Entradas

Mostrando las entradas etiquetadas como Monóxido de Carbono

#ggplot2 #R Comparación de modelos de pronósticos de CO y NOx en Buenos Aires, Bogotá y Santiago, con regresiones y redes neuronales en R, ggplot2 y openair

Imagen
Para el congreso Argentina Ambiental 2012 he estado terminando un resumen extendido, y me tiene muy contento el hecho de aplicar estadística dentro del ámbito de los sistemas ambientales. Para este congreso realicé un pronóstico de CO y  NOx para las ciudades de Buenos Aires, Bogotá y Santiago, comparando los resultados de una regresión y redes neuronales. A continuación presentaré dos gráficos que comparan los resultados de forma muy simple y didáctica. Entonces, con las técnicas que no voy a presentar acá genere las regresiones y redes neuronales, y obtuve un CO y NOx pronosticado con cada técnica para cada ciudad. Pensé en graficar con ggplot2 aplicando un factor específico, y se me ocurrió en excel clasificar las  el valor absoluto de la diferencia de los pronósticado con lo original, según percentiles del original, así: abs(diferencia)<P(20)=1; es decir, el valor absoluto de la diferencia debe cae dentro del percentil 20 del valor original para que de el valor...

CO y Mortalidad. Análisis con R usando datos cargados de Internet

Imagen
CO y Mortalidad. Análisis con R usando datos cargados de Internet En Octubre del 2009, en las  V Jornadas Latinoamericanas de Química y Física Ambiental , presenté un trabajo que compara el  efecto del monóxido de carbono ambiental sobre la mortalidad de los habitantes de Santiago, Chile y Buenos Aires, Argentina . Para este trabajo se tomaron datos de mortalidad total, masculina, femenina, de menores de 14 años, de 14 a 65 y mayores a 65 años de las ciudades de Santiago y Buenos Aires. Para que fuesen comparables utilicé la misma metodología que consiste en un  Modelo Semi-Paramétrico de  regresión quasi-poisson  de la mortalidad esperada sobre los días de la semana, mes, monóxido de carbono, temperatura, humedad relativa y tiempo (variables estadísticamente significativas). Las variables de confusión fueron controladas usando los suavizadores  cubic splines . Se consideró sólamente el CO pues esos eran los datos disponibles de monitoreo en Bueno...