climas = read_csv(here::here("data/clima_cg_jp-semanal.csv"), 
                  col_types = "cTdddddd")

glimpse(climas)

## Rows: 2,748
## Columns: 8
## $ cidade <chr> "Campina Grande", "Campina Grande", "Campina Grande", "Campina …
## $ semana <dttm> 1992-12-27, 1993-01-03, 1993-01-10, 1993-01-31, 1993-02-07, 19…
## $ tmedia <dbl> 26.13333, 26.11905, 25.76667, 25.74000, 26.31429, 26.28571, 26.…
## $ tmax   <dbl> 30.4, 32.4, 32.2, 32.0, 32.7, 32.7, 32.3, 32.3, 32.1, 31.2, 32.…
## $ tmin   <dbl> 20.7, 19.3, 19.7, 19.9, 19.6, 20.0, 20.4, 21.2, 19.0, 19.0, 19.…
## $ chuva  <dbl> 0.0, 0.0, 0.0, 0.4, 0.3, 0.0, 4.9, 0.0, 0.0, 6.1, 0.4, 1.2, 0.0…
## $ mes    <dbl> 12, 1, 1, 1, 2, 2, 2, 2, 10, 11, 11, 11, 11, 12, 12, 12, 12, 1,…
## $ ano    <dbl> 1992, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 1993, 199…

Q1: Descreva a relação entre a temperatura de uma semana e a temperatura da semana passada nas 2 cidades.

Inserindo uma nova columa chamada de “temp_anterior” que terá o valor TMAX da semana anterior para as duas cidades

climas_quest1 <- climas %>% 
  mutate(temp_anterior = lag(tmedia, n = 1))

climas_quest1

## # A tibble: 2,748 × 9
##    cidade semana              tmedia  tmax  tmin chuva   mes   ano temp_anterior
##    <chr>  <dttm>               <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>         <dbl>
##  1 Campi… 1992-12-27 00:00:00   26.1  30.4  20.7   0      12  1992          NA  
##  2 Campi… 1993-01-03 00:00:00   26.1  32.4  19.3   0       1  1993          26.1
##  3 Campi… 1993-01-10 00:00:00   25.8  32.2  19.7   0       1  1993          26.1
##  4 Campi… 1993-01-31 00:00:00   25.7  32    19.9   0.4     1  1993          25.8
##  5 Campi… 1993-02-07 00:00:00   26.3  32.7  19.6   0.3     2  1993          25.7
##  6 Campi… 1993-02-14 00:00:00   26.3  32.7  20     0       2  1993          26.3
##  7 Campi… 1993-02-21 00:00:00   26.5  32.3  20.4   4.9     2  1993          26.3
##  8 Campi… 1993-02-28 00:00:00   26.6  32.3  21.2   0       2  1993          26.5
##  9 Campi… 1993-10-31 00:00:00   25.8  32.1  19     0      10  1993          26.6
## 10 Campi… 1993-11-07 00:00:00   25.2  31.2  19     6.1    11  1993          25.8
## # … with 2,738 more rows

Podemos observar que a coluna de temp_anterior, na primeira linha recebeu o valor NA devido a não ter um valor de referência anterior a ele.

Agora vamos verificar a relação da temperatura média da semana e a temperatura média da semana anterior a ela, através do gráfico de dispersão.

climas_quest1 %>% 
  filter(!is.na(temp_anterior)) %>%
    ggplot(aes(tmedia, temp_anterior, color=cidade)) +
    geom_jitter(size=1.5, alpha=.1, color='darkgreen') +
    geom_smooth(method = "lm", se = F, formula = 'y ~ x') +
    facet_wrap(~cidade, ncol=1) +
    labs(title="Gráfico 1\nRelação entre a temperatura da semana e da \nsemana anterior", x="\nTemperatura Média Corrente (ºC)", y="Temperatura Média Anterior(ºC)\n", color="Cidades") + theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=16))

Olhando o gráfico acima, podemos perceber um correlação linear positiva entre as variáveis “tmedia” e “temp_anterior”.

A partir disso, a seguir vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior” para as duas cidades (Campina Grande e João Pessoa):

climas_quest1 %>% 
  filter(!is.na(temp_anterior)) %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior, method='pearson'),
              spearman=cor(tmedia, temp_anterior, method='spearman'),
              kendall=cor(tmedia, temp_anterior, method='kendall'))

## # A tibble: 2 × 4
##   cidade         pearson spearman kendall
##   <chr>            <dbl>    <dbl>   <dbl>
## 1 Campina Grande   0.880    0.856   0.669
## 2 João Pessoa      0.859    0.860   0.683

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

size1=3
alpha1=.2
climas_quest1 %>% 
  filter(!is.na(temp_anterior)) %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior, method='pearson'),
              spearman=cor(tmedia, temp_anterior, method='spearman'),
              kendall=cor(tmedia, temp_anterior, method='kendall')) %>% 
    ggplot(aes(y=cidade)) +
    geom_point(aes(pearson, color='darkviolet'), size=size1, alpha=alpha1) +
    geom_point(aes(spearman, color='darkgreen'), size=size1, alpha=alpha1) +
    geom_point(aes(kendall, color='darkblue'), size=size1, alpha=alpha1) +
    scale_x_continuous(breaks=seq(-1,0,1), limits=c(-1,1)) +
    scale_colour_manual(name='Correlações',
                        values=c('darkviolet'='darkviolet','darkgreen'='darkgreen','darkblue'='darkblue'),
                        labels=c('Pearson','Spearman','Kendall')) +
    labs(title="Gráfico 2\nCorrelação entre Temperatura média \nda Semana e da Semana anterior", x="\nCorrelação", y="Cidade\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=14))

Ao compararmos a tabela e o gráfico 2 percebemos que há uma forte correlação positiva entre os métodos de Pearson e Spearman, enquanto que para o método de Kendall há uma correlação moderada. Embora isso não signifique uma causalidade, a correlação positiva indica uma possível relação diretamente proporcional entre as duas variáveis.

Q2: Descreva a relação entre temperatura e chuvas nas semanas em que choveu nas 2 cidades

Primeiro vamos processar os dados para identificar o período em que choveu nas cidades de Campina Grande e João Pessoa.

# Filtrando período chuvoso
periodo_chuvoso_cg <- climas_quest1 %>% filter(cidade=="Campina Grande", chuva > 0)
periodo_chuvoso_jp <- climas_quest1 %>% filter(cidade=="João Pessoa", chuva > 0)

# Selecionando a intersecção do período chuvoso entre as cidades de cg e jp.
chuva_em_cg_e_jp <- inner_join(periodo_chuvoso_jp, periodo_chuvoso_cg, by = "semana", suffix=c('.jp', '.cg'))

# Seperando os dados.
chuva_em_jp_interscao_periodo <- chuva_em_cg_e_jp %>% select(cidade.jp, semana, tmax.jp, tmedia.jp, tmin.jp,chuva.jp, mes.jp,ano.jp, temp_anterior.jp)

chuva_em_cg_interscao_periodo <- chuva_em_cg_e_jp %>% select(cidade.cg, semana, tmax.cg, tmedia.cg, tmin.cg, chuva.cg, mes.cg, ano.cg, temp_anterior.cg)

# Renomenado colunas
chuva_em_jp_interscao_periodo <- rename(chuva_em_jp_interscao_periodo, c("cidade"="cidade.jp", "semana" = "semana","tmax"="tmax.jp","tmedia"="tmedia.jp", "tmin"="tmin.jp","chuva"="chuva.jp","mes"="mes.jp","ano"="ano.jp","temp_anterior"="temp_anterior.jp")) 

chuva_em_cg_interscao_periodo <- rename(chuva_em_cg_interscao_periodo, c("cidade"="cidade.cg", "semana" = "semana","tmax"="tmax.cg","tmedia"="tmedia.cg", "tmin"="tmin.cg","chuva"="chuva.cg","mes"="mes.cg","ano"="ano.cg","temp_anterior"="temp_anterior.cg")) 

# Unindo os dados
periodo_que_chuveu_em_cg_e_jp <- chuva_em_jp_interscao_periodo %>% bind_rows(chuva_em_cg_interscao_periodo)

periodo_que_chuveu_em_cg_e_jp

## # A tibble: 1,920 × 9
##    cidade semana               tmax tmedia  tmin chuva   mes   ano temp_anterior
##    <chr>  <dttm>              <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl>         <dbl>
##  1 João … 1993-01-31 00:00:00  30.6   27.4  23.6   3.6     1  1993          28.1
##  2 João … 1993-02-07 00:00:00  30.8   28.1  22.8   0.4     2  1993          27.4
##  3 João … 1993-11-07 00:00:00  31     27.8  25     9.2    11  1993          28.1
##  4 João … 1993-11-14 00:00:00  30.3   27.9  25.2   0.4    11  1993          27.8
##  5 João … 1993-11-21 00:00:00  30.4   27.9  24    14.2    11  1993          27.9
##  6 João … 1993-12-05 00:00:00  31.2   28.2  25.4   0.5    12  1993          28.0
##  7 João … 1993-12-19 00:00:00  31     28.6  23.1   8.9    12  1993          28.2
##  8 João … 1993-12-26 00:00:00  31.2   28.5  24.4   6.8    12  1993          28.6
##  9 João … 1994-01-02 00:00:00  31     28.2  23.8  36.3     1  1994          28.5
## 10 João … 1994-01-09 00:00:00  30.8   28.2  23.2   7.1     1  1994          28.2
## # … with 1,910 more rows

De posse da interseção temporal onde ocorreu pancadas de chuva em Campina Grande e João Pessoa, vamos analisar a dispersão dos dados.

periodo_que_chuveu_em_cg_e_jp %>%
    ggplot(aes(y=tmedia, chuva, color=cidade)) +
    geom_rug() +
    facet_wrap(~cidade, ncol=2) +
    geom_smooth(method = "lm", se = F, formula = 'y ~ x') +
    geom_point(size=1.5, alpha=.1) +
    labs(title="Gráfico 3\nRelação entre Temperatura Média\ne Chuva nas Cidades\n", y="Temperatura Média (ºC)\n", x="\nChuva (mm)", color="Cidade") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=13))

Com base no gráfico 3 acima, podemos identificar uma correlação negativa quando tratamos as variáveis de Temperatura Média e o Volume das chuvas para as duas cidades (CG X JP), ou seja, existe uma tendência para temperatura média mais baixa em períodos com volume de chuva maior.

Assim como foi feita para a questão 1, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “temp_anterior” e “chuva”.

periodo_que_chuveu_em_cg_e_jp %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, chuva, method='pearson'),
              spearman=cor(tmedia, chuva, method='spearman'),
              kendall=cor(tmedia, chuva, method='kendall'))

## # A tibble: 2 × 4
##   cidade         pearson spearman kendall
##   <chr>            <dbl>    <dbl>   <dbl>
## 1 Campina Grande  -0.331   -0.443  -0.301
## 2 João Pessoa     -0.419   -0.456  -0.309

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “chuva” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

size1=3
alpha1=.2
periodo_que_chuveu_em_cg_e_jp %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, chuva, method='pearson'),
              spearman=cor(tmedia, chuva, method='spearman'),
              kendall=cor(tmedia, chuva, method='kendall')) %>% 
    ggplot(aes(y=cidade)) +
    geom_point(aes(pearson, color='darkviolet'), size=size1, alpha=alpha1) +
    geom_point(aes(spearman, color='darkgreen'), size=size1, alpha=alpha1) +
    geom_point(aes(kendall, color='darkblue'), size=size1, alpha=alpha1) +
    scale_x_continuous(breaks=seq(-1,0,1), limits=c(-1,1)) +
    scale_colour_manual(name='Correlações',
                        values=c('darkviolet'='darkviolet','darkgreen'='darkgreen','darkblue'='darkblue'),
                        labels=c('Pearson','Spearman','Kendall')) +
    labs(title="Gráfico 2\nCorrelação entre Temperatura média \nda Semana e as Chuvas", x="\nCorrelação", y="Cidade\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=14))

A partir do apresentado na tabela podemos observar um correlação fraca ou moderada/fraca entre as variáveis tmedia e chuva nas cidades de Campina Grande (CG) e João Pessoa (JP).

Vamos observar o gráfico de distribuição do volume de chuvas em relação ao aumento de temperatura para as duas cidades.

periodo_que_chuveu_em_cg_e_jp %>% 
    ggplot(aes(chuva, tmedia)) +
    geom_boxplot(color='black') +
    facet_wrap(~cidade, ncol=2) +
    geom_jitter(color='darkblue', height=.2, size=2, alpha=.1) +
    scale_y_discrete(labels = wrap_format(1)) +
    labs(title="Gráfico 4\nDistribuição do Volume de Chuva", x="\nVolume de chuva (mm)", y="Temp. média (ºC)\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=16))

## Warning: Continuous y aesthetic -- did you forget aes(group=...)?

A partir dos dados explorados, podemos observar que em 75% das semanas que chovem em João Pessoa (Jp), o volume de chuva fica abaixo de aproximadamente 52mm, no entanto temos alguns valores maiores chegando até proximo de 300mm. Enquanto que em Campina Grande (Cg) em 75% das semanas que chovem, possuem chuvas com volume inferior a 25mm, ou seja, uma diferença de quase o dobro quando comparado a João Pessoa.

Q3: Compare a relação que você encontrou na 1a questão com a relação entre a temperatura de uma semana e a de 8 semanas antes e com a de 1 ano (52 semanas) antes.

Primeiramente vamos adicionar uma nova coluna chamada de “temp_anterior”, “temp_anterior_8”, “temp_anterior_1_ano”.

climas_quest1 <- climas %>% mutate(temp_anterior= lag(tmedia, n = 1), temp_anterior_8 = lag(tmedia, n = 8), temp_anterior_1_ano = lag(tmedia, n = 52)) 

climas_quest1

## # A tibble: 2,748 × 11
##    cidade semana              tmedia  tmax  tmin chuva   mes   ano temp_anterior
##    <chr>  <dttm>               <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>         <dbl>
##  1 Campi… 1992-12-27 00:00:00   26.1  30.4  20.7   0      12  1992          NA  
##  2 Campi… 1993-01-03 00:00:00   26.1  32.4  19.3   0       1  1993          26.1
##  3 Campi… 1993-01-10 00:00:00   25.8  32.2  19.7   0       1  1993          26.1
##  4 Campi… 1993-01-31 00:00:00   25.7  32    19.9   0.4     1  1993          25.8
##  5 Campi… 1993-02-07 00:00:00   26.3  32.7  19.6   0.3     2  1993          25.7
##  6 Campi… 1993-02-14 00:00:00   26.3  32.7  20     0       2  1993          26.3
##  7 Campi… 1993-02-21 00:00:00   26.5  32.3  20.4   4.9     2  1993          26.3
##  8 Campi… 1993-02-28 00:00:00   26.6  32.3  21.2   0       2  1993          26.5
##  9 Campi… 1993-10-31 00:00:00   25.8  32.1  19     0      10  1993          26.6
## 10 Campi… 1993-11-07 00:00:00   25.2  31.2  19     6.1    11  1993          25.8
## # … with 2,738 more rows, and 2 more variables: temp_anterior_8 <dbl>,
## #   temp_anterior_1_ano <dbl>

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 1 semanas atrás.

climas_quest1  %>%
    filter(!is.na(temp_anterior)) %>%
    ggplot(aes(x=tmedia, y=temp_anterior)) +
    geom_jitter(size=1.5, alpha=.1, color='darkgreen') +
    geom_smooth(method = "lm", se = F, formula = 'y ~ x') +
    facet_wrap(~cidade, ncol=1) +
    labs(title="Gráfico 5\n1 semanas atrás", x="\nTemperatura Média Corrente (ºC)", y="Temperatura Média 1 semana atrás(ºC)\n", color="Cidades") + theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=16))

#### Assim como foi feita para as questões anteriores, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior”.

climas_quest1  %>%
    filter(!is.na(temp_anterior)) %>%
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior, method='pearson'),
              spearman=cor(tmedia, temp_anterior, method='spearman'),
              kendall=cor(tmedia, temp_anterior, method='kendall'))

## # A tibble: 2 × 4
##   cidade         pearson spearman kendall
##   <chr>            <dbl>    <dbl>   <dbl>
## 1 Campina Grande   0.880    0.856   0.669
## 2 João Pessoa      0.859    0.860   0.683

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

size1=3
alpha1=.2
climas_quest1 %>% 
  filter(!is.na(temp_anterior)) %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior, method='pearson'),
              spearman=cor(tmedia, temp_anterior, method='spearman'),
              kendall=cor(tmedia, temp_anterior, method='kendall')) %>% 
    ggplot(aes(y=cidade)) +
    geom_point(aes(pearson, color='darkviolet'), size=size1, alpha=alpha1) +
    geom_point(aes(spearman, color='darkgreen'), size=size1, alpha=alpha1) +
    geom_point(aes(kendall, color='darkblue'), size=size1, alpha=alpha1) +
    scale_x_continuous(breaks=seq(-1,0,1), limits=c(-1,1)) +
    scale_colour_manual(name='Correlações',
                        values=c('darkviolet'='darkviolet','darkgreen'='darkgreen','darkblue'='darkblue'),
                        labels=c('Pearson','Spearman','Kendall')) +
    labs(title="Gráfico 2\nCorrelação entre Temperatura média \nda Semana e da Semana anterior", x="\nCorrelação", y="Cidade\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=14))

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 8 semanas atrás.

climas_quest1  %>% 
    filter(!is.na(temp_anterior_8)) %>%
    ggplot(aes(x=tmedia, y=temp_anterior_8)) +
    geom_jitter(size=1.5, alpha=.1, color='darkgreen') +
    geom_smooth(method = "lm", se = F, formula = 'y ~ x') +
    facet_wrap(~cidade, ncol=1) +
    labs(title="Gráfico 6\n8 semanas atrás", x="\nTemperatura Média Corrente (ºC)", y="Temperatura Média 8 semanas antes(ºC)\n", color="Cidades") + theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=16))

Assim como foi feita para as questões anteriores, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior_8”.

climas_quest1  %>%
    filter(!is.na(temp_anterior_8)) %>%
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior_8, method='pearson'),
              spearman=cor(tmedia, temp_anterior_8, method='spearman'),
              kendall=cor(tmedia, temp_anterior_8, method='kendall'))

## # A tibble: 2 × 4
##   cidade         pearson spearman kendall
##   <chr>            <dbl>    <dbl>   <dbl>
## 1 Campina Grande   0.422    0.422   0.281
## 2 João Pessoa      0.383    0.411   0.286

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior_8” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

size1=3
alpha1=.2
climas_quest1 %>% 
  filter(!is.na(temp_anterior_8)) %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior_8, method='pearson'),
              spearman=cor(tmedia, temp_anterior_8, method='spearman'),
              kendall=cor(tmedia, temp_anterior_8, method='kendall')) %>% 
    ggplot(aes(y=cidade)) +
    geom_point(aes(pearson, color='darkviolet'), size=size1, alpha=alpha1) +
    geom_point(aes(spearman, color='darkgreen'), size=size1, alpha=alpha1) +
    geom_point(aes(kendall, color='darkblue'), size=size1, alpha=alpha1) +
    scale_x_continuous(breaks=seq(-1,0,1), limits=c(-1,1)) +
    scale_colour_manual(name='Correlações',
                        values=c('darkviolet'='darkviolet','darkgreen'='darkgreen','darkblue'='darkblue'),
                        labels=c('Pearson','Spearman','Kendall')) +
    labs(title="Gráfico 2\nCorrelação entre Temperatura média \nda Semana e de 8 Semanas anteriores", x="\nCorrelação", y="Cidade\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=14))

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 1 ano (52 semanas) atrás.

climas_quest1  %>% 
    filter(!is.na(temp_anterior_1_ano)) %>%
    ggplot(aes(x=tmedia, y=temp_anterior_1_ano)) +
    geom_jitter(size=1.5, alpha=.1, color='darkgreen') +
    geom_smooth(method = "lm", se = F, formula = 'y ~ x') +
    facet_wrap(~cidade, ncol=1) +
    labs(title="Gráfico 7\n 1 ano atrás", x="\nTemperatura Média Corrente (ºC)", y="Temperatura Média 1 ano antes(ºC)\n", color="Cidades") + theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=16))

Assim como foi feita para as questões anteriores, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior_1_ano”.

climas_quest1%>% 
    filter(!is.na(temp_anterior_1_ano)) %>%
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior_1_ano, method='pearson'),
              spearman=cor(tmedia, temp_anterior_1_ano, method='spearman'),
              kendall=cor(tmedia, temp_anterior_1_ano, method='kendall'))

## # A tibble: 2 × 4
##   cidade         pearson spearman kendall
##   <chr>            <dbl>    <dbl>   <dbl>
## 1 Campina Grande   0.669    0.626   0.445
## 2 João Pessoa      0.627    0.678   0.499

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior_1_ano” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

size1=3
alpha1=.2
climas_quest1 %>% 
  filter(!is.na(temp_anterior_1_ano)) %>% 
    group_by(cidade) %>%
    summarise(pearson=cor(tmedia, temp_anterior_1_ano, method='pearson'),
              spearman=cor(tmedia, temp_anterior_1_ano, method='spearman'),
              kendall=cor(tmedia, temp_anterior_1_ano, method='kendall')) %>% 
    ggplot(aes(y=cidade)) +
    geom_point(aes(pearson, color='darkviolet'), size=size1, alpha=alpha1) +
    geom_point(aes(spearman, color='darkgreen'), size=size1, alpha=alpha1) +
    geom_point(aes(kendall, color='darkblue'), size=size1, alpha=alpha1) +
    scale_x_continuous(breaks=seq(-1,0,1), limits=c(-1,1)) +
    scale_colour_manual(name='Correlações',
                        values=c('darkviolet'='darkviolet','darkgreen'='darkgreen','darkblue'='darkblue'),
                        labels=c('Pearson','Spearman','Kendall')) +
    labs(title="Gráfico 2\nCorrelação entre Temperatura média \nda Semana e de 1 ano atrás (52 Semanas anteriores)", x="\nCorrelação", y="Cidade\n") +
    theme(plot.title=element_text(hjust=0.5), plot.subtitle=element_text(hjust=0.5), text=element_text(size=14))

Analisando os dados das tabelas de correlação e os seus respectivos gráficos podemos observar que a correlação fica mais fraca com o passar de 8 semanas em relação a 1 semana atrás, entretanto, com o transcorrer do tempo essa correlação tende a tornar-se mais forte positivamente.

Lab 2.2 - Correlação em estimativas e tempo (JP x CG) - Laryssa Milanez

Laryssa Kellen Filgueira Milanez

2022-04-30

Q1: Descreva a relação entre a temperatura de uma semana e a temperatura da semana passada nas 2 cidades.

Inserindo uma nova columa chamada de “temp_anterior” que terá o valor TMAX da semana anterior para as duas cidades

Podemos observar que a coluna de temp_anterior, na primeira linha recebeu o valor NA devido a não ter um valor de referência anterior a ele.

Agora vamos verificar a relação da temperatura média da semana e a temperatura média da semana anterior a ela, através do gráfico de dispersão.

Olhando o gráfico acima, podemos perceber um correlação linear positiva entre as variáveis “tmedia” e “temp_anterior”.

A partir disso, a seguir vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior” para as duas cidades (Campina Grande e João Pessoa):

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

Q2: Descreva a relação entre temperatura e chuvas nas semanas em que choveu nas 2 cidades

Primeiro vamos processar os dados para identificar o período em que choveu nas cidades de Campina Grande e João Pessoa.

De posse da interseção temporal onde ocorreu pancadas de chuva em Campina Grande e João Pessoa, vamos analisar a dispersão dos dados.

Com base no gráfico 3 acima, podemos identificar uma correlação negativa quando tratamos as variáveis de Temperatura Média e o Volume das chuvas para as duas cidades (CG X JP), ou seja, existe uma tendência para temperatura média mais baixa em períodos com volume de chuva maior.

Assim como foi feita para a questão 1, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “temp_anterior” e “chuva”.

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “chuva” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

A partir do apresentado na tabela podemos observar um correlação fraca ou moderada/fraca entre as variáveis tmedia e chuva nas cidades de Campina Grande (CG) e João Pessoa (JP).

Vamos observar o gráfico de distribuição do volume de chuvas em relação ao aumento de temperatura para as duas cidades.

Q3: Compare a relação que você encontrou na 1a questão com a relação entre a temperatura de uma semana e a de 8 semanas antes e com a de 1 ano (52 semanas) antes.

Primeiramente vamos adicionar uma nova coluna chamada de “temp_anterior”, “temp_anterior_8”, “temp_anterior_1_ano”.

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 1 semanas atrás.

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 8 semanas atrás.

Assim como foi feita para as questões anteriores, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior_8”.

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior_8” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

Para melhorar a visualização vamos apresentar um gráfico com a relação da temperatura média corrente e da temperatura média de 1 ano (52 semanas) atrás.

Assim como foi feita para as questões anteriores, vamos observar a correlação de Pearson, Spearman e Kendall entre as variáveis “tmedia” e “temp_anterior_1_ano”.

Visando melhorar a visualização da correlação entre as variáveis “tmedia” e “temp_anterior_1_ano” para as duas cidades estudadas, iremos apresentar a seguir um gráfico de dispersão(Scatterplot) para essa correlação

Analisando os dados das tabelas de correlação e os seus respectivos gráficos podemos observar que a correlação fica mais fraca com o passar de 8 semanas em relação a 1 semana atrás, entretanto, com o transcorrer do tempo essa correlação tende a tornar-se mais forte positivamente.