11 4 36.36
EL SALVADOR 28 2 7.14
FRESNILLO 7373 769 10.43
GENARO CODINA 83 14 16.87
GENERAL ENRIQUE ESTRADA 86 14 16.28
GENERAL FRANCISCO R. MURGUÍA 197 40 20.30
GENERAL PÁNFILO NATERA 231 50 21.65
GUADALUPE 9237 527 5.71
HUANUSCO 54 8 14.81
JALPA 454 22 4.85
JEREZ 1424 228 16.01
JIMÉNEZ DEL TEUL 27 2 7.41
JUAN ALDAMA 193 41 21.24
JUCHIPILA 130 17 13.08
LORETO 538 92 17.10
LUIS MOYA 94 23 24.47
MAZAPIL 292 33 11.30
MELCHOR OCAMPO 13 7 53.85
MEZQUITAL DEL ORO 16 4 25.00
MIGUEL AUZA 156 30 19.23
MOMAX 110 3 2.73
MONTE ESCOBEDO 237 14 5.91
MORELOS 374 48 12.83
MOYAHUA DE ESTRADA 21 9 42.86
NO ESPECIFICADO 1 0 0.00
NOCHISTLÁN DE MEJÍA 1313 45 3.43
NORIA DE ÁNGELES 112 23 20.54
OJOCALIENTE 581 91 15.66
PÁNUCO 172 39 22.67
PINOS 549 127 23.13
RÍO GRANDE 768 172 22.40
SAIN ALTO 130 39 30.00
SANTA MARÍA DE LA PAZ 41 5 12.20
SOMBRERETE 1677 130 7.75
SUSTICACÁN 18 3 16.67
TABASCO 276 19 6.88
TEPECHITLÁN 193 15 7.77
TEPETONGO 97 26 26.80
TEÚL DE GONZÁLEZ ORTEGA 183 4 2.19
TLALTENANGO DE SÁNCHEZ ROMÁN 946 68 7.19
TRANCOSO 309 56 18.12
TRINIDAD GARCÍA DE LA CADENA 43 2 4.65
VALPARAÍSO 240 74 30.83
VETAGRANDE 141 29 20.57
VILLA DE COS 446 75 16.82
VILLA GARCÍA 110 23 20.91
VILLA GONZÁLEZ ORTEGA 151 28 18.54
VILLA HIDALGO 127 37 29.13
VILLANUEVA 537 77 14.34
ZACATECAS 10135 810 7.99

Inciso 1.2

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

De los datos de Zacatecas (datos_zac) se filtran los 10 tipos de comorbilidades en el estado:

datos_comorb2 <- datos_zac[,c(9, 21:29, 36)]

datos_comorb2[,2:10] <- ifelse(datos_comorb2[,2:10]==1,1,0)

Se suman los renglones de los 9 tipos de comorbilidad para identificar cada registro que tenga al menos una comorbilidad:

for (x in 1:103126) {
  datos_comorb2[x,12] <- sum(datos_comorb2[x,2:10])
}

datos_comorb2$V12 <-  ifelse(datos_comorb2$V12 >= 1, 1, 0)

Se suman las columnas de comorbilidad y positivos para identificar cada registro que tenga al menos una comorbilidad y sean casos confirmados:

datos_comorb2$CLASIFICACION_FINAL <- tabla_muni$CLASIFICACION_FINAL

datos_comorb2$COMORB_POSI <- datos_comorb2$CLASIFICACION_FINAL+datos_comorb2$V12

Para identificar si los casos positivos tuvieron al menos una comorbilidad se toma en cuenta la suma anterios:

datos_comorb2$COMORB_POSI <- ifelse(datos_comorb2$COMORB_POSI == 2, 1, 0)

Con los datos obtenidos se elabora la tabla que identifica por municipio cuantas personas tienen al menos una comorbilidad:

tabla_comorb <- merge(datos_comorb2, catalo_muni_zac, by.x = "MUNICIPIO_RES", by.y = "CLAVE_MUNICIPIO", sort = FALSE)

comorb <- as.data.frame(aggregate(COMORB_POSI~MUNICIPIO, data=tabla_comorb, sum))

comorb %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
MUNICIPIO COMORB_POSI
APOZOL 13
APULCO 11
ATOLINGA 17
BENITO JUÁREZ 13
CALERA 248
CAÑITAS DE FELIPE PESCADOR 31
CHALCHIHUITES 27
CONCEPCIÓN DEL ORO 143
CUAUHTÉMOC 29
EL PLATEADO DE JOAQUÍN AMARO 5
EL SALVADOR 9
FRESNILLO 2360
GENARO CODINA 25
GENERAL ENRIQUE ESTRADA 25
GENERAL FRANCISCO R. MURGUÍA 44
GENERAL PÁNFILO NATERA 77
GUADALUPE 2708
HUANUSCO 15
JALPA 118
JEREZ 415
JIMÉNEZ DEL TEUL 10
JUAN ALDAMA 60
JUCHIPILA 34
LORETO 212
LUIS MOYA 45
MAZAPIL 65
MELCHOR OCAMPO 10
MEZQUITAL DEL ORO 3
MIGUEL AUZA 46
MOMAX 28
MONTE ESCOBEDO 65
MORELOS 121
MOYAHUA DE ESTRADA 5
NO ESPECIFICADO 1
NOCHISTLÁN DE MEJÍA 301
NORIA DE ÁNGELES 42
OJOCALIENTE 202
PÁNUCO 59
PINOS 216
RÍO GRANDE 297
SAIN ALTO 45
SANTA MARÍA DE LA PAZ 12
SOMBRERETE 338
SUSTICACÁN 1
TABASCO 76
TEPECHITLÁN 57
TEPETONGO 40
TEÚL DE GONZÁLEZ ORTEGA 56
TLALTENANGO DE SÁNCHEZ ROMÁN 260
TRANCOSO 122
TRINIDAD GARCÍA DE LA CADENA 10
VALPARAÍSO 87
VETAGRANDE 48
VILLA DE COS 132
VILLA GARCÍA 34
VILLA GONZÁLEZ ORTEGA 43
VILLA HIDALGO 57
VILLANUEVA 201
ZACATECAS 3045

Se obtiene, por municipio, el numero de casos confimados y se agrega a la tabla anterior para generar el pocentaje de personas que se contagiaron y tienen al menos una comorbilidad:

comorb$CONFIRMADOS <- prop_def$CLASIFICACION_FINAL

comorb$PORC_COMORB <- round((comorb$COMORB_POSI/comorb$CONFIRMADOS)*100,2)

comorb %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
MUNICIPIO COMORB_POSI CONFIRMADOS PORC_COMORB
APOZOL 13 42 30.95
APULCO 11 32 34.38
ATOLINGA 17 53 32.08
BENITO JUÁREZ 13 47 27.66
CALERA 248 757 32.76
CAÑITAS DE FELIPE PESCADOR 31 71 43.66
CHALCHIHUITES 27 64 42.19
CONCEPCIÓN DEL ORO 143 507 28.21
CUAUHTÉMOC 29 90 32.22
EL PLATEADO DE JOAQUÍN AMARO 5 11 45.45
EL SALVADOR 9 28 32.14
FRESNILLO 2360 7373 32.01
GENARO CODINA 25 83 30.12
GENERAL ENRIQUE ESTRADA 25 86 29.07
GENERAL FRANCISCO R. MURGUÍA 44 197 22.34
GENERAL PÁNFILO NATERA 77 231 33.33
GUADALUPE 2708 9237 29.32
HUANUSCO 15 54 27.78
JALPA 118 454 25.99
JEREZ 415 1424 29.14
JIMÉNEZ DEL TEUL 10 27 37.04
JUAN ALDAMA 60 193 31.09
JUCHIPILA 34 130 26.15
LORETO 212 538 39.41
LUIS MOYA 45 94 47.87
MAZAPIL 65 292 22.26
MELCHOR OCAMPO 10 13 76.92
MEZQUITAL DEL ORO 3 16 18.75
MIGUEL AUZA 46 156 29.49
MOMAX 28 110 25.45
MONTE ESCOBEDO 65 237 27.43
MORELOS 121 374 32.35
MOYAHUA DE ESTRADA 5 21 23.81
NO ESPECIFICADO 1 1 100.00
NOCHISTLÁN DE MEJÍA 301 1313 22.92
NORIA DE ÁNGELES 42 112 37.50
OJOCALIENTE 202 581 34.77
PÁNUCO 59 172 34.30
PINOS 216 549 39.34
RÍO GRANDE 297 768 38.67
SAIN ALTO 45 130 34.62
SANTA MARÍA DE LA PAZ 12 41 29.27
SOMBRERETE 338 1677 20.16
SUSTICACÁN 1 18 5.56
TABASCO 76 276 27.54
TEPECHITLÁN 57 193 29.53
TEPETONGO 40 97 41.24
TEÚL DE GONZÁLEZ ORTEGA 56 183 30.60
TLALTENANGO DE SÁNCHEZ ROMÁN 260 946 27.48
TRANCOSO 122 309 39.48
TRINIDAD GARCÍA DE LA CADENA 10 43 23.26
VALPARAÍSO 87 240 36.25
VETAGRANDE 48 141 34.04
VILLA DE COS 132 446 29.60
VILLA GARCÍA 34 110 30.91
VILLA GONZÁLEZ ORTEGA 43 151 28.48
VILLA HIDALGO 57 127 44.88
VILLANUEVA 201 537 37.43
ZACATECAS 3045 10135 30.04

Inciso 1.3

Total de casos positivos acumulados por dıa a nivel estatal.

De la informacion anterior, se toma la columna que registra las fechas de ingreso, despues se genera una columna con los datos de los confirmados positivos y se hace la tabla agregando el numero de confirmados segun la fecha para obtenerlos por dia a nivel estatal:

tabla_posi <- as.data.frame(tabla_muni$CLASIFICACION_FINAL) 

tabla_posi$FECHA <- datos_zac$FECHA_INGRESO

POSITIVOS <- aggregate(tabla_muni$CLASIFICACION_FINAL~FECHA,data=tabla_posi,sum)

POSITIVOS %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
FECHA tabla_muni$CLASIFICACION_FINAL
2020-01-01 1
2020-01-02 0
2020-01-03 0
2020-01-04 1
2020-01-05 0
2020-01-06 1
2020-01-07 1
2020-01-08 3
2020-01-09 1
2020-01-10 2
2020-01-11 2
2020-01-12 4
2020-01-13 3
2020-01-14 3
2020-01-15 2
2020-01-16 3
2020-01-17 1
2020-01-18 1
2020-01-19 1
2020-01-20 3
2020-01-21 2
2020-01-22 5
2020-01-23 2
2020-01-24 4
2020-01-25 0
2020-01-26 2
2020-01-27 6
2020-01-28 6
2020-01-29 0
2020-01-30 5
2020-01-31 4
2020-02-01 0
2020-02-02 0
2020-02-03 3
2020-02-04 5
2020-02-05 1
2020-02-06 5
2020-02-07 6
2020-02-08 1
2020-02-09 3
2020-02-10 7
2020-02-11 4
2020-02-12 7
2020-02-13 2
2020-02-14 3
2020-02-15 2
2020-02-16 1
2020-02-17 2
2020-02-18 4
2020-02-19 8
2020-02-20 2
2020-02-21 3
2020-02-22 2
2020-02-23 3
2020-02-24 7
2020-02-25 8
2020-02-26 8
2020-02-27 4
2020-02-28 2
2020-02-29 0
2020-03-02 5
2020-03-03 2
2020-03-04 4
2020-03-05 3
2020-03-06 1
2020-03-07 1
2020-03-08 2
2020-03-09 4
2020-03-10 3
2020-03-11 6
2020-03-12 3
2020-03-13 3
2020-03-14 0
2020-03-15 1
2020-03-16 3
2020-03-17 9
2020-03-18 6
2020-03-19 7
2020-03-20 10
2020-03-21 6
2020-03-22 5
2020-03-23 11
2020-03-24 13
2020-03-25 7
2020-03-26 7
2020-03-27 5
2020-03-28 1
2020-03-29 1
2020-03-30 6
2020-03-31 5
2020-04-01 3
2020-04-02 12
2020-04-03 4
2020-04-04 8
2020-04-05 2
2020-04-06 5
2020-04-07 7
2020-04-08 13
2020-04-09 5
2020-04-10 2
2020-04-11 1
2020-04-12 2
2020-04-13 3
2020-04-14 8
2020-04-15 16
2020-04-16 12
2020-04-17 16
2020-04-18 23
2020-04-19 5
2020-04-20 14
2020-04-21 9
2020-04-22 8
2020-04-23 11
2020-04-24 16
2020-04-25 5
2020-04-26 14
2020-04-27 19
2020-04-28 18
2020-04-29 9
2020-04-30 7
2020-05-01 10
2020-05-02 9
2020-05-03 2
2020-05-04 11
2020-05-05 9
2020-05-06 7
2020-05-07 29
2020-05-08 23
2020-05-09 6
2020-05-10 10
2020-05-11 24
2020-05-12 22
2020-05-13 26
2020-05-14 33
2020-05-15 26
2020-05-16 6
2020-05-17 8
2020-05-18 29
2020-05-19 13
2020-05-20 19
2020-05-21 7
2020-05-22 18
2020-05-23 7
2020-05-24 8
2020-05-25 14
2020-05-26 23
2020-05-27 17
2020-05-28 19
2020-05-29 23
2020-05-30 11
2020-05-31 4
2020-06-01 14
2020-06-02 15
2020-06-03 22
2020-06-04 20
2020-06-05 19
2020-06-06 13
2020-06-07 3
2020-06-08 16
2020-06-09 36
2020-06-10 25
2020-06-11 20
2020-06-12 49
2020-06-13 19
2020-06-14 10
2020-06-15 36
2020-06-16 45
2020-06-17 33
2020-06-18 22
2020-06-19 27
2020-06-20 5
2020-06-21 8
2020-06-22 34
2020-06-23 34
2020-06-24 24
2020-06-25 38
2020-06-26 29
2020-06-27 17
2020-06-28 17
2020-06-29 49
2020-06-30 44
2020-07-01 41
2020-07-02 43
2020-07-03 38
2020-07-04 18
2020-07-05 27
2020-07-06 45
2020-07-07 42
2020-07-08 47
2020-07-09 53
2020-07-10 49
2020-07-11 45
2020-07-12 33
2020-07-13 38
2020-07-14 48
2020-07-15 57
2020-07-16 61
2020-07-17 37
2020-07-18 24
2020-07-19 24
2020-07-20 60
2020-07-21 76
2020-07-22 65
2020-07-23 72
2020-07-24 56
2020-07-25 30
2020-07-26 25
2020-07-27 50
2020-07-28 102
2020-07-29 63
2020-07-30 84
2020-07-31 52
2020-08-01 39
2020-08-02 22
2020-08-03 70
2020-08-04 72
2020-08-05 72
2020-08-06 62
2020-08-07 60
2020-08-08 53
2020-08-09 29
2020-08-10 96
2020-08-11 101
2020-08-12 92
2020-08-13 55
2020-08-14 74
2020-08-15 53
2020-08-16 40
2020-08-17 81
2020-08-18 94
2020-08-19 68
2020-08-20 92
2020-08-21 73
2020-08-22 39
2020-08-23 31
2020-08-24 65
2020-08-25 82
2020-08-26 60
2020-08-27 81
2020-08-28 85
2020-08-29 41
2020-08-30 21
2020-08-31 72
2020-09-01 92
2020-09-02 104
2020-09-03 52
2020-09-04 92
2020-09-05 43
2020-09-06 24
2020-09-07 77
2020-09-08 81
2020-09-09 80
2020-09-10 77
2020-09-11 72
2020-09-12 36
2020-09-13 31
2020-09-14 84
2020-09-15 69
2020-09-16 31
2020-09-17 81
2020-09-18 56
2020-09-19 32
2020-09-20 17
2020-09-21 66
2020-09-22 67
2020-09-23 67
2020-09-24 59
2020-09-25 70
2020-09-26 27
2020-09-27 21
2020-09-28 69
2020-09-29 124
2020-09-30 74
2020-10-01 76
2020-10-02 78
2020-10-03 31
2020-10-04 36
2020-10-05 75
2020-10-06 87
2020-10-07 74
2020-10-08 63
2020-10-09 61
2020-10-10 55
2020-10-11 52
2020-10-12 88
2020-10-13 116
2020-10-14 99
2020-10-15 88
2020-10-16 133
2020-10-17 48
2020-10-18 31
2020-10-19 91
2020-10-20 116
2020-10-21 142
2020-10-22 115
2020-10-23 105
2020-10-24 57
2020-10-25 42
2020-10-26 129
2020-10-27 148
2020-10-28 129
2020-10-29 137
2020-10-30 95
2020-10-31 39
2020-11-01 29
2020-11-02 93
2020-11-03 125
2020-11-04 140
2020-11-05 202
2020-11-06 176
2020-11-07 82
2020-11-08 54
2020-11-09 134
2020-11-10 192
2020-11-11 137
2020-11-12 160
2020-11-13 173
2020-11-14 54
2020-11-15 54
2020-11-16 65
2020-11-17 136
2020-11-18 174
2020-11-19 171
2020-11-20 186
2020-11-21 48
2020-11-22 49
2020-11-23 144
2020-11-24 178
2020-11-25 174
2020-11-26 172
2020-11-27 143
2020-11-28 58
2020-11-29 50
2020-11-30 123
2020-12-01 203
2020-12-02 110
2020-12-03 140
2020-12-04 121
2020-12-05 42
2020-12-06 32
2020-12-07 147
2020-12-08 132
2020-12-09 109
2020-12-10 140
2020-12-11 87
2020-12-12 37
2020-12-13 54
2020-12-14 101
2020-12-15 141
2020-12-16 79
2020-12-17 124
2020-12-18 80
2020-12-19 44
2020-12-20 47
2020-12-21 106
2020-12-22 133
2020-12-23 71
2020-12-24 57
2020-12-25 10
2020-12-26 27
2020-12-27 29
2020-12-28 116
2020-12-29 120
2020-12-30 106
2020-12-31 82
2021-01-01 11
2021-01-02 35
2021-01-03 15
2021-01-04 94
2021-01-05 146
2021-01-06 110
2021-01-07 162
2021-01-08 127
2021-01-09 57
2021-01-10 32
2021-01-11 130
2021-01-12 142
2021-01-13 122
2021-01-14 124
2021-01-15 78
2021-01-16 37
2021-01-17 32
2021-01-18 107
2021-01-19 169
2021-01-20 120
2021-01-21 126
2021-01-22 99
2021-01-23 41
2021-01-24 29
2021-01-25 96
2021-01-26 151
2021-01-27 130
2021-01-28 121
2021-01-29 98
2021-01-30 28
2021-01-31 26
2021-02-01 50
2021-02-02 100
2021-02-03 122
2021-02-04 113
2021-02-05 85
2021-02-06 24
2021-02-07 26
2021-02-08 102
2021-02-09 115
2021-02-10 97
2021-02-11 98
2021-02-12 62
2021-02-13 37
2021-02-14 17
2021-02-15 122
2021-02-16 133
2021-02-17 75
2021-02-18 90
2021-02-19 85
2021-02-20 32
2021-02-21 12
2021-02-22 82
2021-02-23 75
2021-02-24 88
2021-02-25 74
2021-02-26 70
2021-02-27 28
2021-02-28 24
2021-03-01 87
2021-03-02 94
2021-03-03 78
2021-03-04 83
2021-03-05 92
2021-03-06 29
2021-03-07 34
2021-03-08 73
2021-03-09 71
2021-03-10 71
2021-03-11 78
2021-03-12 48
2021-03-13 24
2021-03-14 20
2021-03-15 36
2021-03-16 90
2021-03-17 79
2021-03-18 87
2021-03-19 40
2021-03-20 30
2021-03-21 37
2021-03-22 83
2021-03-23 83
2021-03-24 58
2021-03-25 65
2021-03-26 77
2021-03-27 20
2021-03-28 23
2021-03-29 91
2021-03-30 82
2021-03-31 65
2021-04-01 33
2021-04-02 17
2021-04-03 23
2021-04-04 23
2021-04-05 68
2021-04-06 76
2021-04-07 63
2021-04-08 71
2021-04-09 71
2021-04-10 30
2021-04-11 31
2021-04-12 82
2021-04-13 78
2021-04-14 66
2021-04-15 83
2021-04-16 62
2021-04-17 26
2021-04-18 36
2021-04-19 79
2021-04-20 83
2021-04-21 76
2021-04-22 65
2021-04-23 68
2021-04-24 25
2021-04-25 17
2021-04-26 79
2021-04-27 76
2021-04-28 57
2021-04-29 61
2021-04-30 64
2021-05-01 23
2021-05-02 26
2021-05-03 95
2021-05-04 68
2021-05-05 63
2021-05-06 54
2021-05-07 52
2021-05-08 26
2021-05-09 9
2021-05-10 44
2021-05-11 80
2021-05-12 88
2021-05-13 63
2021-05-14 71
2021-05-15 13
2021-05-16 10
2021-05-17 71
2021-05-18 98
2021-05-19 68
2021-05-20 57
2021-05-21 46
2021-05-22 31
2021-05-23 14
2021-05-24 51
2021-05-25 62
2021-05-26 45
2021-05-27 33
2021-05-28 35
2021-05-29 13
2021-05-30 7
2021-05-31 78
2021-06-01 56
2021-06-02 39
2021-06-03 34
2021-06-04 35
2021-06-05 15
2021-06-06 16
2021-06-07 53
2021-06-08 32
2021-06-09 41
2021-06-10 31
2021-06-11 30
2021-06-12 14
2021-06-13 9
2021-06-14 50
2021-06-15 57
2021-06-16 35
2021-06-17 37
2021-06-18 34
2021-06-19 17
2021-06-20 11
2021-06-21 48
2021-06-22 57
2021-06-23 37
2021-06-24 43
2021-06-25 32
2021-06-26 7
2021-06-27 6
2021-06-28 45
2021-06-29 46
2021-06-30 33
2021-07-01 58
2021-07-02 39
2021-07-03 48
2021-07-04 10
2021-07-05 84
2021-07-06 59
2021-07-07 77
2021-07-08 75
2021-07-09 79
2021-07-10 25
2021-07-11 15
2021-07-12 111
2021-07-13 90
2021-07-14 96
2021-07-15 83
2021-07-16 87
2021-07-17 18
2021-07-18 25
2021-07-19 156
2021-07-20 163
2021-07-21 176
2021-07-22 232
2021-07-23 173
2021-07-24 61
2021-07-25 23
2021-07-26 166
2021-07-27 201
2021-07-28 218
2021-07-29 236
2021-07-30 221
2021-07-31 46
2021-08-01 51
2021-08-02 193
2021-08-03 214
2021-08-04 194
2021-08-05 209
2021-08-06 184
2021-08-07 50
2021-08-08 49
2021-08-09 242
2021-08-10 331
2021-08-11 219
2021-08-12 264
2021-08-13 226
2021-08-14 72
2021-08-15 48
2021-08-16 299
2021-08-17 222
2021-08-18 209
2021-08-19 188
2021-08-20 162
2021-08-21 49
2021-08-22 55
2021-08-23 251
2021-08-24 242
2021-08-25 172
2021-08-26 165
2021-08-27 172
2021-08-28 64
2021-08-29 29
2021-08-30 165
2021-08-31 142
2021-09-01 115
2021-09-02 138
2021-09-03 93
2021-09-04 31
2021-09-05 18
2021-09-06 114
2021-09-07 103
2021-09-08 101
2021-09-09 114
2021-09-10 88
2021-09-11 21
2021-09-12 21
2021-09-13 93
2021-09-14 108
2021-09-15 55
2021-09-16 37
2021-09-17 77
2021-09-18 20
2021-09-19 17
2021-09-20 115
2021-09-21 106
2021-09-22 69
2021-09-23 100
2021-09-24 78
2021-09-25 18
2021-09-26 26
2021-09-27 108
2021-09-28 75
2021-09-29 74
2021-09-30 80
2021-10-01 97
2021-10-02 18
2021-10-03 17
2021-10-04 148
2021-10-05 145
2021-10-06 94
2021-10-07 86
2021-10-08 70
2021-10-09 20
2021-10-10 21
2021-10-11 114
2021-10-12 129
2021-10-13 102
2021-10-14 82
2021-10-15 66
2021-10-16 13
2021-10-17 10
2021-10-18 94
2021-10-19 72
2021-10-20 61
2021-10-21 91
2021-10-22 73
2021-10-23 28
2021-10-24 12
2021-10-25 110
2021-10-26 80
2021-10-27 74
2021-10-28 67
2021-10-29 81
2021-10-30 8
2021-10-31 12
2021-11-01 55
2021-11-02 36
2021-11-03 79
2021-11-04 76
2021-11-05 55
2021-11-06 7
2021-11-07 12
2021-11-08 90
2021-11-09 58
2021-11-10 66
2021-11-11 83
2021-11-12 83
2021-11-13 19
2021-11-14 15
2021-11-15 25
2021-11-16 108
2021-11-17 90
2021-11-18 82
2021-11-19 78
2021-11-20 21
2021-11-21 27
2021-11-22 128
2021-11-23 94
2021-11-24 105
2021-11-25 56
2021-11-26 63
2021-11-27 15
2021-11-28 15
2021-11-29 102
2021-11-30 90
2021-12-01 62
2021-12-02 73
2021-12-03 69
2021-12-04 22
2021-12-05 20
2021-12-06 84
2021-12-07 90
2021-12-08 63
2021-12-09 97
2021-12-10 74
2021-12-11 17

Inciso 1.4

Total acumulado de defunciones por dia a nivel estatal.

De la informacion anterior, se le da formato de fecha a la columna que registra las fechas de las defunciones, despues se genera una columna de unos que se llenara con la informacion y se hace la tabla agregando el numero de defunciones segun la fecha para obtenerlas por dia a nivel estatal:

datos_zac$FECHA_DEF <- as.Date(datos_zac$FECHA_DEF,format="%Y-%m-%d")
datos_zac$DEFUNCIONES <- rep(1,length(datos_zac$FECHA_DEF))

DEFUNCIONES <- aggregate(DEFUNCIONES~FECHA_DEF,data=datos_zac,sum)

DEFUNCIONES %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
FECHA_DEF DEFUNCIONES
2020-01-13 1
2020-01-14 1
2020-01-18 1
2020-01-20 1
2020-01-21 1
2020-02-01 2
2020-02-10 2
2020-02-12 1
2020-02-16 1
2020-02-17 1
2020-02-18 1
2020-02-19 2
2020-02-20 1
2020-02-21 1
2020-02-22 1
2020-02-24 2
2020-03-01 1
2020-03-03 1
2020-03-10 1
2020-03-11 1
2020-03-15 1
2020-03-18 1
2020-03-19 1
2020-03-24 1
2020-03-26 1
2020-03-28 2
2020-03-30 1
2020-03-31 2
2020-04-02 1
2020-04-03 1
2020-04-04 1
2020-04-07 1
2020-04-08 1
2020-04-09 1
2020-04-10 3
2020-04-14 1
2020-04-15 3
2020-04-16 1
2020-04-19 2
2020-04-20 1
2020-04-22 1
2020-04-23 1
2020-04-24 1
2020-04-25 1
2020-04-26 1
2020-04-27 2
2020-04-28 2
2020-04-29 1
2020-04-30 1
2020-05-01 1
2020-05-02 4
2020-05-03 4
2020-05-04 1
2020-05-05 1
2020-05-07 1
2020-05-08 3
2020-05-09 2
2020-05-10 2
2020-05-11 1
2020-05-12 3
2020-05-13 1
2020-05-14 2
2020-05-15 3
2020-05-17 2
2020-05-18 1
2020-05-19 5
2020-05-21 1
2020-05-22 2
2020-05-23 1
2020-05-24 2
2020-05-25 1
2020-05-26 1
2020-05-27 4
2020-05-28 2
2020-05-29 3
2020-05-30 2
2020-05-31 3
2020-06-01 2
2020-06-02 3
2020-06-03 3
2020-06-04 4
2020-06-05 3
2020-06-06 2
2020-06-07 3
2020-06-08 6
2020-06-09 3
2020-06-10 6
2020-06-11 2
2020-06-12 1
2020-06-14 7
2020-06-15 3
2020-06-16 6
2020-06-17 6
2020-06-18 9
2020-06-19 1
2020-06-20 2
2020-06-21 2
2020-06-22 2
2020-06-23 2
2020-06-24 3
2020-06-25 6
2020-06-26 6
2020-06-27 1
2020-06-28 4
2020-06-29 3
2020-06-30 4
2020-07-01 7
2020-07-02 8
2020-07-03 4
2020-07-04 3
2020-07-05 1
2020-07-06 5
2020-07-07 11
2020-07-08 7
2020-07-09 4
2020-07-10 7
2020-07-11 4
2020-07-12 7
2020-07-13 5
2020-07-14 8
2020-07-15 8
2020-07-16 7
2020-07-17 3
2020-07-18 11
2020-07-19 7
2020-07-20 7
2020-07-21 6
2020-07-22 3
2020-07-23 8
2020-07-24 10
2020-07-25 10
2020-07-26 15
2020-07-27 3
2020-07-28 8
2020-07-29 9
2020-07-30 10
2020-07-31 9
2020-08-01 15
2020-08-02 9
2020-08-03 12
2020-08-04 8
2020-08-05 11
2020-08-06 16
2020-08-07 10
2020-08-08 24
2020-08-09 15
2020-08-10 12
2020-08-11 9
2020-08-12 13
2020-08-13 10
2020-08-14 5
2020-08-15 10
2020-08-16 4
2020-08-17 14
2020-08-18 9
2020-08-19 7
2020-08-20 7
2020-08-21 7
2020-08-22 13
2020-08-23 13
2020-08-24 9
2020-08-25 8
2020-08-26 9
2020-08-27 11
2020-08-28 8
2020-08-29 14
2020-08-30 7
2020-08-31 12
2020-09-01 13
2020-09-02 10
2020-09-03 8
2020-09-04 12
2020-09-05 8
2020-09-06 10
2020-09-07 14
2020-09-08 9
2020-09-09 16
2020-09-10 5
2020-09-11 9
2020-09-12 7
2020-09-13 9
2020-09-14 4
2020-09-15 9
2020-09-16 9
2020-09-17 4
2020-09-18 8
2020-09-19 7
2020-09-20 10
2020-09-21 8
2020-09-22 9
2020-09-23 8
2020-09-24 7
2020-09-25 1
2020-09-26 10
2020-09-27 9
2020-09-28 12
2020-09-29 10
2020-09-30 10
2020-10-01 4
2020-10-02 7
2020-10-03 9
2020-10-04 9
2020-10-05 12
2020-10-06 7
2020-10-07 7
2020-10-08 1
2020-10-09 11
2020-10-10 8
2020-10-11 8
2020-10-12 8
2020-10-13 10
2020-10-14 10
2020-10-15 5
2020-10-16 14
2020-10-17 7
2020-10-18 7
2020-10-19 12
2020-10-20 7
2020-10-21 15
2020-10-22 10
2020-10-23 13
2020-10-24 14
2020-10-25 10
2020-10-26 14
2020-10-27 20
2020-10-28 11
2020-10-29 19
2020-10-30 12
2020-10-31 18
2020-11-01 14
2020-11-02 18
2020-11-03 21
2020-11-04 11
2020-11-05 18
2020-11-06 20
2020-11-07 16
2020-11-08 19
2020-11-09 16
2020-11-10 20
2020-11-11 20
2020-11-12 22
2020-11-13 18
2020-11-14 18
2020-11-15 14
2020-11-16 13
2020-11-17 20
2020-11-18 14
2020-11-19 12
2020-11-20 18
2020-11-21 18
2020-11-22 18
2020-11-23 29
2020-11-24 23
2020-11-25 17
2020-11-26 25
2020-11-27 11
2020-11-28 22
2020-11-29 27
2020-11-30 18
2020-12-01 23
2020-12-02 21
2020-12-03 26
2020-12-04 15
2020-12-05 22
2020-12-06 10
2020-12-07 23
2020-12-08 19
2020-12-09 16
2020-12-10 16
2020-12-11 13
2020-12-12 19
2020-12-13 12
2020-12-14 10
2020-12-15 15
2020-12-16 14
2020-12-17 21
2020-12-18 13
2020-12-19 14
2020-12-20 7
2020-12-21 18
2020-12-22 13
2020-12-23 10
2020-12-24 13
2020-12-25 15
2020-12-26 7
2020-12-27 15
2020-12-28 15
2020-12-29 12
2020-12-30 15
2020-12-31 11
2021-01-01 14
2021-01-02 15
2021-01-03 16
2021-01-04 21
2021-01-05 16
2021-01-06 19
2021-01-07 17
2021-01-08 15
2021-01-09 15
2021-01-10 10
2021-01-11 17
2021-01-12 10
2021-01-13 18
2021-01-14 10
2021-01-15 21
2021-01-16 11
2021-01-17 16
2021-01-18 19
2021-01-19 13
2021-01-20 14
2021-01-21 12
2021-01-22 17
2021-01-23 12
2021-01-24 20
2021-01-25 18
2021-01-26 15
2021-01-27 19
2021-01-28 13
2021-01-29 15
2021-01-30 14
2021-01-31 12
2021-02-01 13
2021-02-02 26
2021-02-03 21
2021-02-04 15
2021-02-05 14
2021-02-06 20
2021-02-07 15
2021-02-08 19
2021-02-09 11
2021-02-10 13
2021-02-11 12
2021-02-12 12
2021-02-13 7
2021-02-14 13
2021-02-15 14
2021-02-16 7
2021-02-17 8
2021-02-18 9
2021-02-19 11
2021-02-20 10
2021-02-21 10
2021-02-22 9
2021-02-23 9
2021-02-24 7
2021-02-25 8
2021-02-26 7
2021-02-27 5
2021-02-28 6
2021-03-01 10
2021-03-02 9
2021-03-03 11
2021-03-04 9
2021-03-05 11
2021-03-06 7
2021-03-07 3
2021-03-08 8
2021-03-09 2
2021-03-10 9
2021-03-11 5
2021-03-12 6
2021-03-13 4
2021-03-14 5
2021-03-15 7
2021-03-16 9
2021-03-17 2
2021-03-18 3
2021-03-19 6
2021-03-20 12
2021-03-21 7
2021-03-22 4
2021-03-23 3
2021-03-24 4
2021-03-25 1
2021-03-26 6
2021-03-27 4
2021-03-28 10
2021-03-30 3
2021-03-31 8
2021-04-01 3
2021-04-02 3
2021-04-03 4
2021-04-04 4
2021-04-05 3
2021-04-06 5
2021-04-08 5
2021-04-09 2
2021-04-10 9
2021-04-11 4
2021-04-12 1
2021-04-13 2
2021-04-14 2
2021-04-15 3
2021-04-16 3
2021-04-17 2
2021-04-18 9
2021-04-19 4
2021-04-22 5
2021-04-23 4
2021-04-24 6
2021-04-25 3
2021-04-26 4
2021-04-27 5
2021-04-28 1
2021-04-29 3
2021-04-30 3
2021-05-01 4
2021-05-02 1
2021-05-03 1
2021-05-04 2
2021-05-05 4
2021-05-06 6
2021-05-07 2
2021-05-08 2
2021-05-09 2
2021-05-10 2
2021-05-11 2
2021-05-12 2
2021-05-13 2
2021-05-14 2
2021-05-15 1
2021-05-16 5
2021-05-17 2
2021-05-19 3
2021-05-21 3
2021-05-22 1
2021-05-23 2
2021-05-25 6
2021-05-27 2
2021-05-28 1
2021-05-30 3
2021-05-31 4
2021-06-01 4
2021-06-02 3
2021-06-04 3
2021-06-05 2
2021-06-07 5
2021-06-08 2
2021-06-10 1
2021-06-14 1
2021-06-15 2
2021-06-16 1
2021-06-17 2
2021-06-20 1
2021-06-22 2
2021-06-23 1
2021-06-25 1
2021-06-28 1
2021-06-30 4
2021-07-01 1
2021-07-04 1
2021-07-05 1
2021-07-06 1
2021-07-07 1
2021-07-08 1
2021-07-09 1
2021-07-12 2
2021-07-13 1
2021-07-14 1
2021-07-15 2
2021-07-16 1
2021-07-17 1
2021-07-18 2
2021-07-19 1
2021-07-20 1
2021-07-22 3
2021-07-23 4
2021-07-24 1
2021-07-25 2
2021-07-26 4
2021-07-27 5
2021-07-28 2
2021-07-29 8
2021-07-30 3
2021-07-31 7
2021-08-01 1
2021-08-02 11
2021-08-03 4
2021-08-04 6
2021-08-05 5
2021-08-06 6
2021-08-07 6
2021-08-08 6
2021-08-09 10
2021-08-10 3
2021-08-11 4
2021-08-12 10
2021-08-13 5
2021-08-14 5
2021-08-15 6
2021-08-16 3
2021-08-17 9
2021-08-18 8
2021-08-19 12
2021-08-20 6
2021-08-21 9
2021-08-22 12
2021-08-23 6
2021-08-24 7
2021-08-25 10
2021-08-26 7
2021-08-27 3
2021-08-28 10
2021-08-29 7
2021-08-30 13
2021-08-31 10
2021-09-01 9
2021-09-02 9
2021-09-03 7
2021-09-04 10
2021-09-05 13
2021-09-06 5
2021-09-07 7
2021-09-08 8
2021-09-09 5
2021-09-10 6
2021-09-11 10
2021-09-12 5
2021-09-13 5
2021-09-14 9
2021-09-15 7
2021-09-16 6
2021-09-17 5
2021-09-18 3
2021-09-19 6
2021-09-20 6
2021-09-21 9
2021-09-22 5
2021-09-23 5
2021-09-24 5
2021-09-25 6
2021-09-26 8
2021-09-27 4
2021-09-28 2
2021-09-29 4
2021-09-30 6
2021-10-01 4
2021-10-02 4
2021-10-03 4
2021-10-04 6
2021-10-05 3
2021-10-06 5
2021-10-07 6
2021-10-08 1
2021-10-09 5
2021-10-10 6
2021-10-11 7
2021-10-12 3
2021-10-13 1
2021-10-14 5
2021-10-15 1
2021-10-16 3
2021-10-17 2
2021-10-18 3
2021-10-19 4
2021-10-20 5
2021-10-21 2
2021-10-22 3
2021-10-23 6
2021-10-24 2
2021-10-25 4
2021-10-26 2
2021-10-27 3
2021-10-28 5
2021-10-29 4
2021-10-30 1
2021-11-01 8
2021-11-02 3
2021-11-04 1
2021-11-05 1
2021-11-06 3
2021-11-07 4
2021-11-08 4
2021-11-09 3
2021-11-10 1
2021-11-11 2
2021-11-12 1
2021-11-13 3
2021-11-14 2
2021-11-15 1
2021-11-16 1
2021-11-17 3
2021-11-19 1
2021-11-20 5
2021-11-21 3
2021-11-23 1
2021-11-24 3
2021-11-27 5
2021-11-28 1
2021-11-29 1
2021-11-30 2
2021-12-02 3
2021-12-03 2
2021-12-04 2
2021-12-06 2
2021-12-07 1
2021-12-08 2

Inciso 1.5

% de mujeres, a nivel municipal, que representan un caso positivo.

Con los datos anteriores se agrega la columna de sexo a la tabla municipal desde la base principal, despues se identifican a las mujeres con “1” y a los hombres con “0” para posteriormente sumar la columna de sexo con la que contiene los casos confirmados (que estan representados con “1”), asi en la columna MUJERES_POSI se identifican a las mujeres contagiadas con los renglones que sumaron “2”.

Para terminar se elabora un data frame que agregue a las mujeres contagiadas segun el municipio de residencia y se genera la tabla:

tabla_muni$SEXO <-  datos_zac$SEXO

tabla_muni$SEXO <- ifelse(tabla_muni$SEXO == 1, 1, 0)

tabla_muni$MUJERES_POSI <-  tabla_muni$CLASIFICACION_FINAL+tabla_muni$SEXO

tabla_muni$MUJERES_POSI <-ifelse(tabla_muni$MUJERES_POSI == 2, 1, 0)

mujeres_posi <- as.data.frame(aggregate(cbind(MUJERES_POSI, CLASIFICACION_FINAL)~MUNICIPIO, data=tabla_muni, sum))

mujeres_posi$PORC_MUJ <- round((mujeres_posi$MUJERES_POSI/mujeres_posi$CLASIFICACION_FINAL)*100, 2)

mujeres_posi %>%
  kbl() %>%
  kable_styling("hover", full_width = F)
MUNICIPIO MUJERES_POSI CLASIFICACION_FINAL PORC_MUJ
APOZOL 25 42 59.52
APULCO 20 32 62.50
ATOLINGA 32 53 60.38
BENITO JUÁREZ 24 47 51.06
CALERA 418 757 55.22
CAÑITAS DE FELIPE PESCADOR 41 71 57.75
CHALCHIHUITES 30 64 46.88
CONCEPCIÓN DEL ORO 270 507 53.25
CUAUHTÉMOC 52 90 57.78
EL PLATEADO DE JOAQUÍN AMARO 6 11 54.55
EL SALVADOR 15 28 53.57
FRESNILLO 3789 7373 51.39
GENARO CODINA 52 83 62.65
GENERAL ENRIQUE ESTRADA 43 86 50.00
GENERAL FRANCISCO R. MURGUÍA 101 197 51.27
GENERAL PÁNFILO NATERA 116 231 50.22
GUADALUPE 4742 9237 51.34
HUANUSCO 21 54 38.89
JALPA 241 454 53.08
JEREZ 739 1424 51.90
JIMÉNEZ DEL TEUL 13 27 48.15
JUAN ALDAMA 111 193 57.51
JUCHIPILA 73 130 56.15
LORETO 284 538 52.79
LUIS MOYA 52 94 55.32
MAZAPIL 161 292 55.14
MELCHOR OCAMPO 10 13 76.92
MEZQUITAL DEL ORO 10 16 62.50
MIGUEL AUZA 87 156 55.77
MOMAX 61 110 55.45
MONTE ESCOBEDO 130 237 54.85
MORELOS 197 374 52.67
MOYAHUA DE ESTRADA 12 21 57.14
NO ESPECIFICADO 1 1 100.00
NOCHISTLÁN DE MEJÍA 774 1313 58.95
NORIA DE ÁNGELES 67 112 59.82
OJOCALIENTE 297 581 51.12
PÁNUCO 98 172 56.98
PINOS 301 549 54.83
RÍO GRANDE 417 768 54.30
SAIN ALTO 52 130 40.00
SANTA MARÍA DE LA PAZ 25 41 60.98
SOMBRERETE 931 1677 55.52
SUSTICACÁN 10 18 55.56
TABASCO 165 276 59.78
TEPECHITLÁN 102 193 52.85
TEPETONGO 56 97 57.73
TEÚL DE GONZÁLEZ ORTEGA 104 183 56.83
TLALTENANGO DE SÁNCHEZ ROMÁN 505 946 53.38
TRANCOSO 160 309 51.78
TRINIDAD GARCÍA DE LA CADENA 22 43 51.16
VALPARAÍSO 127 240 52.92
VETAGRANDE 73 141 51.77
VILLA DE COS 244 446 54.71
VILLA GARCÍA 62 110 56.36
VILLA GONZÁLEZ ORTEGA 90 151 59.60
VILLA HIDALGO 63 127 49.61
VILLANUEVA 312 537 58.10
ZACATECAS 5099 10135 50.31

Ejercicio 2

Grafico de barras de los 10 municipios con mayor % de defunciones

Se genera una tabla con el porcentaje de fallecidos, y se ordena de menor a mayor, despues se corta la tabla a los ultimos datos para obtener los municipios con mayor porcentaje.

tabla_def <- prop_def[order(prop_def$PORCENTAJE),]

tabla_def <- prop_def[50:59,-c(2,3)]

tabla_def <- tabla_def[order(tabla_def$PORCENTAJE),]

graf_def<-plot_ly(data=tabla_def, x=~MUNICIPIO, y=~PORCENTAJE, type="bar", color = rainbow(10), colors=NULL)
graf_def<- graf_def %>% layout (showlegend=FALSE)
graf_def
## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

Ejercicio 3

Grafico de barras de los 10 municipios con mayor numero de casos positivos detectados, divido por hombres y por mujeres.

Con los datos a nivel municipal se filtran por municipio y sexo con aggregate y se genera una nueva tabla para hacer el arreglo por hombres y mujeres:

tabla_muni2 <- tabla_muni

tabla_muni2$SEXO <-  datos_zac$SEXO

tabla_muni2 <- aggregate(CLASIFICACION_FINAL ~ MUNICIPIO+SEXO, tabla_muni2, sum)

total_posi <- prop_def[,1:2]

tabla_muni3 <- left_join(tabla_muni2, total_posi, by = c("MUNICIPIO" = "MUNICIPIO"))

tabla_muni3 <- tabla_muni3 %>% arrange(desc(tabla_muni3$CLASIFICACION_FINAL.y), MUNICIPIO, SEXO, .by_group = TRUE)

tabla_muni3$SEXO <- ifelse(tabla_muni3$SEXO == 1, "MUJERES", "HOMBRES")

Se genera la grafica con ggplot:

graf_mun_sexo <- ggplot(data = tabla_muni3[1:20,], aes(x=reorder(MUNICIPIO,-CLASIFICACION_FINAL.x),y= CLASIFICACION_FINAL.x, fill=SEXO))+
  geom_bar(stat="identity", position=position_dodge())+
  theme_get() +
  theme(axis.text.x=element_text(size=rel(.75), angle=90))+
  labs(title = "Municipios con más casos positivos: hombres y mujeres",
       x="MUNICIPIOS", y="FRECUENCIA")+
  scale_fill_manual(values=brewer.pal(n = 3, name = "Accent"))

graf_mun_sexo_inter <- ggplotly(graf_mun_sexo)

graf_mun_sexo_inter

Ejercicio 4

Grafico de lineas que representa el numero acumulado de defunciones a nivel estatal por dia. Al desplazar el cursor sobre la linea, se debe de mostrar la cantidad representada en la linea.

don <- xts(x=DEFUNCIONES ,order.by=DEFUNCIONES$FECHA_DEF)
dygraph(don) %>%
  dyOptions(labelsUTC = TRUE, fillGraph=TRUE, fillAlpha=0.1, drawGrid = FALSE, colors="#D8AE5A") %>%
  dyRangeSelector() %>%
  dyCrosshair(direction = "vertical") %>%
  dyHighlight(highlightCircleSize = 5, highlightSeriesBackgroundAlpha = 0.2, hideOnMouseOut = FALSE)  %>%
  dyRoller(rollPeriod = 1)

Ejercicio 5

Mapa que muestre la distribucion 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.

Se cargan los datos del mapa generado en qgiz

mapa_zaca <- readOGR("C:\\Users\\richa\\OneDrive - CIDE\\1er Semestre-DESKTOP-RPQUJJA\\Manejo de bases de datos\\Examen", layer="mapa_zaca")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\richa\OneDrive - CIDE\1er Semestre-DESKTOP-RPQUJJA\Manejo de bases de datos\Examen", layer: "mapa_zaca"
## with 58 features
## It has 4 fields

Se agregan los datos del porcentaje de defunciones al objeto generado con la informacion del mapa:

prop_def2 <- prop_def[-c(34),]

mapa_zaca@data$Prop_def <- prop_def2$PORCENTAJE

mapa_zaca@data$Defunciones <- prop_def2$DEFUNCIONES

Se genera el mapa interactivo usando la paqueteria de leaflet:

textoss <- paste(
  "Municipio : ",mapa_zaca$NOMGEO ,"<br/>",
  "% Defunciones: ", mapa_zaca$Prop_def,"<br/>",
  "Defunciones totales: ", mapa_zaca$Defunciones) %>% lapply(htmltools::HTML)

cortess <- c(0,2.14,15.1,28.0,40.9,53.9,Inf)
colores <- colorBin( palette="Blues", domain=mapa_zaca$Prop_def, na.color="transparent", bins=cortess) 

leaflet(data=mapa_zaca) %>% 
  addTiles() %>% 
  addPolygons(label = textoss,
              fillColor = colores(mapa_zaca$Prop_def),
              fillOpacity = 0.9,color="#EFC000FF",weight=2) %>%
  leaflet::addLegend("bottomright", pal = colores, values = ~Prop_def,
              title = "Defunciones totales",
              #labFormat = labelFormat(prefix = "$"),
              opacity = 1 )