-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathmilan.Rmd
1070 lines (926 loc) · 72 KB
/
milan.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Comunicaciones en Milan"
author:
- name: Ekaterina Mitiashkina, Adriana Cecilia Nguema Mbang
date: 14.05.2019
output:
html_document:
toc: true
toc_depth: 4
toc_float:
collapsed: false
smooth_scroll: false
theme: united
highlight: tango
---
# Objetivos
El objetivo general del trabajo es realizar un informe estadístico de tipo descriptivo que permita comprender las características de las variables recogidas en la muestra. Como objetivos específicos, se establecen los siguientes:
1. Construir una nueva hoja de datos que agregue la información de la hoja de datos original por celdas. Incluir en ella, para cada celda, la suma total del tráfico generado en la celda y el promedio del tráfico generado por cada interacción.
2. Proporcionar distribuciones de frecuencias de la variable Country code para los SMSs entrantes, para los salientes, para las llamadas entrantes, para las salientes y para el tráfico de Internet. Interpretar los resultados en términos de los países que más y menos tráfico de mensajes SMS, llamadas e Internet generan.
3. Proporcionar una distribución de frecuencias de la variable Square id, que permita visualizar la dinámica de generación de interacciones en la ciudad de Milán.
4. Proporcionar una distribución de frecuencias del tipo de interacción, clasificando cada una de ellas como de SMS, llamada o Internet.
5. En referencia a la hoja de datos que agrega la información por celdas, realizar un análisis descriptivo de las distribuciones de frecuencias de las siguientes variables:
- Tráfico total de SMSs recibidos y tráfico promedio de SMSs recibidos por interacción.
- Tráfico total de SMSs enviados y tráfico promedio de SMSs enviados por interacción.
- Tráfico total de llamadas recibidas y tráfico promedio de llamadas recibidas por interacción.
- Tráfico total de llamadas realizadas y tráfico promedio de llamadas realizadas por interacción.
- Tráfico total de de Internet y tráfico promedio de Internet por interacción.
6. Para las variables indicadas en el punto anterior, realizar un análisis descriptivo comparativo que incluya medidas de posición, dispersión y forma, así como la identificación de celdas atípicas.
7. Realizar una transformación logarítmica de las variables señaladas en el punto 5 y analizar estas nuevas variables como en los puntos 5 y 6. Comparar los análisis realizados en la escala original con los realizados en escala logarítmica.
# Agregación de los datos
Primero tenemos que importar los datos. En nuestro caso los datos originales vienen dados en el formato de texto (.txt). Así la importación se hace utilizando la función correspondiente que se encuentra en la pantalla de herramientas en la ruta File>Import Dataset>From Text (base) o con una función read.delim()
```{r}
datos <- read.delim('sms-call-internet-mi-2013-11-01.txt')
names(datos) <- c("Square id", "Time interval", "Country code", "SMS-in activity", "SMS-out activity", "Call-in activity", "Call-out activity","Internet traffic activity") #nombramos las variables necesarias
summary(datos)
```
# Librerías utilizadas
```{r Librerias, echo=TRUE, include=FALSE}
library(rgeos)
library(maptools)
library(sf)
library(ggplot2)
library(gpclib)
library(mapproj)
library(readxl)
library(sf)
library(tidyverse)
library(dplyr)
library(geojsonio)
library(RgoogleMaps)
library(ggmap)
library(e1071)
```
# Distribuciones de frecuencias de la variable Country code
## Distribución de frecuencias para todos los tipos de interacciones
El valor de "Country code" nulo no contiene la información representativa y encima hace la distribución de frecuencias muy asimétrica y se complica su análisis por eso hemos puesto un límite correspondiente. Para ver los códigos de los países más y menos frecuentes utilizamos los diagramas de barras poniendo los límites de tal manera que se vean 6-7 países.
La cantidad máxima de las interacciones en Milán sucedían con los números pertenecidos a **Italia** (cod. 39). Le siguen los códigos de **Suecia** (cod. 46) y de **Francia** (cod. 33), luego - los de **Alemania** (cod. 49) y de **Egipto** (cod. 20). Al final, el ranking se cierra el código de **Escocia** (cod. 44).
```{r DF general max}
code <- table(datos$`Country code`[datos$`Country code`>0])
barplot(code[code > 100000], main = 'DF maximas para todos los tipos de interacciones',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
Había dos interacciones con **Guinea Ecuatorial** (cod. 240), la **isla de Martinica** (cod. 596), **Canada: Newfoundland and Labrador** (cod. 1709); tres interacciones con la **Isla Ascensión** (cod. 247); cuatro - con **Estados Unidos: Alabama** (cod. 1938) y cinco con **Vaticano** (cod. 379) y las **Islas Malvinas** (cod. 500).
```{r DF general min}
barplot(code[code < 6], main = 'DF minimas para todos los tipos de interacciones',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
Para hacer un análisis más detallado añadimos a la hoja de datos las tres columnas del formato lógico que nos señalan que tipo de interacción había en cada intervalo del tiempo.
```{r Tipos de interaccion}
datos$SMS <- !is.na(datos$'SMS-in activity') | !is.na(datos$'SMS-out activity')
datos$Calls <- !is.na(datos$'Call-in activity') | !is.na(datos$'Call-out activity')
datos$Internet <- !is.na(datos$'Internet traffic activity')
```
## Distribución de frecuencias para los mensajes
Podemos ver casi la misma proporción, pero no hay ninguna interacción con Suecia (cod. 46); aparecen interacciones con **Estados Unidos** sin especificar el región (cod. 1).
```{r DF SMS max}
codeSMS <- table(datos$`Country code`[(datos$SMS == TRUE) & (datos$`Country code`>0)])
barplot(codeSMS[codeSMS > 22000], main = 'DF maximas para SMSs',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
La distribución de las frecuencias menores de los SMSs no nos representa ninguna correlación con la distribución principal. 5 interacciones tenían lugar con las **Islas Malvinas** (cod. 500) y con **Mexico** (cod. 18686); seis - con **Nepal** (cod. 977), con **Cánada: Manitoba** (cod. 1204) y otra vez con **Cánada: Alberta** (cod. 1587): siete - con **Birmania** (cod. 95), con **Papúa Nueva Guinea** (cod. 675), con las **Islas Vírgenes Británicas** (cod. 1284) y con **Kazahstán** (cod. 7707).
```{r DF SMS min}
barplot(codeSMS[codeSMS < 8], main = 'DF minimas para SMSs',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para los mensajes entrantes
Comparando con la representación de las frecuencias máximas de SMSs en general, no ha cambiado ni la lista de los países, ni su posición respecto uno a otro. Pero todo esto es aplicable solamente si bajamos nuestro filtro porque los SMSs entrantes forman solamente una parte de los SMSs en general.
```{r DF SMS-in max}
codeSMSentr <- table(datos$`Country code`[!is.na(datos$'SMS-in activity') & (datos$`Country code`>0)])
barplot(codeSMSentr[codeSMSentr > 21000], main = 'DF maximas para SMSs entrantes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
En el diagrama que representa las frecuencias más bajas los mismos países que en la gráfica de la distribución de frecuencias mínimas de los SMSs en general. Las frecuencias también coinciden que nos permite hacer una conclusión que todas las interacciones (SMSs) menos frecuentes eran del tipo entrante.
```{r DF SMS-in min}
barplot(codeSMSentr[codeSMSentr < 8], main = 'DF minimas para SMSs entrantes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para los mensajes salientes
Con los mensajes salientes ponemos un límite más bajo de 8000. Aparecen **Rusia** (cod. 7) y **Polonia** (cod. 48), "desplazando"" a los EE. UU. y Egipto.
```{r DF SMS-out max}
codeSMSsal <- table(datos$`Country code`[!is.na(datos$'SMS-out activity') & (datos$`Country code`>0)])
barplot(codeSMSsal[codeSMSsal > 8000], main = 'DF maximas para SMSs salientes',
xlab = 'Codigos de pai;ses', ylab = 'Distribucion de frecuencias')
```
Los mensajes salientes menos frecuentes son: los 4 a **Hawaii** (cod. 1808); los 5 a **Papúa Nueva Guinea** (cod. 675); los 6 a **Nicaragua** (cod. 505), **Mongolia** (cod. 976), **Canada: Manítoba** (cod. 1204), las **islas Vírgenes Británicos** (cod. 1587); los 8 a **Etiopía** (cod. 251) y a una región desconocida de **México** (cod. 18099).
```{r DF SMS-out min}
barplot(codeSMSsal [codeSMSsal < 9], main = 'DF minimas para SMSs salientes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para las llamadas
Los países que ya conocemos son **Italia** (cod. 39) y **Egipto** (cod. 20). Mientras que los países "nuevos" son: **Rumania** (cod. 40), **China** (cod. 86), **Senegal** (cod. 221), **Ucrania** (cod. 380) y **Bangladesh** (cod. 880). Probablemente unos de estos países tienen el nivel de la cantidad de interacciones tan alto por no utilizar Internet.
```{r DF llamadas max}
codeCalls <- table(datos$`Country code`[(datos$Calls == TRUE) & (datos$`Country code`>0)])
barplot(codeCalls[codeCalls > 40000], main = 'DF maximas para llamadas',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
Los códigos de las interacciones mínimas, de la frecuencia 1 hasta 4: **Canada: Alberta** (cod. 1403), **Guinea Ecuatorial** (cod. 240), **Isla Martínica** (cod. 596), **Canada: Newfoundland and Labrador** (cod. 1709), **la Isla Ascención** (cod. 247), **Burundi** (cod. 257), **Estados Unidos: Texas** (cod. 1214), **Estados Unidos: Alabama** (cod. 1938).
```{r DF llamadas min}
barplot(codeCalls[codeCalls < 5], main = 'DF minimas para llamadas',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para las llamadas entrantes
Las frecuencias de las llamadas entrantes son más bajas que las de las llamadas en general y los países a que corresponde el código se han vuelto a cambiar y en este caso parecen más en los que hemos visto en las representaciones de las frecuencias de SMS y interacciones generales. El código más frecuente es el de **Italia** (cod. 39), le siguen **Francia** (cod. 33) y **Suiza** (cod. 41), luego - **Rumania** (cod. 40) y **Reino Unido** (cod. 44). Los últimos dos códigos que apenas superan el límite de 9000 son de **Alemania** (cod. 49) y de **Rusia** (cod. 7).
```{r DF llamadas-in max}
codeCallsentr <- table(datos$`Country code`[!is.na(datos$'Call-in activity') & (datos$`Country code`>0)])
barplot(codeCallsentr[codeCallsentr > 9000], main = 'DF maximas para llamadas entrantes',
xlab = 'Codigos de países', ylab = 'Distribucion de frecuencias')
```
En la distribución de frecuencias más bajas de llamadas entrantes están presentados casi los mismos países que en la distribución de frecuencias de las llamadas total con algunas diferencias: aparecen **Seychelles** (cod. 248), **Papúa Nueva Guinea** (cod. 675), **Vaticano** (cod. 379) y desaparecen la Isla Ascención (cod. 247), Burundi (cod. 257), Canada: Newfoundland and Labrador (cod. 1709).
```{r DF llamadas-in min}
barplot(codeCallsentr[codeCallsentr < 6], main = 'DF minimas para llamadas entrantes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para las llamadas salientes
Se nota que las frecuencias de las llamadas salientes son más altas que las de las llamadas entrantes y los códigos coinciden con los códigos que hemos visto en la representación de las frecuencias de las llamadas en general.
```{r DF llamadas-out max}
codeCallssal <- table(datos$`Country code`[!is.na(datos$`Call-out activity`) & (datos$`Country code`>0)])
barplot(codeCallssal[codeCallssal > 34000], main = 'DF maximas para llamadas salientes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
Los códigos de los países del nivel de interacciones minimal, en el orden creciendo: **Malí** (cod. 223), **Islandia** (cod. 354), **Canada: Newfoundland and Labrador** (cod. 1709), **Uzbekistán** (cod. 998), **Gabón** (cod. 241), **Burundi** (cod. 257).
```{r DF llamadas-out min}
barplot(codeCallssal[codeCallssal < 6], main = 'DF minimas para llamadas salientes',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
## Distribución de frecuencias para el tráfico de Internet
Los teléfonos **italianos** han utilizado la cantidad máxima del tráfico (cod. 39), los de **Francia** (cod. 33), **Suecia** (cod. 46) y **Alemania** (cod. 49) han utilizado mucho menos, pero los códigos de estos países siguen formando el grupo de las frecuencias de interacción más alta con los códigos de **Bélgica** (cod. 32), **Suiza** (cod. 41) y **Reino Unido** (cod. 44).
```{r DF Internet max}
codeInternet <- table(datos$`Country code`[(datos$Internet == TRUE) & (datos$`Country code`>0)])
barplot(codeInternet[codeInternet > 31000], main = 'DF maximas para trafico de Internet',
xlab = 'Codigos de países', ylab = 'Distribucion de frecuencias')
```
Aparece el código de Egipto, el país que era uno de los líderes de SMSs y llamadas. Los otros códigos pertenecen a: **Moldavia** (cod. 373), **El Salvador** (cod. 503) con la freq. 4, **Nueva Zelanda** (cod. 64) y **Bermuda** (cod. 14413) con freq. 6; código 88235 pertenece a **"Jasper Wireless satellite services"** (GPS?) con freq. 9, **Montenegro** (cod. 382) con freq. 10.
```{r DF Internet min}
barplot(codeInternet[codeInternet < 12], main = 'DF minimas para trafico de Internet',
xlab = 'Codigos de paises', ylab = 'Distribucion de frecuencias')
```
# Representación cartográfica de las distribuciones de frecuencias
Para contribuir a que los colores de los mapas sean más informativos, hemos considerado las frecuencias en escala logarítmica. Como el rango que abarcan los valores es grande, una escala logarítmica proporciona un medio mejor de visualización de los datos. La transformaci'on se hace mediante la función log().
```{r echo=FALSE,include=FALSE}
Regions <- readShapePoly("Europe.shp")
regions <- fortify(Regions, region = "NAME")
str(regions)
```
```{r Codigos de paises, echo=FALSE,include=FALSE}
codes <- read_xlsx("codes.xlsx")
```
```{r DF general por paises, echo=FALSE, include=FALSE}
GreeceGen <- table(datos$`Country code`[datos$`Country code` == 30])
NetherlandsGen <- table(datos$`Country code`[datos$`Country code` == 31])
BelgiumGen <- table(datos$`Country code`[datos$`Country code` == 32])
FranceGen <- table(datos$`Country code`[datos$`Country code` == 33])
SpainGen <- table(datos$`Country code`[datos$`Country code` == 34])
GibraltarGen <- table(datos$`Country code`[datos$`Country code` == 350])
PortugalGen <- table(datos$`Country code`[datos$`Country code` == 351])
LuxembourgGen <- table(datos$`Country code`[datos$`Country code` == 352])
IrelandGen <- table(datos$`Country code`[datos$`Country code` == 353])
IcelandGen <- table(datos$`Country code`[datos$`Country code` == 354])
AlbaniaGen <- table(datos$`Country code`[datos$`Country code` == 355])
MaltaGen <- table(datos$`Country code`[datos$`Country code` == 356])
CyprusGen <- table(datos$`Country code`[datos$`Country code` == 357])
FinlandGen <- table(datos$`Country code`[datos$`Country code` == 358])
BulgariaGen <- table(datos$`Country code`[datos$`Country code` == 359])
HungaryGen <- table(datos$`Country code`[datos$`Country code` == 36])
LithuaniaGen <- table(datos$`Country code`[datos$`Country code` == 370])
LatviaGen <- table(datos$`Country code`[datos$`Country code` == 371])
EstoniaGen <- table(datos$`Country code`[datos$`Country code` == 372])
MoldovaGen <- table(datos$`Country code`[datos$`Country code` == 373])
ArmeniaGen <- table(datos$`Country code`[datos$`Country code` == 374])
BelarusGen <- table(datos$`Country code`[datos$`Country code` == 375])
AndorraGen <- table(datos$`Country code`[datos$`Country code` == 376])
MonacoGen <- table(datos$`Country code`[datos$`Country code` == 377])
San.MarinoGen <- table(datos$`Country code`[datos$`Country code` == 378])
VaticanGen <- table(datos$`Country code`[datos$`Country code` == 379])
UkraineGen <- table(datos$`Country code`[datos$`Country code` == 380])
SerbiaGen <- table(datos$`Country code`[datos$`Country code` == 381])
MontenegroGen <- table(datos$`Country code`[datos$`Country code` == 382])
CroatiaGen <- table(datos$`Country code`[datos$`Country code` == 385])
SloveniaGen <- table(datos$`Country code`[datos$`Country code` == 386])
Bosnia.HerzegovinaGen <- table(datos$`Country code`[datos$`Country code` == 387])
MacedoniaGen <- table(datos$`Country code`[datos$`Country code` == 389])
ItalyGen <- table(datos$`Country code`[datos$`Country code` == 39])
RomaniaGen <- table(datos$`Country code`[datos$`Country code` == 40])
SwitzerlandGen <- table(datos$`Country code`[datos$`Country code` == 41])
Czech.RepublicGen <- table(datos$`Country code`[datos$`Country code` == 420])
SlovakiaGen <- table(datos$`Country code`[datos$`Country code` == 421])
LiechtensteinGen <- table(datos$`Country code`[datos$`Country code` == 423])
AustriaGen <- table(datos$`Country code`[datos$`Country code` == 43])
United.KingdomGen <- table(datos$`Country code`[datos$`Country code` == 44])
DenmarkGen <- table(datos$`Country code`[datos$`Country code` == 45])
SwedenGen <- table(datos$`Country code`[datos$`Country code` == 46])
NorwayGen <- table(datos$`Country code`[datos$`Country code` == 47])
PolandGen <- table(datos$`Country code`[datos$`Country code` == 48])
GermanyGen <- table(datos$`Country code`[datos$`Country code` == 49])
RusiaGen <- table(datos$`Country code`[datos$`Country code` == 7])
TurkeyGen <- table(datos$`Country code`[datos$`Country code` == 90])
AzerbaijanGen <- table(datos$`Country code`[datos$`Country code` == 994])
GeorgiaGen <- table(datos$`Country code`[datos$`Country code` == 995])
```
```{r DF de SMSs por paises, echo=FALSE, include=FALSE}
GreeceSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 30])
NetherlandsSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 31])
BelgiumSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 32])
FranceSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 33])
SpainSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 34])
GibraltarSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 350])
PortugalSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 351])
LuxembourgSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 352])
IrelandSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 353])
IcelandSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 354])
AlbaniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 355])
MaltaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 356])
CyprusSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 357])
FinlandSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 358])
BulgariaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 359])
HungarySMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 36])
LithuaniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 370])
LatviaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 371])
EstoniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 372])
MoldovaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 373])
ArmeniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 374])
BelarusSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 375])
AndorraSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 376])
MonacoSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 377])
San.MarinoSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 378])
VaticanSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 379])
UkraineSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 380])
SerbiaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 381])
MontenegroSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 382])
CroatiaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 385])
SloveniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 386])
Bosnia.HerzegovinaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 387])
MacedoniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 389])
ItalySMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 39])
RomaniaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 40])
SwitzerlandSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 41])
Czech.RepublicSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 420])
SlovakiaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 421])
LiechtensteinSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 423])
AustriaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 43])
United.KingdomSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 44])
DenmarkSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 45])
SwedenSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 46])
NorwaySMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 47])
PolandSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 48])
GermanySMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 49])
RusiaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 7])
TurkeySMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 90])
AzerbaijanSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 994])
GeorgiaSMS <- table(datos$`Country code`[datos$SMS == TRUE & datos$`Country code` == 995])
```
```{r DF de llamadas por paises, echo=FALSE, include=FALSE}
GreeceCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 30])
NetherlandsCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 31])
BelgiumCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 32])
FranceCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 33])
SpainCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 34])
GibraltarCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 350])
PortugalCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 351])
LuxembourgCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 352])
IrelandCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 353])
IcelandCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 354])
AlbaniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 355])
MaltaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 356])
CyprusCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 357])
FinlandCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 358])
BulgariaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 359])
HungaryCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 36])
LithuaniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 370])
LatviaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 371])
EstoniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 372])
MoldovaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 373])
ArmeniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 374])
BelarusCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 375])
AndorraCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 376])
MonacoCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 377])
San.MarinoCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 378])
VaticanCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 379])
UkraineCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 380])
SerbiaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 381])
MontenegroCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 382])
CroatiaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 385])
SloveniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 386])
Bosnia.HerzegovinaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 387])
MacedoniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 389])
ItalyCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 39])
RomaniaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 40])
SwitzerlandCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 41])
Czech.RepublicCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 420])
SlovakiaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 421])
LiechtensteinCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 423])
AustriaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 43])
United.KingdomCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 44])
DenmarkCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 45])
SwedenCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 46])
NorwayCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 47])
PolandCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 48])
GermanyCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 49])
RusiaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 7])
TurkeyCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 90])
AzerbaijanCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 994])
GeorgiaCALLS <- table(datos$`Country code`[datos$Calls == TRUE & datos$`Country code` == 995])
```
```{r DF de Internet por paises, echo=FALSE, include=FALSE}
GreeceINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 30])
NetherlandsINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 31])
BelgiumINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 32])
FranceINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 33])
SpainINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 34])
GibraltarINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 350])
PortugalINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 351])
LuxembourgINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 352])
IrelandINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 353])
IcelandINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 354])
AlbaniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 355])
MaltaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 356])
CyprusINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 357])
FinlandINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 358])
BulgariaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 359])
HungaryINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 36])
LithuaniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 370])
LatviaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 371])
EstoniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 372])
MoldovaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 373])
ArmeniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 374])
BelarusINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 375])
AndorraINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 376])
MonacoINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 377])
San.MarinoINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 378])
VaticanINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 379])
UkraineINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 380])
SerbiaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 381])
MontenegroINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 382])
CroatiaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 385])
SloveniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 386])
Bosnia.HerzegovinaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 387])
MacedoniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 389])
ItalyINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 39])
RomaniaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 40])
SwitzerlandINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 41])
Czech.RepublicINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 420])
SlovakiaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 421])
LiechtensteinINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 423])
AustriaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 43])
United.KingdomINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 44])
DenmarkINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 45])
SwedenINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 46])
NorwayINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 47])
PolandINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 48])
GermanyINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 49])
RusiaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 7])
TurkeyINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 90])
AzerbaijanINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 994])
GeorgiaINTERNET <- table(datos$`Country code`[datos$Internet == TRUE & datos$`Country code` == 995])
```
```{r Vectores, echo=FALSE, include=FALSE}
Greece <- c(GreeceGen, GreeceSMS, GreeceCALLS, GreeceINTERNET, "Greece")
Netherlands <- c(NetherlandsGen, NetherlandsSMS, NetherlandsCALLS, NetherlandsINTERNET, "Netherlands")
Belgium <- c(BelgiumGen, BelgiumSMS, BelgiumCALLS, BelgiumINTERNET, "Belgium")
France <- c(FranceGen, FranceSMS, FranceCALLS, FranceINTERNET, "France")
Spain <- c(SpainGen, SpainSMS, SpainCALLS, SpainINTERNET, "Spain")
Gibraltar <- c(GibraltarGen, GibraltarSMS, GibraltarCALLS, 0, "Gibraltar")
Portugal <- c(PortugalGen, PortugalSMS, PortugalCALLS, PortugalINTERNET, "Portugal")
Luxembourg <- c(LuxembourgGen, LuxembourgSMS, LuxembourgCALLS, LuxembourgINTERNET, "Luxembourg")
Ireland <- c(IrelandGen, IrelandSMS, IrelandCALLS, IrelandINTERNET, "Ireland")
Iceland <- c(IcelandGen, IcelandSMS, IcelandCALLS, IcelandINTERNET, "Iceland")
Albania <- c(AlbaniaGen, AlbaniaSMS, AlbaniaCALLS, AlbaniaINTERNET, "Albania")
Malta <- c(MaltaGen, MaltaSMS, MaltaCALLS, MaltaINTERNET, "Malta")
Cyprus <- c(CyprusGen, CyprusSMS, CyprusCALLS, CyprusINTERNET, "Cyprus")
Finland <- c(FinlandGen, FinlandSMS, FinlandCALLS, FinlandINTERNET, "Finland")
Bulgaria <- c(BulgariaGen, BulgariaSMS, BulgariaCALLS, BulgariaINTERNET, "Bulgaria")
Hungary <- c(HungaryGen, HungarySMS, HungaryCALLS, HungaryINTERNET, "Hungary")
Lithuania <- c(LithuaniaGen, LithuaniaSMS, LithuaniaCALLS, LithuaniaINTERNET, "Lithuania")
Latvia <- c(LatviaGen, LatviaSMS, LatviaCALLS, LatviaINTERNET, "Latvia")
Estonia <- c(EstoniaGen, EstoniaSMS, EstoniaCALLS, EstoniaINTERNET, "Estonia")
Moldova <- c(MoldovaGen, MoldovaSMS, MoldovaCALLS, MoldovaINTERNET, "Moldova")
Armenia <- c(ArmeniaGen, ArmeniaSMS, ArmeniaCALLS, 0, "Armenia")
Belarus <- c(BelarusGen, BelarusSMS, BelarusCALLS, BelarusINTERNET, "Belarus")
Andorra <- c(AndorraGen, 0, AndorraCALLS, 0, "Andorra")
Monaco <- c(MonacoGen, MonacoSMS, MonacoCALLS, 0, "Monaco")
San.Marino <- c(San.MarinoGen, 0, San.MarinoCALLS, 0, "San.Marino")
Ukraine <- c(UkraineGen, UkraineSMS, UkraineCALLS, UkraineINTERNET, "Ukraine")
Serbia <- c(SerbiaGen, SerbiaSMS, SerbiaCALLS, SerbiaINTERNET, "Serbia")
Croatia <- c(CroatiaGen, CroatiaSMS, CroatiaCALLS, CroatiaINTERNET, "Croatia")
Slovenia <- c(SloveniaGen, SloveniaSMS, SloveniaCALLS, SloveniaINTERNET, "Slovenia")
Bosnia.Herzegovina <- c(Bosnia.HerzegovinaGen,Bosnia.HerzegovinaSMS,Bosnia.HerzegovinaCALLS, 0, "Bosnia Herzegovina")
Macedonia <- c(MacedoniaGen, MacedoniaSMS, MacedoniaCALLS, MacedoniaINTERNET, "Macedonia")
Italy <- c(ItalyGen, ItalySMS, ItalyCALLS, ItalyINTERNET, "Italy")
Romania <- c(RomaniaGen, RomaniaSMS, RomaniaCALLS, RomaniaINTERNET, "Romania")
Switzerland <- c(SwitzerlandGen, SwitzerlandSMS, SwitzerlandCALLS, SwitzerlandINTERNET, "Switzerland")
Czech.Republic <- c(Czech.RepublicGen, Czech.RepublicSMS, Czech.RepublicCALLS, Czech.RepublicINTERNET, "Czech Republic")
Slovakia <- c(SlovakiaGen, SlovakiaSMS, SlovakiaCALLS, SlovakiaINTERNET, "Slovakia")
Liechtenstein <- c(LiechtensteinGen, 0, LiechtensteinCALLS,0, "Liechtenstein")
Austria <- c(AustriaGen, AustriaSMS, AustriaCALLS, AustriaINTERNET, "Austria")
United.Kingdom <- c(United.KingdomGen, United.KingdomSMS, United.KingdomCALLS, United.KingdomINTERNET, "United Kingdom")
Denmark <- c(DenmarkGen, DenmarkSMS, DenmarkCALLS, DenmarkINTERNET, "Denmark")
Sweden <- c(SwedenGen, SwedenSMS, SwedenCALLS, SwedenINTERNET, "Sweden")
Norway <- c(NorwayGen, NorwaySMS, NorwayCALLS, NorwayINTERNET, "Norway")
Poland <- c(PolandGen, PolandSMS, PolandCALLS, PolandINTERNET, "Poland")
Germany <- c(GermanyGen, GermanySMS, GermanyCALLS, GermanyINTERNET, "Germany")
Russia <- c(RusiaGen, RusiaSMS, RusiaCALLS, RusiaINTERNET, "Russia")
Turkey <- c(TurkeyGen, TurkeySMS, TurkeyCALLS, TurkeyINTERNET, "Turkey")
Azerbaijan <- c(AzerbaijanGen, AzerbaijanSMS, AzerbaijanCALLS, 0, "Azerbaijan")
Georgia <- c(GeorgiaGen, GeorgiaSMS, GeorgiaCALLS, 0, "Georgia")
```
```{r Creacion de la hoja de datos, echo=FALSE, include=FALSE}
cont <- matrix(nrow = 0, ncol = 5)
cont <- rbind(cont, Greece)
cont <- rbind(cont, Netherlands)
cont <- rbind(cont, Belgium)
cont <- rbind(cont, France)
cont <- rbind(cont, Spain)
cont <- rbind(cont, Gibraltar)
cont <- rbind(cont, Portugal)
cont <- rbind(cont, Luxembourg)
cont <- rbind(cont, Ireland)
cont <- rbind(cont, Iceland)
cont <- rbind(cont, Albania)
cont <- rbind(cont, Malta)
cont <- rbind(cont, Cyprus)
cont <- rbind(cont, Finland)
cont <- rbind(cont, Bulgaria)
cont <- rbind(cont, Hungary)
cont <- rbind(cont, Lithuania)
cont <- rbind(cont, Latvia)
cont <- rbind(cont, Estonia)
cont <- rbind(cont, Moldova)
cont <- rbind(cont, Armenia)
cont <- rbind(cont, Belarus)
cont <- rbind(cont, Andorra)
cont <- rbind(cont, Monaco)
cont <- rbind(cont, San.Marino)
cont <- rbind(cont, Ukraine)
cont <- rbind(cont, Serbia)
cont <- rbind(cont, Croatia)
cont <- rbind(cont, Slovenia)
cont <- rbind(cont, Bosnia.Herzegovina)
cont <- rbind(cont, Macedonia)
cont <- rbind(cont, Italy)
cont <- rbind(cont, Romania)
cont <- rbind(cont, Switzerland)
cont <- rbind(cont, Czech.Republic)
cont <- rbind(cont, Slovakia)
cont <- rbind(cont, Liechtenstein)
cont <- rbind(cont, Austria)
cont <- rbind(cont, United.Kingdom)
cont <- rbind(cont, Denmark)
cont <- rbind(cont, Sweden)
cont <- rbind(cont, Norway)
cont <- rbind(cont, Poland)
cont <- rbind(cont, Germany)
cont <- rbind(cont, Russia)
cont <- rbind(cont, Turkey)
cont <- rbind(cont, Azerbaijan)
cont <- rbind(cont, Georgia)
colnames(cont) <- c("General", "SMS", "Calls", "Internet", "id")
cont <- data.frame(cont)
```
```{r Preparacion de datos para el mapa, echo=FALSE, message=FALSE, warning=FALSE}
regions2 <- inner_join(cont, regions, by = "id")
regions2$long <- as.numeric(as.character(regions2$long))
regions2$lat <- as.numeric(as.character(regions2$lat))
regions2$General <- as.numeric(as.character(regions2$General))
regions2$SMS <- as.numeric(as.character(regions2$SMS))
regions2$Calls <- as.numeric(as.character(regions2$Calls))
regions2$Internet <- as.numeric(as.character(regions2$Internet))
regions2$logGeneral <- log(regions2$General)
regions2$logSMS <- log(regions2$SMS)
regions2$logCalls <- log(regions2$Calls)
regions2$logInternet <- log(regions2$Internet)
```
```{r Population, echo=FALSE, include=FALSE, warning=FALSE}
population <- read_xls('population.xls')
population$'pop2013' <- population$...58
colnames(population) <- c("id", "Code", "Indicator name", "Indicator code", 1960:2018, "pop2013")
id <- population$id
pop2013 <- population$pop2013
population2013 <- matrix(nrow = 267, ncol = 0)
population2013 <- cbind(population2013, id)
population2013 <- cbind(population2013, pop2013)
population2013 <- data.frame(population2013)
population2013$id <- as.character(population2013$id)
population2013$pop2013 <- as.numeric(as.character(population2013$pop2013))
popRussia <- c("Russia", 143506911)
popSlovakia <- c("Slovakia", 5413393)
popBosnia <- c("Bosnia Herzegovina", 3604999)
popMacedonia <- c("Macedonia", 2075739)
population2013 <- rbind(population2013, popRussia)
population2013 <- rbind(population2013, popSlovakia)
population2013 <- rbind(population2013, popBosnia)
population2013 <- rbind(population2013, popMacedonia)
regions3 <- inner_join(population2013, regions2, by = "id")
regions3$pop2013 <- as.numeric(as.character(regions3$pop2013))
regions3$DGeneral <- (regions3$General) / (regions3$pop2013)
regions3$DSMS <- (regions3$SMS) /(regions3$pop2013)
regions3$DCalls <- (regions3$Calls) / (regions3$pop2013)
regions3$DInternet <- (regions3$Internet) / (regions3$pop2013)
regions3$logDGeneral <- log(regions3$DGeneral)
regions3$logDSMS <- log(regions3$DSMS)
regions3$logDCalls <- log(regions3$DCalls)
regions3$logDInternet <- log(regions3$DInternet)
```
## Tráfico general
Podemos ver que las interacciones más frecuentes que tenían lugar pertenecen a **Italia**. Los países de Europa Central tienen el nivel de la frecuencia parecido, ya que aparecen regiones con el nivel más bajo: **Balcanes**, **Portugal**, países del **Báltico** y países **nórdicos** excepto de Suecia. Además, este mapa representa que la cantidad de interacciones (por población) relativamente grandes pertenecen a: **Rumania**, **Austria**, **Bélgica**, **Irlanda**, **Albania** y **Letonia**, **Lituania**, **Estonia**, **Moldavia** y **Francia**.
```{r Mapa de Europa: Trafico general, echo=FALSE}
ggplot() + geom_map(data = regions2,
aes(map_id = id, colour = "red",
fill = regions2$logGeneral),
map = regions2) +
expand_limits(x = regions2$long, y = regions2$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Trafico general",
y = "latitud", x = "longitud")
```
```{r Mapa de Europa: Trafico general relativo, echo=FALSE}
ggplot() + geom_map(data = regions3,
aes(map_id = id, colour = "red",
fill = regions3$logDGeneral),
map = regions3) +
expand_limits(x = regions3$long, y = regions3$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Trafico general relativo",
y = "latitud", x = "longitud")
```
## Tráfico de SMSs
Los países con números más activos en mandar mensajes son: **Reino Unido**, **Francia** y **Suiza**. A su vez, **Suecia** demuestra la actividad más alta entre todos los países nórdicos y entre toda la Europa si comparamos nuestros datos respecto a la población. En estos términos también sobresalen los países **Bálticos** (excepto de Polonia), **Balcanes**, **República Checa**, **Austria**, **Eslovaquia**, **Francia**, **Bélgica** y **Reino Unido**.
```{r Mapa de Europa: SMSs, echo=FALSE}
ggplot() + geom_map(data = regions2,
aes(map_id = id, colour = "red",
fill = regions2$logSMS),
map = regions2) +
expand_limits(x = regions2$long, y = regions2$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: SMSs",
y = "latitud", x = "longitud")
```
```{r Mapa de Europa: SMSs (relativo), echo=FALSE}
ggplot() + geom_map(data = regions3,
aes(map_id = id, colour = "red",
fill = regions3$logDSMS),
map = regions3) +
expand_limits(x = regions3$long, y = regions3$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: SMSs (relativo)",
y = "latitud", x = "longitud")
```
## Tráfico de llamadas
El mapa representa que en general la gente hace más llamadas que manda los mensajes. Aparte de **Italia**, más llamadas fueron establecidas con **Ucrania** y **Rumania**, un poco menos - con **Francia**, **Suiza**, **Reino Unido**, **Alemania**, **España**, **Polonia** y **Rusia**.
```{r Mapa de Europa: Llamadas, echo=FALSE}
ggplot() + geom_map(data = regions2,
aes(map_id = id, colour = "red",
fill = regions2$logCalls),
map = regions2) +
expand_limits(x = regions2$long, y = regions2$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Llamadas",
y = "latitud", x = "longitud")
```
La representación con respecto a la población nos muestra que comparando con la cantidad de la gente que vive en cada país la gran cantidad hicieron los habitantes de **Suiza**, **Rumania**, **Ucrania** (coincide con el mapa anterior) y también **Albania**, **Moldavia** y **Letonia**, **Lituania**, **Estonia**.
```{r Mapa de Europa: LLamadas (relativo), echo=FALSE}
ggplot() + geom_map(data = regions3,
aes(map_id = id, colour = "red",
fill = regions3$logDCalls),
map = regions3) +
expand_limits(x = regions3$long, y = regions3$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Llamadas (relativo)",
y = "latitud", x = "longitud")
```
## Tráfico de Internet
Las regiones que se diferencian son: **Islandia**, **Balcanes**, **Moldavia**, **Ucrania**, **Bielorrusia**.
```{r Mapa de Europa: Trafico de Internet, echo=FALSE}
ggplot() + geom_map(data = regions2,
aes(map_id = id, colour = "red",
fill = regions2$logInternet),
map = regions2) +
expand_limits(x = regions2$long, y = regions2$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Trafico de Internet",
y = "latitud", x = "longitud")
```
El mapa que fue pintado utilizando los datos de población muestra que, comparando con la cantidad de habitantes total, el tráfico decrece moviendo del oeste al este de Europa. Como en la representación general, **Suecia** notablemente sobresale que significa que la cantidad del tráfico (número de interacciones) de Internet inflye mucho en la cantidad (número de interacciones) general.
```{r Mapa de Europa: Trafico de Internet (relativo), echo=FALSE}
ggplot() + geom_map(data = regions3,
aes(map_id = id, colour = "red",
fill = regions3$logDInternet),
map = regions3) +
expand_limits(x = regions3$long, y = regions3$lat) +
scale_fill_continuous(name = "Frecuencia", type = "viridis") +
scale_color_brewer(name = "Fronteras", type = "div", palette = 5) +
coord_map() +
labs(title = "Mapa de Europa: Trafico de Internet (relativo)",
y = "latitud", x = "longitud")
```
# Análisis por celdas
## Generación del tráfico por celdas
Creamos una nueva hoja de datos en la que incluimos la suma y la media del tráfico para cada tipo por celdas. Para añadir la información por celdas se creó una matriz y mediante un bucle la rellenamos con los vectores correspondientes a cada celda. El sumatorio se consigue con la función colSums() (en nuestro caso es la suma por columnas) y el promedio - con colMeans().
```{r Suma y media por celdas}
matriz <-matrix(,0,11) #creamos una matriz vacia para la suma de trafico
for (i in 1:10000)
{
datos[datos$`Square id` == i,]
vector <- c(i,colSums(datos[datos$`Square id` == i, 4:8], na.rm = TRUE),
colMeans(datos[datos$`Square id` == i, 4:8], na.rm = TRUE))
matriz <- rbind(matriz, vector)
} #rellenamos la matriz con la suma y el promedio del trafico
colnames(matriz) <- c("Square id", "Suma SMS-in", "Suma SMS-out", "Suma Call-in", "Suma Call-out",
"Suma Internet", "Media SMS-in", "Media SMS-out", "Media Call-in",
"Media Call-out", "Media Internet")
suma <- data.frame(matriz) #hacemos una hoja de datos
```
```{r}
summary(suma)
```
### Tráfico total
Todos los histogramas salen muy asimétricos a la derecha dado que hay muchas celdas en la ciudad con la actividad de interacciones baja mientras que existen unas cuantas celdas (que casi no podemos ver en la gráfica) con el nivel de actividad extraordinariamente alto. Esto fenómeno es un ejemplo de un "Efecto Mateo": *"Porque a cualquiera que tiene, se le dará, y tendrá más; pero al que no tiene, aun lo que tiene le será quitado"*.
Más probable que los valores de suma más altos pertenecen a las celdas centrales de Milán. Como hemos visto antes, en referencia a la suma, el tráfico de Internet ocupa el primer lugar de cantidad (por otro tipo de codificación), luego la cantidad de SMSs entrantes avanza un poco la cantidad de otros tipos de interacciones.
```{r Histogramas: total}
hist(suma$Suma.SMS.in, main = 'DF de total: SMSs entrantes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(suma$Suma.SMS.out, main = 'DF de total: SMSs salientes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(suma$Suma.Call.in, main = 'DF de total: llamadas entrantes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(suma$Suma.Call.out, main = 'DF de total: llamadas salientes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(suma$Suma.Internet, main = 'DF de total: Internet', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
```
Los valores del tráfico total de mensajes y llamadas son comparables, por eso es posible juntar los cuatro diagramas en una figura del diagrama de cajas. Cómo en la gran mayoría de los datos se acerca al cero y por eso tanto la media, como los percentiles 25%, 50% y 75% se encuentran relativamente cerca al cero.
```{r Estimacion de los valores atipicos: total}
Ssmsin <- suma$Suma.SMS.in
Ssmsout <- suma$Suma.SMS.out
Scallin <- suma$Suma.Call.in
Scallout <- suma$Suma.Call.out
Sinter <- suma$Suma.Internet
boxplot(Sinter, main= "Total: Internet")
boxplot(Ssmsin, Ssmsout, Scallin, Scallout, names = c("Total: SMS-in", "Total: SMS-out", "Total: Call-in","Total: Call-out"))
```
### Tráfico promedio
Ahora analizamos la media del tráfico por interacción; es decir, si antes analizábamos la suma, Y, del tráfico de X interacciones, ahora analizamos el promedio, Y/X. En este caso, todas las gráficas siguen siendo asimétricas a la derecha pero algunas de ellas (SMSs entrantes, llamadas salientes, Internet) ya siguen a la distribución más homogénea debido a los valores de promedio o a los intervalos más pequeños.
Los valores del tráfico del Internet son visiblemente más altos que los otros, pero comparando los valores de llamadas y mensajes se nota que el valor promedio de SMSs salientes alcanza un nivel más alto que todos los demás aunque el valor de total no se diferencia tanto entre todos. Eso se puede explicar por la cantidad diferente de las interacciones por lo que la suma pueda ser igual. Así la mayor dispersión pertenece a los valores de SMSs salientes y a las llamadas entrantes.
```{r Histogramas: promedio}
hist(suma$Media.SMS.in, main = 'DF de promedio: SMSs entrantes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(suma$Media.SMS.out, main = 'DF de promedio: SMSs salientes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(suma$Media.Call.in, main = 'DF de promedio: llamadas entrantes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(suma$Media.Call.out, main = 'DF de promedio: llamadas salientes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(suma$Media.Internet, main = 'DF de promedio: Internet', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
```
```{r Estimacion de los valores atipicos: promedio}
Msmsin <- suma$Media.SMS.in
Msmsout <- suma$Media.SMS.out
Mcallin <- suma$Media.Call.in
Mcallout <- suma$Media.Call.out
Minter <- suma$Media.Internet
boxplot(Minter, main= "Media: Internet")
boxplot(Msmsin, Msmsout, Mcallin, Mcallout, names = c("Media: SMS-in", "Media: SMS-out", "Media: Call-in", "Media: Call-out"))
```
### Medidas de posición, dispersión y forma
Podemos ver que en todos los casos el coeficiente de variación supera a 100% que indica la variación muy grande y encima, siendo el coeficiente de asimetría positivo y mayor que 0.9, podemos concluir que todas las distribuciones varían mucho y son asimétricas a la derecha.
```{r Analisis discriptivo: total}
sumaSMSin <- c(mean(suma$Suma.SMS.in, na.rm= TRUE), quantile(suma$Suma.SMS.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Suma.SMS.in, na.rm= TRUE)/mean(suma$Suma.SMS.in, na.rm= TRUE), skewness(suma$Suma.SMS.in, na.rm= TRUE))
sumaSMSout <- c(mean(suma$Suma.SMS.out, na.rm= TRUE), quantile(suma$Suma.SMS.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Suma.SMS.out, na.rm= TRUE)/mean(suma$Suma.SMS.out, na.rm= TRUE), skewness(suma$Suma.SMS.out, na.rm= TRUE))
sumaCallin <- c(mean(suma$Suma.Call.in, na.rm= TRUE), quantile(suma$Suma.Call.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Suma.Call.in, na.rm= TRUE)/mean(suma$Suma.Call.in, na.rm= TRUE), skewness(suma$Suma.Call.in, na.rm= TRUE))
sumaCallout <- c(mean(suma$Suma.Call.out, na.rm= TRUE), quantile(suma$Suma.Call.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Suma.Call.out, na.rm= TRUE)/mean(suma$Suma.Call.out, na.rm= TRUE), skewness(suma$Suma.Call.out, na.rm= TRUE))
sumaInternet <- c(mean(suma$Suma.Internet, na.rm= TRUE), quantile(suma$Suma.Internet, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Suma.Internet, na.rm= TRUE)/mean(suma$Suma.Internet, na.rm= TRUE), skewness(suma$Suma.Internet, na.rm= TRUE))
```
```{r Analisis discriptivo: promedio}
mediaSMSin <- c(mean(suma$Media.SMS.in, na.rm= TRUE), quantile(suma$Media.SMS.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Media.SMS.in, na.rm= TRUE)/mean(suma$Media.SMS.in, na.rm= TRUE), skewness(suma$Media.SMS.in, na.rm= TRUE))
mediaSMSout <- c(mean(suma$Media.SMS.out, na.rm= TRUE), quantile(suma$Media.SMS.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Media.SMS.out, na.rm= TRUE)/mean(suma$Media.SMS.out, na.rm= TRUE), skewness(suma$Media.SMS.out, na.rm= TRUE))
mediaCallin <- c(mean(suma$Media.Call.in, na.rm= TRUE), quantile(suma$Media.Call.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Media.Call.in, na.rm= TRUE)/mean(suma$Media.Call.in, na.rm= TRUE), skewness(suma$Media.Call.in, na.rm= TRUE))
mediaCallout <- c(mean(suma$Media.Call.out, na.rm= TRUE), quantile(suma$Media.Call.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Media.Call.out, na.rm= TRUE)/mean(suma$Media.Call.out, na.rm= TRUE), skewness(suma$Media.Call.out, na.rm= TRUE))
mediaInternet <- c(mean(suma$Media.Internet, na.rm= TRUE), quantile(suma$Media.Internet, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(suma$Media.Internet, na.rm= TRUE)/mean(suma$Media.Internet, na.rm= TRUE), skewness(suma$Media.Internet, na.rm= TRUE))
```
```{r Representacion de las medidas de posicion, dispercion, forma, echo=FALSE}
analisis <- matrix(, 0, 6)
analisis <- rbind(analisis, sumaSMSin)
analisis <- rbind(analisis, sumaSMSout)
analisis <- rbind(analisis, sumaCallin)
analisis <- rbind(analisis, sumaCallout)
analisis <- rbind(analisis, sumaInternet)
analisis <- rbind(analisis, mediaSMSin)
analisis <- rbind(analisis, mediaSMSout)
analisis <- rbind(analisis, mediaCallin)
analisis <- rbind(analisis, mediaCallout)
analisis <- rbind(analisis, mediaInternet)
colnames(analisis) <- c("Media", "25%", "50%", "75%", "Coef. var", "Coef. asim")
analisis <- data.frame(analisis)
print(analisis)
```
## Transformación logarímica
La razón de este paso consiste en la asimetría de los datos que hemos encontrado al representarlos en la forma de histogramas. Para poder hacerlo teníamos que quitar la información de las celdas 5239 y 5339, que por alguna razón tenían el valor del tráfico total igual a 0 (que al pasar a la escala logarítmica nos da ???Infinito).
```{r Escala logaritmica}
suma1 <- suma[-5339,]
suma1 <- suma1[-5239,]
logsum <- log(suma1[, 2:11])
colnames(logsum) <- c("logSuma.SMS.in", "logSuma.SMS.out", "logSuma.Call.in", "logSuma.Call.out", "logSuma.Internet", "logMedia.SMS.in", "logMedia.SMS.out", "logMedia.Call.in", "logMedia.Call.out", "logMedia.Internet")
```
### Tráfico total
Siendo simétricas las distribuciones de mensajes reflejan baja asimetría a la derecha mientras que todos los demás poseen de pequeña asimetría a la izquierda. La máxima cantidad de interacciones por celdas pertenece al tráfico de Internet y el tráfico de SMSs entrantes.
```{r Histogramas: total (e. l.)}
hist(logsum$logSuma.SMS.in, main = 'DF de total (e. l.): SMSs entrantes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(logsum$logSuma.SMS.out, main = 'DF de total (e. l.): SMSs salientes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(logsum$logSuma.Call.in, main = 'DF de total (e. l.): llamadas entrantes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(logsum$logSuma.Call.out, main = 'DF de total (e. l.): llamadas salientes', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
hist(logsum$logSuma.Internet, main = 'DF de total (e. l.): Internet', xlab = 'El valor de suma', ylab = 'Distribucion de frecuencias')
```
Los valores atípicos (disminuyendo en su cantidad) aparecen tanto en valores altos como en bajos. Eso se explica por la mayor simetría y menor variación de los datos en la escala logarítmica.
```{r Estimacion de los valores atipicos: total (e. l.)}
logSsmsin <- logsum$logSuma.SMS.in
logSsmsout <- logsum$logSuma.SMS.out
logScallin <- logsum$logSuma.Call.in
logScallout <- logsum$logSuma.Call.out
logSinter <- logsum$logSuma.Internet
boxplot(logSsmsin, logSsmsout, logScallin, logScallout, logSinter, main= "Total (e. l.)", names = c("SMS-in", "SMS-out", "Call-in","Call-out", "Internet"))
```
### Tráfico promedio
Los valores obtenidos del promedio son tanto positivos como negativos, dado que alguna parte de los datos del promedio se encuentra en un intervalo [0,1]. En este caso todas las figuras demuestran la simetría con algo de inclinación a la izquierda.
```{r Histogramas: promedio (e. l.)}
hist(logsum$logMedia.SMS.in, main = 'DF de promedio (e. l.): SMSs entrantes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(logsum$logMedia.SMS.out, main = 'DF de promedio (e. l.): SMSs salientes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(logsum$logMedia.Call.in, main = 'DF de promedio (e. l.): llamadas entrantes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(logsum$logMedia.Call.out, main = 'DF de promedio (e. l.): llamadas salientes', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
hist(logsum$logMedia.Internet, main = 'DF de promedio (e. l.): Internet', xlab = 'El valor de promedio', ylab = 'Distribucion de frecuencias')
```
```{r Estimacion de los valores atipicos: promedio (e. l.)}
logMsmsin <- logsum$logMedia.SMS.in
logMsmsout <- logsum$logMedia.SMS.out
logMcallin <- logsum$logMedia.Call.in
logMcallout <- logsum$logMedia.Call.out
logMinter <- logsum$logMedia.Internet
boxplot(logMsmsin, logMsmsout, logMcallin, logMcallout, logMinter, main= "Promedio (e. l.)", names = c("SMS-in", "SMS-out", "Call-in", "Call-out", "Internet"))
```
### Medidas de posición, dispersión y forma (e. l.)
```{r Analisis discriptivo: total (e. l.)}
LOGsumaSMSin <- c(mean(logsum$logSuma.SMS.in, na.rm= TRUE), quantile(logsum$logSuma.SMS.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logSuma.SMS.in, na.rm= TRUE)/mean(logsum$logSuma.SMS.in, na.rm= TRUE), skewness(logsum$logSuma.SMS.in, na.rm= TRUE))
LOGsumaSMSout <- c(mean(logsum$logSuma.SMS.out, na.rm= TRUE), quantile(logsum$logSuma.SMS.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logSuma.SMS.out, na.rm= TRUE)/mean(logsum$logSuma.SMS.out, na.rm= TRUE), skewness(logsum$logSuma.SMS.out, na.rm= TRUE))
LOGsumaCallin <- c(mean(logsum$logSuma.Call.in, na.rm= TRUE), quantile(logsum$logSuma.Call.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logSuma.Call.in, na.rm= TRUE)/mean(logsum$logSuma.Call.in, na.rm= TRUE), skewness(logsum$logSuma.Call.in, na.rm= TRUE))
LOGsumaCallout <- c(mean(logsum$logSuma.Call.out, na.rm= TRUE), quantile(logsum$logSuma.Call.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logSuma.Call.out, na.rm= TRUE)/mean(logsum$logSuma.Call.out, na.rm= TRUE), skewness(logsum$logSuma.Call.out, na.rm= TRUE))
LOGsumaInternet <- c(mean(logsum$logSuma.Internet, na.rm= TRUE), quantile(logsum$logSuma.Internet, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logSuma.Internet, na.rm= TRUE)/mean(logsum$logSuma.Internet, na.rm= TRUE), skewness(logsum$logSuma.Internet, na.rm= TRUE))
```
```{r Analisis discriptivo: promedio (e. l.)}
LOGmediaSMSin <- c(mean(logsum$logMedia.SMS.in, na.rm= TRUE), quantile(logsum$logMedia.SMS.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logMedia.SMS.in, na.rm= TRUE)/mean(logsum$logMedia.SMS.in, na.rm= TRUE), skewness(logsum$logMedia.SMS.in, na.rm= TRUE))
mediaSMSout <- c(mean(logsum$logMedia.SMS.out, na.rm= TRUE), quantile(logsum$Mlogedia.SMS.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logMedia.SMS.out, na.rm= TRUE)/mean(logsum$logMedia.SMS.out, na.rm= TRUE), skewness(logsum$logMedia.SMS.out, na.rm= TRUE))
LOGmediaCallin <- c(mean(logsum$logMedia.Call.in, na.rm= TRUE), quantile(logsum$logMedia.Call.in, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logMedia.Call.in, na.rm= TRUE)/mean(logsum$logMedia.Call.in, na.rm= TRUE), skewness(logsum$logMedia.Call.in, na.rm= TRUE))
LOGmediaCallout <- c(mean(logsum$logMedia.Call.out, na.rm= TRUE), quantile(logsum$logMedia.Call.out, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logMedia.Call.out, na.rm= TRUE)/mean(logsum$logMedia.Call.out, na.rm= TRUE), skewness(logsum$logMedia.Call.out, na.rm= TRUE))
LOGmediaInternet <- c(mean(logsum$logMedia.Internet, na.rm= TRUE), quantile(logsum$logMedia.Internet, probs = c(0.25, 0.5, 0.75), na.rm= TRUE), sd(logsum$logMedia.Internet, na.rm= TRUE)/mean(logsum$logMedia.Internet, na.rm= TRUE), skewness(logsum$logMedia.Internet, na.rm= TRUE))
```
```{r Representacion de las medidas de posicion, dispercion, forma (e. l.), echo=FALSE}
LOGanalisis <- matrix(, 0, 6)
LOGanalisis <- rbind(LOGanalisis, sumaSMSin)
LOGanalisis <- rbind(LOGanalisis, sumaSMSout)
LOGanalisis <- rbind(LOGanalisis, sumaCallin)
LOGanalisis <- rbind(LOGanalisis, sumaCallout)
LOGanalisis <- rbind(LOGanalisis, sumaInternet)
LOGanalisis <- rbind(LOGanalisis, mediaSMSin)
LOGanalisis <- rbind(LOGanalisis, mediaSMSout)
LOGanalisis <- rbind(LOGanalisis, mediaCallin)
LOGanalisis <- rbind(LOGanalisis, mediaCallout)
LOGanalisis <- rbind(LOGanalisis, mediaInternet)
colnames(LOGanalisis) <- c("Media", "25%", "50%", "75%", "Coef. var", "Coef. asim")
LOGanalisis <- data.frame(LOGanalisis)
print(LOGanalisis)
```
## Dinámica de generación del tráfico
Las celdas con la máxima frecuencia de las interacciones se encuentran en un intervalo de la celda 5059 a la 6165 que est%aacute; por la mitad de la numeración asignada para Milán. Eso significa que las celdas representadas deben coincidir con el centro de la ciudad y as?? se puede explicar la actividad tan alta que sufren estas celdas. El mejor modo de comprobar nuestra hipótesis es juntar el mapa del Milán con el mapa de celdas (por las coordenadas dadas) y ver con qué barrios o lugares de interés coinciden las celdas representadas en el diagrama.
```{r Informacion por celdas}
celda <- table(datos$`Square id`)
celdasort <- sort(as.vector(celda))
plot(celdasort, main = "DF de las celdas", xlab = "", ylab = "Frecuencia")
lines(c(0,10000), c(1800,1800), col = 2)
barplot(celda[celda > 1800])
celdamax <- celda[celda > 1800]
barplot(celdamax, main = "Celdas con la frecuencia maxima", xlab = "N de la celda", ylab = "Frecuencia")
print(celdamax)
```
```{r Datos para representacion grafica de las celdas, echo=FALSE, include=FALSE}
milangrid2 <- geojson_read("milano-grid.geojson", what = "sp")
milangrid3 <- fortify(milangrid2)
puntos <- read_xlsx("puntos.xlsx")
rownames(puntos) <- (c("x1", "x2", "x3", "x4"))
colnames(puntos) <- c("Name", "lat", "long")
puntos$lat <- as.numeric(puntos$lat)
puntos$long <- as.numeric(puntos$long)
sbbox <- make_bbox(lon = puntos$long, lat = puntos$lat)
carta <- get_map(location = sbbox, maptype = "terrain",source = "google")
carta2 <- ggmap(carta)
celdamax2 <- as.data.frame(celdamax)
colnames(celdamax2) <- c("id", "freq")
celdamax2$id <- as.numeric(as.character(celdamax2$id))
milangrid3$id <- as.numeric(as.character(milangrid3$id))
milangrid4 <- inner_join(milangrid3, celdamax2, by = "id")
```
```{r Mapa de Milan: celdas, echo=FALSE}
print(carta2 +
geom_path(aes(long,lat, group = group), data = milangrid3, colour = "red") +
geom_polygon(aes(long,lat, group = group, fill = milangrid4$freq),
data = milangrid4, alpha = 0.5) +
scale_fill_continuous(name = "Frecuencias", type = "viridis") +
labs(title = "Mapa de Milan", y = "latitud", x = "longitud"))
```
```{r Datos para representacion Milan:centro I, echo=FALSE, include=FALSE, warning=FALSE}
puntos2 <- read_xlsx("puntos2.xlsx")
rownames(puntos2) <- (c("x1", "x2", "x3", "x4"))
colnames(puntos2) <- c("Name", "lat", "long")
puntos2$lat <- as.numeric(puntos2$lat)
puntos2$long <- as.numeric(puntos2$long)
sbbox2 <- make_bbox(lon = puntos2$long, lat = puntos2$lat)
carta3 <- get_map(location = sbbox2, maptype = "terrain",source = "google")
carta4 <- ggmap(carta3)
```
```{r Mapa de Milan:centro I, echo=FALSE, warning=FALSE}
print(carta4 +
geom_path(aes(long,lat, group = group), data = milangrid3, colour = "red") +
geom_polygon(aes(long,lat, group = group, fill = milangrid4$freq),
data = milangrid4,
alpha = 0.8) +
scale_fill_continuous(name = "Frecuencias", type = "viridis") +
labs(title = "Mapa de Milan: Centro", y = "latitud", x = "longitud"))
```
```{r Datos para representacion Milan:centro II, echo=FALSE, include=FALSE, warning=FALSE}
puntos21 <- read_xlsx("puntos21.xlsx")
rownames(puntos21) <- (c("x1", "x2", "x3", "x4"))
colnames(puntos21) <- c("Name", "lat", "long")
puntos21$lat <- as.numeric(puntos21$lat)
puntos21$long <- as.numeric(puntos21$long)
sbbox21 <- make_bbox(lon = puntos21$long, lat = puntos21$lat)
carta31 <- get_map(location = sbbox21, maptype = "terrain",source = "google")
carta41 <- ggmap(carta31)
```
```{r Mapa de Milan:centro II, echo=FALSE, warning=FALSE}
print(carta41 +
geom_path(aes(long,lat, group = group), data = milangrid3, colour = "red") +
geom_polygon(aes(long,lat, group = group, fill = milangrid4$freq),