Parcial 1 (sonido)
Gabriel Bucheli Ortiz, Lina Sofia Gonzalez y Sofia Pinto
2025-09-10
Introducción
La contaminación auditiva es definida por la Organización Mundial de la Salud (OMS, 2022) como la exposición a sonidos que superan los 65 decibelios (dB), considerándose potencialmente dañinos a partir de los 120 dB. Además, la OMS(2022) recomienda mantener un nivel sonoro medio máximo de 100 dB para prevenir la pérdida de audición. La contaminación auditiva es más que un problema estético; en los últimos años ha cobrado gran relevancia y se reconoce actualmente como un riesgo importante para la salud pública, ya que afecta el bienestar físico, mental y social de las personas.
Como estudiantes del curso de Bioestadística, es fundamental aprender el uso de la herramienta R para la realización de análisis estadísticos. Por lo tanto, y motivados por la preocupación frente a la contaminación auditiva, decidimos realizar un estudio aplicado sobre los niveles de ruido en los diferentes edificios de la Pontificia Universidad Javeriana de Cali, siguiendo las orientaciones del docente encargado.
Objetivos
El objetivo general de este trabajo es:
- Determinar cuál es el edificio con mayores niveles de contaminación auditiva en la Pontificia Universidad Javeriana de Cali mediante la recolección y análisis de datos acústicos.
Nuestros objetivos especificos son los siguientes:
- Medir los niveles de presión sonora en diferentes edificios del campus utilizando la aplicación AirCasting.
- Procesar y analizar los datos obtenidos mediante herramientas estadísticas en R.
Metodología
Para la recolección de datos se utilizó la aplicación AirCasting, realizando tres recorridos alrededor de la Pontificia Universidad Javeriana de Cali, pasando por los edificios que, según nuestra percepción, presentaban mayor nivel de ruido.Cada estudiante hizo 1 recorrido entre las 11:00 am y la 1:00 pm. Los edificios incluidos en el estudio fueron: Acacias, Almendros, Cedro Rosado, Educación Continua, Guaduales, Guayacanes, Lagos, Palmas y Raúl Posada.
Los datos recolectados fueron exportados en un archivo de Excel que incluía información sobre la posición geográfica, niveles de decibeles y otras variables asociadas. Posteriormente, los datos fueron procesados y analizados en R, donde se desarrollaron diferentes códigos para la generación de mapas, gráficos, tablas comparativas y análisis estadísticos que permitieron identificar el edificio más ruidoso.
Con el fin de asignar las mediciones a cada edificio, se creó un archivo adicional en Excel que contenía los centroides de los edificios y se definió un área de influencia alrededor de estos.
Es importante aclarar que, aunque los códigos aplicados variaron entre los tres estudiantes, los resultados y objetivos fueron comparables entre sí. En esta sección se presentan los códigos empleados por los 3 estudiantes. Previamente, se realizó una depuración y organización de las bases de datos, eliminando valores en blanco y unificando las escalas de medición. Finalmente, se elaboró el siguiente código, cuyo propósito fue mapear y visualizar los datos de manera más precisa.
library(readxl)
Muestra_1 <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/Muestra 1.xlsx")
coordenadas_edificios <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/coordenadas_edificios.xlsx")
require(leaflet)
leaflet()%>% addTiles()%>% addCircleMarkers(lng=Muestra_1$Longitude ,lat= Muestra_1$Latitude ,label = Muestra_1$`1:Measurement_Value`
)require(raster)
require(sp)
crs_oficial_colombia <- CRS("+init=epsg:4686")
sonido_espacial=SpatialPointsDataFrame(coords = Muestra_1[,5:4],
data = Muestra_1,proj4string = crs_oficial_colombia)
require(mapview)
mapview(sonido_espacial)coordenadas_edificios=data.frame(coordenadas_edificios)
edificio_espacial=SpatialPointsDataFrame(coords = coordenadas_edificios[,3:2],
data = coordenadas_edificios,proj4string = crs_oficial_colombia)
require(mapview)
mapview(edificio_espacial)area=buffer(edificio_espacial, 20, dissolve=F)
sonido_espacial_final=intersect(sonido_espacial,area)
require(rio)
#export(sonido_espacial_final@data, file= "C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datosgabo1xlsx")El código anterior genera como resultado tres mapas y un archivo de Excel que contiene los datos de decibeles asociados a cada edificio. Los mapas muestran, respectivamente: la distribución espacial de los niveles de decibeles por posición geográfica, la cantidad de datos por edificio (sin valores de dB) y la delimitación de los edificios junto con sus áreas de influencia.
Posteriormente, se utilizó el archivo de Excel generado para construir tablas que permitieran analizar qué edificio presenta los niveles de ruido más altos y, en consecuencia, identificar cuáles generan mayor contaminación auditiva. El código empleado para este análisis fue el siguiente:
#Muestra 1
datosgabo1 <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datosgabo1.xlsx")
sonido <- datosgabo1$`X1:Measurement_Value`
edificio <- datosgabo1$Edificio
datosgabo1_ok=data.frame(sonido,edificio)
##exploración
require(table1)
require(ggplot2)
table1(~sonido|edificio,data=datosgabo1_ok, transpose = TRUE)| sonido | |
|---|---|
| acacias (N=48) |
: Mean (SD): 59.1 (2.81) Median [Min, Max]: 58.9 [52.9, 65.9] |
| almendros (N=38) |
: Mean (SD): 65.6 (5.08) Median [Min, Max]: 64.7 [56.8, 82.1] |
| cedro_rosado (N=108) |
: Mean (SD): 62.9 (4.70) Median [Min, Max]: 61.9 [55.6, 79.1] |
| educacion_continua (N=26) |
: Mean (SD): 60.8 (3.11) Median [Min, Max]: 61.1 [55.6, 66.1] |
| guaduales (N=65) |
: Mean (SD): 58.9 (3.69) Median [Min, Max]: 58.3 [52.5, 70.0] |
| guayacanes (N=92) |
: Mean (SD): 59.5 (3.04) Median [Min, Max]: 59.2 [53.3, 75.8] |
| lagos (N=37) |
: Mean (SD): 64.2 (6.31) Median [Min, Max]: 62.2 [55.3, 77.8] |
| palmas (N=73) |
: Mean (SD): 58.4 (4.07) Median [Min, Max]: 57.8 [52.2, 75.9] |
| raul_posada (N=66) |
: Mean (SD): 64.6 (5.23) Median [Min, Max]: 63.0 [55.7, 78.1] |
| saman (N=5) |
: Mean (SD): 67.2 (4.02) Median [Min, Max]: 69.3 [62.3, 71.1] |
| Overall (N=558) |
: Mean (SD): 61.4 (4.98) Median [Min, Max]: 60.3 [52.2, 82.1] |
ggplot(datosgabo1_ok,aes(x=edificio,y=sonido,fill=edificio))+geom_boxplot()+theme_bw()+ theme(axis.text.x = element_text(angle = 45, hjust = 1))
##confirmatoria-modelo
mod=lm(sonido~edificio,data=datosgabo1_ok)
summary(mod)##
## Call:
## lm(formula = sonido ~ edificio, data = datosgabo1_ok)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.930 -2.898 -0.613 2.126 17.454
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 59.0957 0.6198 95.345 < 2e-16 ***
## edificioalmendros 6.4879 0.9324 6.958 9.88e-12 ***
## edificiocedro_rosado 3.8434 0.7449 5.159 3.47e-07 ***
## edificioeducacion_continua 1.7418 1.0457 1.666 0.0963 .
## edificioguaduales -0.1823 0.8172 -0.223 0.8236
## edificioguayacanes 0.3915 0.7646 0.512 0.6088
## edificiolagos 5.0603 0.9394 5.387 1.07e-07 ***
## edificiopalmas -0.6728 0.7980 -0.843 0.3995
## edificioraul_posada 5.5396 0.8146 6.801 2.73e-11 ***
## edificiosaman 8.1029 2.0180 4.015 6.76e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.294 on 548 degrees of freedom
## Multiple R-squared: 0.2685, Adjusted R-squared: 0.2565
## F-statistic: 22.35 on 9 and 548 DF, p-value: < 2.2e-16require(agricolae)
compara=LSD.test(mod,"edificio")
par(mar=c(12,4,4,2))
bar.group(compara$groups,ylim=c(0,90), las=2 , ex.names=0.7)
Este código genera dos gráficos, una tabla y un modelo (expresado en tabla). La tabla presenta los resultados de media, mediana y número total de datos por edificio, mientras que los gráficos muestran la comparación de los niveles de ruido, ordenados de mayor a menor.
El procedimiento se repitió con las dos muestras restantes, y posteriormente los resultados se integraron en una sola tabla para realizar el análisis final.
Por su parte, el modelo lineal muestra el nivel de significancia de las diferencias entre edificios, tomando como referencia el primero en orden alfabético (en este caso, Acacias). La significancia se representa con asteriscos (*), de modo que, a mayor número de asteriscos, mayor es la relevancia estadística de la diferencia observada. # Muestra 2
datos_lina<- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datos_lina.xlsx")
sonido <- as.numeric(gsub(",", ".", datos_lina$`X1:Measurement_Value`))
edificio <- as.factor(datos_lina$Edificio)
datoslina1_ok = data.frame(sonido, edificio)
## exploración
library(table1)
library(ggplot2)
table1(~sonido | edificio, data=datoslina1_ok, transpose = TRUE)| sonido | |
|---|---|
| acacias (N=44) |
: Mean (SD): 76.0 (1.82) Median [Min, Max]: 76.0 [73.0, 80.0] |
| almendros (N=29) |
: Mean (SD): 76.5 (2.03) Median [Min, Max]: 76.0 [71.0, 80.0] |
| cedro_rosado (N=32) |
: Mean (SD): 71.3 (3.81) Median [Min, Max]: 70.0 [64.0, 82.0] |
| educacion_continua (N=42) |
: Mean (SD): 79.0 (3.58) Median [Min, Max]: 80.0 [71.0, 85.0] |
| guaduales (N=96) |
: Mean (SD): 74.4 (4.07) Median [Min, Max]: 74.0 [66.0, 84.0] |
| guayacanes (N=35) |
: Mean (SD): 75.1 (2.16) Median [Min, Max]: 75.0 [69.0, 82.0] |
| lagos (N=21) |
: Mean (SD): 76.0 (2.30) Median [Min, Max]: 76.0 [72.0, 80.0] |
| palmas (N=2) |
: Mean (SD): 81.0 (0) Median [Min, Max]: 81.0 [81.0, 81.0] |
| raul_posada (N=52) |
: Mean (SD): 78.3 (2.78) Median [Min, Max]: 78.0 [71.0, 85.0] |
| Overall (N=353) |
: Mean (SD): 75.8 (3.83) Median [Min, Max]: 76.0 [64.0, 85.0] |
ggplot(datoslina1_ok, aes(x=edificio, y=sonido, fill=edificio)) +
geom_boxplot() +
theme_bw()+ theme(axis.text.x = element_text(angle = 45, hjust = 1))
## confirmatoria - modelo
mod = lm(sonido ~ edificio, data=datoslina1_ok)
summary(mod)##
## Call:
## lm(formula = sonido ~ edificio, data = datoslina1_ok)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.3542 -2.0857 -0.3077 1.6923 10.6875
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 75.95455 0.47837 158.777 < 2e-16 ***
## edificioalmendros 0.52821 0.75898 0.696 0.486926
## edificiocedro_rosado -4.64205 0.73722 -6.297 9.28e-10 ***
## edificioeducacion_continua 3.09307 0.68453 4.519 8.57e-06 ***
## edificioguaduales -1.60038 0.57769 -2.770 0.005904 **
## edificioguayacanes -0.86883 0.71869 -1.209 0.227531
## edificiolagos 0.04545 0.84161 0.054 0.956959
## edificiopalmas 5.04545 2.29419 2.199 0.028526 *
## edificioraul_posada 2.35315 0.64998 3.620 0.000338 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.173 on 344 degrees of freedom
## Multiple R-squared: 0.3295, Adjusted R-squared: 0.3139
## F-statistic: 21.13 on 8 and 344 DF, p-value: < 2.2e-16library(agricolae)
compara = LSD.test(mod, "edificio")
par(mar=c(12,4,4,2))
bar.group(compara$groups,ylim=c(0,90), las=2 , ex.names=0.7)
Muestra 3
| sonido | |
|---|---|
| acacias (N=44) |
: Mean (SD): 60.6 (2.10) Median [Min, Max]: 60.6 [57.1, 66.6] |
| almendros (N=45) |
: Mean (SD): 64.8 (3.20) Median [Min, Max]: 64.8 [58.2, 70.1] |
| cedro_rosado (N=33) |
: Mean (SD): 58.0 (2.45) Median [Min, Max]: 57.9 [54.0, 68.2] |
| educacion_continua (N=33) |
: Mean (SD): 65.4 (3.29) Median [Min, Max]: 65.3 [59.8, 70.9] |
| guaduales (N=75) |
: Mean (SD): 60.2 (3.98) Median [Min, Max]: 59.0 [54.7, 71.7] |
| guayacanes (N=55) |
: Mean (SD): 60.5 (4.36) Median [Min, Max]: 60.3 [53.5, 72.2] |
| lagos (N=39) |
: Mean (SD): 58.8 (2.93) Median [Min, Max]: 58.6 [52.3, 67.2] |
| palmas (N=2) |
: Mean (SD): 72.0 (17.2) Median [Min, Max]: 72.0 [59.8, 84.1] |
| raul_posada (N=54) |
: Mean (SD): 64.7 (4.19) Median [Min, Max]: 64.7 [57.3, 74.5] |
| saman (N=4) |
: Mean (SD): 61.5 (1.49) Median [Min, Max]: 61.5 [59.6, 63.2] |
| Overall (N=384) |
: Mean (SD): 61.7 (4.46) Median [Min, Max]: 60.9 [52.3, 84.1] |
##
## Call:
## lm(formula = sonido ~ Edificio, data = datossofi1_ok)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.1441 -2.3532 -0.2054 1.8927 12.1441
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 60.6498 0.5476 110.765 < 2e-16 ***
## Edificioalmendros 4.1260 0.7700 5.358 1.47e-07 ***
## Edificiocedro_rosado -2.6808 0.8364 -3.205 0.00147 **
## Edificioeducacion_continua 4.7943 0.8364 5.732 2.05e-08 ***
## Edificioguaduales -0.4819 0.6897 -0.699 0.48522
## Edificioguayacanes -0.1069 0.7346 -0.145 0.88443
## Edificiolagos -1.8966 0.7988 -2.374 0.01808 *
## Edificiopalmas 11.3237 2.6260 4.312 2.07e-05 ***
## Edificioraul_posada 4.0808 0.7376 5.532 5.95e-08 ***
## Edificiosaman 0.8194 1.8968 0.432 0.66600
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.632 on 374 degrees of freedom
## Multiple R-squared: 0.3529, Adjusted R-squared: 0.3374
## F-statistic: 22.67 on 9 and 374 DF, p-value: < 2.2e-16
Y a continuación la suma de los 3 datos:
Muestra Final
library(readxl)
library(dplyr)
library(ggplot2)
library(table1)
library(agricolae)
# Cargar las tres muestras
datosgabo1 <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datosgabo1.xlsx")
datos_lina <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datos_lina.xlsx")
datos_sofi <- read_excel("C:/Users/gabri/OneDrive/Documents/Universidad/Quinto Semestre/Bioestadistica/Muestra 1/datos_sofi.xlsx")
datosgabo1 <- datosgabo1 %>%
rename(sonido = `X1:Measurement_Value`, edificio = Edificio) %>%
mutate(sonido = as.numeric(sonido),
fuente = "Gabriel")
datos_lina <- datos_lina %>%
rename(sonido = `X1:Measurement_Value`, edificio = Edificio) %>%
mutate(sonido = as.numeric(gsub(",", ".", sonido)),
fuente = "Lina")
datos_sofi <- datos_sofi %>%
rename(sonido = sonido, edificio = Edificio) %>%
mutate(fuente = "Sofía")
datos_todos <- bind_rows(datosgabo1, datos_lina, datos_sofi)
table1(~sonido | edificio, data=datos_todos, transpose = TRUE)| sonido | |
|---|---|
| acacias (N=136) |
: Mean (SD): 65.1 (7.93) Median [Min, Max]: 61.5 [52.9, 80.0] |
| almendros (N=112) |
: Mean (SD): 68.1 (6.22) Median [Min, Max]: 66.7 [56.8, 82.1] |
| cedro_rosado (N=173) |
: Mean (SD): 63.5 (5.90) Median [Min, Max]: 61.9 [54.0, 82.0] |
| educacion_continua (N=101) |
: Mean (SD): 69.9 (8.61) Median [Min, Max]: 67.7 [55.6, 85.0] |
| guaduales (N=236) |
: Mean (SD): 65.6 (8.28) Median [Min, Max]: 63.7 [52.5, 84.0] |
| guayacanes (N=182) |
: Mean (SD): 62.8 (6.89) Median [Min, Max]: 60.4 [53.3, 82.0] |
| lagos (N=97) |
: Mean (SD): 64.5 (7.86) Median [Min, Max]: 61.7 [52.3, 80.0] |
| palmas (N=77) |
: Mean (SD): 59.4 (6.08) Median [Min, Max]: 57.9 [52.2, 84.1] |
| raul_posada (N=172) |
: Mean (SD): 68.8 (7.59) Median [Min, Max]: 68.3 [55.7, 85.0] |
| saman (N=9) |
: Mean (SD): 64.7 (4.25) Median [Min, Max]: 63.2 [59.6, 71.1] |
| Overall (N=1295) |
: Mean (SD): 65.4 (7.82) Median [Min, Max]: 62.9 [52.2, 85.0] |
ggplot(datos_todos, aes(x=edificio, y=sonido, fill=edificio)) +
geom_boxplot() +
theme_bw() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
mod_total <- lm(sonido ~ edificio, data=datos_todos)
compara_total <- LSD.test(mod_total, "edificio")
summary(mod_total)##
## Call:
## lm(formula = sonido ~ edificio, data = datos_todos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.310 -5.619 -2.177 6.407 24.756
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 65.0529 0.6311 103.071 < 2e-16 ***
## edificioalmendros 3.0283 0.9392 3.224 0.00129 **
## edificiocedro_rosado -1.5129 0.8435 -1.794 0.07310 .
## edificioeducacion_continua 4.8623 0.9668 5.029 5.62e-07 ***
## edificioguaduales 0.5403 0.7924 0.682 0.49550
## edificioguayacanes -2.2468 0.8343 -2.693 0.00717 **
## edificiolagos -0.5049 0.9782 -0.516 0.60581
## edificiopalmas -5.6916 1.0497 -5.422 7.03e-08 ***
## edificioraul_posada 3.7459 0.8446 4.435 9.98e-06 ***
## edificiosaman -0.4006 2.5333 -0.158 0.87437
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.36 on 1285 degrees of freedom
## Multiple R-squared: 0.121, Adjusted R-squared: 0.1148
## F-statistic: 19.65 on 9 and 1285 DF, p-value: < 2.2e-16par(mar=c(12,4,4,2))
bar.group(compara_total$groups, ylim=c(0,90), las=2, cex.names=0.7)
Resultados
Según los datos obtenidos en las tres muestras, los edificios con los niveles de ruido más altos son Educación Continiua ,Raúl Posada y Almendros, mientras que el que presentó menores niveles fue Palmas. El resto de edificios mostraron valores intermedios. Sin embargo, cabe resaltar que incluso en el edificio Palmas se registraron picos de hasta 80 dB.
Según el diagrama de cajas, los edificios Educación Continua ,Raúl Posada, Lagos y Educación Continua presentan una alta variabilidad en sus registros, mientras que Samán y Cedro Rosado muestran distribuciones más homogéneas. Por su parte, Guayacanes y Palmas presentan la mayor cantidad de datos atípicos, que corresponden a picos de ruido aislados pero de gran relevancia.
El modelo confirma los resultados previos, indicando que los edificios con mayor nivel de ruido son Raúl Posada y Educación Continua, ambos con una alta significancia estadística ( *** ). En contraste, el edificio Palmas presentó los niveles de ruido más bajos y, además, mostró la mayor significancia en la diferencia respecto a la referencia, lo que refuerza su condición de ser el menos ruidoso. Asimismo, el edificio Guayacanes también evidenció niveles de ruido más bajos en comparación con los demás, aunque con una significancia moderada ( ** ), menor que la de Palmas. Por otro lado, el edificio Almendros presentó niveles de ruido más altos que la referencia, pero con una significancia intermedia ( ** ), menor a la observada en Raúl Posada y Educación Continua.
Es importante resaltar que, dado que el modelo utiliza como referencia al edificio Acacias, no es posible compararlo directamente con los demás en la tabla de coeficientes. Por esta razón, aunque el modelo aporta información valiosa sobre las diferencias y su significancia estadística, no resulta del todo confiable para establecer conclusiones absolutas.En este sentido, se recomienda interpretar los resultados del modelo en conjunto con la tabla descriptiva de medias, medianas y totales y con el gráfico de cajas, ya que estas herramientas permiten una visión más completa y comparativa del comportamiento del ruido en todos los edificios.
La media general del campus se aproxima a los 65 dB, valor que ya se encuentra dentro del rango que la OMS considera como contaminación auditiva. La mayoría de edificios alcanzan picos de hasta 80 dB. En promedio, los edificios con mayor media y mediana fueron Educación Continua (69.9 dB) y Raúl Posada (68.8 dB), mientras que el de menor media fue Palmas (59.4 dB).
Discusión
El promedio general del campus resulta preocupante, pues ya se considera un riesgo para la salud. Además, la presencia de picos superiores a 85 dB y edificios con medias cercanas a 70 dB reflejan la necesidad urgente de tomar medidas para proteger el bienestar de estudiantes y trabajadores. Todos los edificios superan en algún momento los 65 dB, lo que indica que todos deben ser intervenidos para prevenir daños permanentes en la salud de transeúntes y usuarios frecuentes de las instalaciones.
Existen también diferencias notorias en la cantidad de datos recolectados entre edificios. Samán cuenta solo con 9 registros, mientras que Raúl Posada y Guaduales tienen 172 y 236, respectivamente. Que un edificio tan pequeño como Guaduales concentre tantos datos resulta llamativo y podría estar relacionado con un error en la ubicación de los centroides al definir las zonas de influencia. Además, su proximidad con Samán, Lagos y Acacias sugiere que parte del ruido registrado podría provenir de edificios vecinos y no del propio Guaduales. En contraste, Samán —uno de los edificios más grandes— presenta muy pocos registros, lo que refuerza la posibilidad de que algunos datos hayan sido atribuidos incorrectamente a Guaduales o Almendros. De hecho, en la muestra 2 ni siquiera aparecen registros de Samán. Para futuros estudios será necesario revisar con mayor detalle la delimitación de los centroides de los edificios, a fin de obtener datos más representativos y precisos.
A pesar de estos hallazgos, el alcance de este estudio no permite identificar con certeza las causas específicas del ruido. No obstante, es probable que factores como el tráfico vehicular en los accesos al campus, las obras de construcción cercanas, las aglomeraciones estudiantiles y las actividades administrativas o académicas propias de cada edificio influyan en los niveles registrados. Para confirmar estas hipótesis, serían necesarias mediciones más detalladas que integren variables como el horario de recolección, la intensidad de tránsito peatonal y vehicular, así como la proximidad de fuentes externas de ruido. De esta manera, se podrían diseñar estrategias de mitigación más precisas y efectivas.
Conclusión
Es fundamental identificar las fuentes del ruido para implementar medidas efectivas, tales como el aislamiento acústico, la regulación de horarios para actividades ruidosas, la creación de más zonas verdes que funcionen como barreras naturales y la educación de la comunidad universitaria para generar conciencia sobre la problemática y promover la corresponsabilidad en su solución. No obstante, los resultados evidencian la necesidad de tomar acciones prioritarias en edificios como Almendros , Educación Continua y Raúl Posada, mientras que el edificio de menor preocupación es Palmas.
Finalmente, las diferencias en el número de observaciones constituyen una limitación importante para la interpretación de los resultados y deben ser consideradas en futuros análisis, ya que este desbalance afecta la representatividad y precisión del estudio.
Bibliografia
Organización Mundial de la Salud. (2022). Norma mundial para la escucha segura en lugares y eventos de entretenimiento. OMS. https://www.who.int/es/news/item/02-03-2022-who-releases-new-standard-to-tackle-rising-threat-of-hearing-loss