0.- carga de librerías

# carga de librerías

library(gt)
library(dplyr)
library(e1071)

1.- carga de datos

# carga de datos

datos <- read.csv(
  "C:/Users/JOSELYN/Documents/UNIVERSIDAD 3-4 SEMESTRE/ESTADISTICA/MAPA QGIS/Datos Cambiados.csv",
  header = TRUE,
  dec = ".",
  sep = ","
)

2.- selección de variable

# selección de la variable NO

NO <- datos$NO[datos$NO != "-"]

# conversión a numérico
NO <- as.numeric(NO)

3.- frecuencia

# frecuencias para NO

# tamaño de muestra
n <- length(NO)

# valor mínimo y máximo
min_NO <- min(NO, na.rm = TRUE)
max_NO <- max(NO, na.rm = TRUE)

# rango
R <- max_NO - min_NO

# número de intervalos
# se conserva el cálculo funcional del código original de NO
k_detallado <- floor(1 + (3.3 * log(n)))

# amplitud de clase
A <- R / k_detallado

# mostrar resultados
cat("Número de intervalos (k):", k_detallado, "\n")

## Número de intervalos (k): 34

cat("Amplitud de clase:", A, "\n")

## Amplitud de clase: 11.49

# generación de límites de intervalos
Li <- seq(
  from = min_NO,
  to = max_NO - A,
  by = A
)

Ls <- c(
  seq(
    from = min_NO + A,
    to = max_NO - A,
    by = A
  ),
  max_NO
)

# marcas de clase
MC <- (Li + Ls) / 2

# frecuencias absolutas
ni <- numeric(length(Li))

for (i in 1:length(Li)) {

  if (i < length(Li)) {

    ni[i] <- sum(
      NO >= Li[i] & NO < Ls[i],
      na.rm = TRUE
    )

  } else {

    ni[i] <- sum(
      NO >= Li[i] & NO <= Ls[i],
      na.rm = TRUE
    )
  }
}

# frecuencias relativas y acumuladas
N <- sum(ni)

hi <- (ni / N) * 100

Ni_asc <- cumsum(ni)
Ni_desc <- rev(cumsum(rev(ni)))

Hi_asc <- cumsum(hi)
Hi_desc <- rev(cumsum(rev(hi)))

# intervalos
Intervalo <- paste0(
  "[",
  round(Li, 2),
  " - ",
  round(Ls, 2),
  ")"
)

# último intervalo cerrado
Intervalo[length(Intervalo)] <- paste0(
  "[",
  round(Li[length(Li)], 2),
  " - ",
  round(Ls[length(Ls)], 2),
  "]"
)

# tabla de distribución de frecuencias
TDF_NO <- data.frame(
  Intervalo = Intervalo,
  MC = round(MC, 2),
  ni = ni,
  hi = round(hi, 2),
  Ni_ascendente = Ni_asc,
  Ni_descendente = Ni_desc,
  Hi_ascendente = round(Hi_asc, 2),
  Hi_descendente = round(Hi_desc, 2)
)

# fila de totales
totales <- data.frame(
  Intervalo = "Totales",
  MC = "-",
  ni = sum(ni),
  hi = round(sum(hi), 2),
  Ni_ascendente = "-",
  Ni_descendente = "-",
  Hi_ascendente = "-",
  Hi_descendente = "-"
)

# tabla completa
TDF_NO_completa <- rbind(
  TDF_NO,
  totales
)

4.- tabla de distribución de frecuencia

tabla con regla de Sturges

# tabla de frecuencias detallada

TDF_NO_completa %>%
  gt() %>%

  tab_header(
    title = "Tabla Nro. 1",
    subtitle = "Distribución de frecuencia de concentración de Monóxido de Nitrógeno (NO), estudio calidad del aire en India entre 2015-2020"
  ) %>%

  tab_source_note(
    source_note = md(
      "Grupo: 1 <br> Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india"
    )
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "left",
      color = "black",
      weight = px(2)
    ),
    locations = cells_body()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "right",
      color = "black",
      weight = px(2)
    ),
    locations = cells_body()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "left",
      color = "black",
      weight = px(2)
    ),
    locations = cells_column_labels()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "right",
      color = "black",
      weight = px(2)
    ),
    locations = cells_column_labels()
  ) %>%

  tab_options(
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    table.border.top.style = "solid",
    table.border.bottom.style = "solid",
    column_labels.border.top.color = "black",
    column_labels.border.bottom.color = "black",
    column_labels.border.bottom.width = px(2),
    row.striping.include_table_body = TRUE,
    heading.border.bottom.color = "black",
    heading.border.bottom.width = px(2),
    table_body.hlines.color = "gray",
    table_body.border.bottom.color = "black"
  )

Intervalo	MC	ni	hi	Ni_ascendente	Ni_descendente	Hi_ascendente	Hi_descendente
Tabla Nro. 1
Distribución de frecuencia de concentración de Monóxido de Nitrógeno (NO), estudio calidad del aire en India entre 2015-2020
[0.02 - 11.51)	5.76	14740	56.80	14740	25949	56.8	100
[11.51 - 23)	17.25	5622	21.67	20362	11209	78.47	43.2
[23 - 34.49)	28.75	2369	9.13	22731	5587	87.6	21.53
[34.49 - 45.98)	40.24	1115	4.30	23846	3218	91.9	12.4
[45.98 - 57.47)	51.73	637	2.45	24483	2103	94.35	8.1
[57.47 - 68.96)	63.22	445	1.71	24928	1466	96.07	5.65
[68.96 - 80.45)	74.7	302	1.16	25230	1021	97.23	3.93
[80.45 - 91.94)	86.2	223	0.86	25453	719	98.09	2.77
[91.94 - 103.43)	97.68	138	0.53	25591	496	98.62	1.91
[103.43 - 114.92)	109.17	93	0.36	25684	358	98.98	1.38
[114.92 - 126.41)	120.67	82	0.32	25766	265	99.29	1.02
[126.41 - 137.9)	132.16	59	0.23	25825	183	99.52	0.71
[137.9 - 149.39)	143.64	31	0.12	25856	124	99.64	0.48
[149.39 - 160.88)	155.14	33	0.13	25889	93	99.77	0.36
[160.88 - 172.37)	166.62	14	0.05	25903	60	99.82	0.23
[172.37 - 183.86)	178.12	11	0.04	25914	46	99.87	0.18
[183.86 - 195.35)	189.61	6	0.02	25920	35	99.89	0.13
[195.35 - 206.84)	201.1	8	0.03	25928	29	99.92	0.11
[206.84 - 218.33)	212.58	4	0.02	25932	21	99.93	0.08
[218.33 - 229.82)	224.07	5	0.02	25937	17	99.95	0.07
[229.82 - 241.31)	235.56	0	0.00	25937	12	99.95	0.05
[241.31 - 252.8)	247.06	1	0.00	25938	12	99.96	0.05
[252.8 - 264.29)	258.54	0	0.00	25938	11	99.96	0.04
[264.29 - 275.78)	270.03	4	0.02	25942	11	99.97	0.04
[275.78 - 287.27)	281.52	1	0.00	25943	7	99.98	0.03
[287.27 - 298.76)	293.02	2	0.01	25945	6	99.98	0.02
[298.76 - 310.25)	304.5	1	0.00	25946	4	99.99	0.02
[310.25 - 321.74)	316	0	0.00	25946	3	99.99	0.01
[321.74 - 333.23)	327.48	0	0.00	25946	3	99.99	0.01
[333.23 - 344.72)	338.97	0	0.00	25946	3	99.99	0.01
[344.72 - 356.21)	350.46	1	0.00	25947	3	99.99	0.01
[356.21 - 367.7)	361.96	0	0.00	25947	2	99.99	0.01
[367.7 - 379.19)	373.44	0	0.00	25947	2	99.99	0.01
[379.19 - 390.68]	384.94	2	0.01	25949	2	100	0.01
Totales	-	25949	100.00	-	-	-	-
Grupo: 1 Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india

tabla de intervalos reducidos

# por una gran cantidad de intervalos se realiza una reducción
# en la tabla Nro. 2, creando solamente 10 intervalos

k_tabla2 <- 10

# amplitud para conservar los intervalos funcionales del código de NO
A2 <- ceiling(R / k_tabla2)

# nuevos límites
Li2 <- seq(
  from = floor(min_NO),
  by = A2,
  length.out = k_tabla2
)

Ls2 <- seq(
  from = floor(min_NO) + A2,
  by = A2,
  length.out = k_tabla2
)

# marcas de clase
MC2 <- (Li2 + Ls2) / 2

# frecuencias absolutas
ni2 <- numeric(length(Li2))

for (i in 1:length(Li2)) {

  if (i < length(Li2)) {

    ni2[i] <- sum(
      NO >= Li2[i] & NO < Ls2[i],
      na.rm = TRUE
    )

  } else {

    ni2[i] <- sum(
      NO >= Li2[i] & NO <= Ls2[i],
      na.rm = TRUE
    )
  }
}

# frecuencias relativas y acumuladas
N2 <- sum(ni2)

hi2 <- (ni2 / N2) * 100

Ni2_asc <- cumsum(ni2)
Ni2_desc <- rev(cumsum(rev(ni2)))

Hi2_asc <- cumsum(hi2)
Hi2_desc <- rev(cumsum(rev(hi2)))

# intervalos
Intervalo2 <- paste0(
  "[",
  round(Li2, 2),
  " - ",
  round(Ls2, 2),
  ")"
)

# último intervalo cerrado
Intervalo2[length(Intervalo2)] <- paste0(
  "[",
  round(Li2[length(Li2)], 2),
  " - ",
  round(Ls2[length(Ls2)], 2),
  "]"
)

# tabla 2
TDF_NO_10 <- data.frame(
  Intervalo = Intervalo2,
  MC = round(MC2, 2),
  ni = ni2,
  hi = round(hi2, 2),
  Ni_ascendente = Ni2_asc,
  Ni_descendente = Ni2_desc,
  Hi_ascendente = round(Hi2_asc, 2),
  Hi_descendente = round(Hi2_desc, 2)
)

# totales
totales2 <- data.frame(
  Intervalo = "Totales",
  MC = "-",
  ni = sum(ni2),
  hi = round(sum(hi2), 2),
  Ni_ascendente = "-",
  Ni_descendente = "-",
  Hi_ascendente = "-",
  Hi_descendente = "-"
)

TDF_NO_10_completa <- rbind(
  TDF_NO_10,
  totales2
)

# tabla 2: distribución de frecuencias de NO con 10 intervalos
TDF_NO_10_completa %>%
  gt() %>%

  tab_header(
    title = "Tabla Nro. 2",
    subtitle = "Distribución de frecuencia de concentración de Monóxido de Nitrógeno (NO), estudio calidad del aire en India entre 2015-2020"
  ) %>%

  tab_source_note(
    source_note = md(
      "Grupo: 1 <br> Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india"
    )
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "left",
      color = "black",
      weight = px(2)
    ),
    locations = cells_body()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "right",
      color = "black",
      weight = px(2)
    ),
    locations = cells_body()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "left",
      color = "black",
      weight = px(2)
    ),
    locations = cells_column_labels()
  ) %>%

  tab_style(
    style = cell_borders(
      sides = "right",
      color = "black",
      weight = px(2)
    ),
    locations = cells_column_labels()
  ) %>%

  tab_options(
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    table.border.top.style = "solid",
    table.border.bottom.style = "solid",
    column_labels.border.top.color = "black",
    column_labels.border.bottom.color = "black",
    column_labels.border.bottom.width = px(2),
    row.striping.include_table_body = TRUE,
    heading.border.bottom.color = "black",
    heading.border.bottom.width = px(2),
    table_body.hlines.color = "gray",
    table_body.border.bottom.color = "black"
  )

Intervalo	MC	ni	hi	Ni_ascendente	Ni_descendente	Hi_ascendente	Hi_descendente
Tabla Nro. 2
Distribución de frecuencia de concentración de Monóxido de Nitrógeno (NO), estudio calidad del aire en India entre 2015-2020
[0 - 40)	20	23347	89.97	23347	25949	89.97	100
[40 - 80)	60	1867	7.19	25214	2602	97.17	10.03
[80 - 120)	100	506	1.95	25720	735	99.12	2.83
[120 - 160)	140	169	0.65	25889	229	99.77	0.88
[160 - 200)	180	37	0.14	25926	60	99.91	0.23
[200 - 240)	220	11	0.04	25937	23	99.95	0.09
[240 - 280)	260	5	0.02	25942	12	99.97	0.05
[280 - 320)	300	4	0.02	25946	7	99.99	0.03
[320 - 360)	340	1	0.00	25947	3	99.99	0.01
[360 - 400]	380	2	0.01	25949	2	100	0.01
Totales	-	25949	100.00	-	-	-	-
Grupo: 1 Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india

5.- gráficos de distribución de frecuencia

histogramas de cantidad

# histograma que genera RStudio

Histograma_NO <- hist(
  NO,
  breaks = 13,
  plot = FALSE
)

hist(
  NO,
  breaks = 13,
  main = "Gráfica Nro.1 de distribución de frecuencias de concentración de NO\nen el estudio calidad del aire en India de 2015-2020",
  xlab = "NO (µg/m³)",
  ylab = "Cantidad",
  ylim = c(0, max(Histograma_NO$counts)),
  col = "darkseagreen3",
  cex.main = 0.9,
  cex.lab = 1,
  cex.axis = 0.9,
  xaxt = "n"
)

axis(
  1,
  at = Histograma_NO$breaks,
  labels = round(Histograma_NO$breaks, 0),
  las = 1,
  cex.axis = 0.9
)

grid()

# histograma con relación a la totalidad de los datos

Histograma_NO <- hist(
  NO,
  breaks = 13,
  plot = FALSE
)

par(mgp = c(3.2, 1, 0))

techo_total <- ceiling(n / 5000) * 5000

hist(
  NO,
  breaks = 13,
  main = "Gráfica Nro.2 de distribución de frecuencias de concentración de NO\nen el estudio calidad del aire en India de 2015-2020",
  xlab = "NO (µg/m³)",
  ylab = "Cantidad",
  ylim = c(0, techo_total),
  col = "darkseagreen3",
  cex.main = 0.9,
  cex.lab = 1,
  cex.axis = 0.9,
  xaxt = "n",
  yaxt = "n"
)

# eje X
axis(
  1,
  at = Histograma_NO$breaks,
  labels = round(Histograma_NO$breaks, 0),
  las = 1,
  cex.axis = 0.9
)

# eje Y
axis(
  2,
  at = seq(0, techo_total, by = 5000),
  labels = seq(0, techo_total, by = 5000),
  las = 1,
  cex.axis = 0.9
)

grid()

histogramas porcentuales

# histograma porcentual que genera RStudio

bp <- barplot(
  hi2,
  space = 0,
  names.arg = FALSE,
  xaxt = "n",
  main = "Gráfica Nro.3 de distribución porcentual de NO\nen el estudio calidad del aire en India de 2015-2020",
  xlab = "NO (µg/m³)",
  ylab = "Porcentaje (%)",
  col = "darkseagreen3",
  border = "black",
  ylim = c(0, max(hi2) + 5),
  cex.main = 0.9,
  cex.lab = 1,
  cex.axis = 0.9
)

# bordes de las barras
bordes <- c(
  bp[1] - 0.5,
  bp + 0.5
)

eje_x_max <- ceiling(max_NO / 100) * 100
etiquetas_x <- seq(0, eje_x_max, by = 100)

axis(
  1,
  at = seq(
    min(bordes),
    max(bordes),
    length.out = length(etiquetas_x)
  ),
  labels = etiquetas_x,
  las = 1,
  tck = -0.03
)

grid()

# histograma con relación a la totalidad porcentualmente

bp <- barplot(
  hi2,
  space = 0,
  names.arg = FALSE,
  xaxt = "n",
  yaxt = "n",
  main = "Gráfica Nro.4 de distribución porcentual de NO\nen el estudio calidad del aire en India de 2015-2020",
  xlab = "NO (µg/m³)",
  ylab = "Porcentaje (%)",
  col = "darkseagreen3",
  border = "black",
  ylim = c(0, 100),
  cex.main = 0.9,
  cex.lab = 1,
  cex.axis = 0.9
)

# eje X
bordes <- c(
  bp[1] - 0.5,
  bp + 0.5
)

axis(
  1,
  at = seq(
    min(bordes),
    max(bordes),
    length.out = length(etiquetas_x)
  ),
  labels = etiquetas_x,
  las = 1,
  tck = -0.03
)

# eje Y
axis(
  2,
  at = seq(0, 100, by = 20),
  labels = paste0(seq(0, 100, by = 20)),
  las = 1
)

grid()

diagrama de caja y bigotes

# diagrama de caja y bigotes

boxplot(
  NO,
  horizontal = TRUE,
  xaxt = "n",
  yaxt = "n",
  main = "Gráfica Nro.5: Diagrama de caja de la concentración de NO\nen el estudio calidad del aire en India de 2015-2020",
  xlab = "NO (µg/m³)",
  col = "turquoise3",
  border = "black",
  cex.main = 0.9,
  cex.lab = 1,
  cex.axis = 0.9
)

# eje X personalizado
axis(
  1,
  at = seq(0, eje_x_max, by = 100),
  labels = seq(0, eje_x_max, by = 100),
  las = 1
)

grid()

diagrama de ojivas

# ojiva ascendente y descendente iniciada desde cero

x_ojiva <- c(
  0,
  Ls2
)

Ni2_asc_cero <- c(
  0,
  Ni2_asc
)

Ni2_desc_cero <- c(
  N2,
  Ni2_desc
)

plot(
  x_ojiva,
  Ni2_asc_cero,
  type = "b",
  pch = 16,
  col = "turquoise3",
  lwd = 1,
  ylim = c(0, N2),
  xlim = c(0, eje_x_max),
  xaxt = "n",
  xlab = "NO",
  ylab = "Cantidad",
  main = "Gráfica N°6: Ojiva ascendente y descendente de la\nconcentración de Monóxido de Nitrógeno (NO)",
  cex.main = 1
)

# eje X desde cero
axis(
  1,
  at = seq(0, eje_x_max, by = 100)
)

# ojiva descendente
lines(
  x_ojiva,
  Ni2_desc_cero,
  type = "b",
  pch = 16,
  col = "black",
  lwd = 1
)

grid()
box()

# ojiva porcentual ascendente y descendente iniciada desde cero

Hi2_asc_cero <- c(
  0,
  Hi2_asc
)

Hi2_desc_cero <- c(
  100,
  Hi2_desc
)

plot(
  x_ojiva,
  Hi2_asc_cero,
  type = "b",
  pch = 16,
  col = "turquoise3",
  lwd = 1,
  ylim = c(0, 100),
  xlim = c(0, eje_x_max),
  xaxt = "n",
  xlab = "NO",
  ylab = "Porcentaje (%)",
  main = "Gráfica N°7: Ojiva porcentual ascendente y descendente de la\nconcentración de Monóxido de Nitrógeno (NO)",
  cex.main = 1
)

# eje X desde cero
axis(
  1,
  at = seq(0, eje_x_max, by = 100)
)

# ojiva porcentual descendente
lines(
  x_ojiva,
  Hi2_desc_cero,
  type = "b",
  pch = 16,
  col = "black",
  lwd = 1
)

grid()
box()

6.- indicadores estadísticos

# cálculo previo de indicadores

X <- mean(NO, na.rm = TRUE)
Me <- median(NO, na.rm = TRUE)

# moda
moda_index <- which.max(
  TDF_NO_10_completa$ni[
    1:(nrow(TDF_NO_10_completa) - 1)
  ]
)

Mo <- TDF_NO_10_completa$Intervalo[moda_index]

# indicadores de dispersión
desv <- sd(NO, na.rm = TRUE)
CV <- (desv / X) * 100

# asimetría y curtosis
As <- skewness(NO, na.rm = TRUE)
K <- kurtosis(NO, na.rm = TRUE)

# creación del data frame
Tabla_indicadores <- data.frame(
  Variable = "NO",
  Rango = paste0(
    "[",
    round(min(NO, na.rm = TRUE), 2),
    " - ",
    round(max(NO, na.rm = TRUE), 2),
    "]"
  ),
  Media = X,
  Mediana = Me,
  Moda = Mo,
  DesvEst = desv,
  CV = CV,
  Asimetria = As,
  Curtosis = K
)

# visualización de la tabla
Tabla_indicadores %>%
  gt() %>%

  cols_label(
    Variable = "Variable",
    Rango = "Rango",
    Media = "Media (X)",
    Mediana = "Mediana (Me)",
    Moda = "Moda (Mo)",
    DesvEst = "Desv. Est. (sd)",
    CV = "CV (%)",
    Asimetria = "Asimetría (As)",
    Curtosis = "Curtosis (K)"
  ) %>%

  tab_header(
    title = "Tabla Nro. 3",
    subtitle = "Indicadores Estadísticos de la concentración de NO, estudio calidad del aire en India entre 2015-2020"
  ) %>%

  tab_source_note(
    source_note = "Autor: Grupo 1 | Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india"
  ) %>%

  tab_spanner(
    label = "Tendencia Central",
    columns = c(
      Media,
      Mediana,
      Moda
    )
  ) %>%

  tab_spanner(
    label = "Dispersión",
    columns = c(
      DesvEst,
      CV
    )
  ) %>%

  tab_spanner(
    label = "Forma",
    columns = c(
      Asimetria,
      Curtosis
    )
  ) %>%

  fmt_number(
    columns = c(
      Media,
      Mediana,
      DesvEst,
      CV,
      Asimetria,
      Curtosis
    ),
    decimals = 2
  ) %>%

  tab_style(
    style = cell_borders(
      sides = c(
        "left",
        "right",
        "top",
        "bottom"
      ),
      color = "black",
      weight = px(1)
    ),
    locations = list(
      cells_body(
        columns = everything(),
        rows = everything()
      ),
      cells_column_labels(
        columns = everything()
      ),
      cells_column_spanners(
        spanners = everything()
      )
    )
  ) %>%

  tab_options(
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    table.border.left.color = "black",
    table.border.right.color = "black",
    table_body.hlines.color = "black",
    table_body.vlines.color = "black",
    column_labels.border.bottom.width = px(2)
  )

Variable	Rango	Tendencia Central			Dispersión		Forma
Tabla Nro. 3
Indicadores Estadísticos de la concentración de NO, estudio calidad del aire en India entre 2015-2020
Variable	Rango	Media (X)	Mediana (Me)	Moda (Mo)	Desv. Est. (sd)	CV (%)	Asimetría (As)	Curtosis (K)
NO	[0.02 - 390.68]	17.57	9.89	[0 - 40)	22.79	129.65	3.88	25.16
Autor: Grupo 1 \| Fuente: https://www.kaggle.com/datasets/rohanrao/air-quality-data-in-india

7.- conclusión

# identificación de valores atípicos

atipicos_NO <- boxplot.stats(NO)$out

# conclusión con la misma estructura utilizada para NOx
texto_conclusion <- paste0(
  "La variable Monóxido de Nitrógeno (NO) fluctúa entre un mínimo de ",
  round(min(NO, na.rm = TRUE), 2),
  " y un máximo de ",
  round(max(NO, na.rm = TRUE), 2),
  " microgramos por metro cúbico (µg/m³), con una media de ",
  round(X, 2),
  " y una desviación estándar de ",
  round(desv, 2),
  ". Debido a un coeficiente de variación del ",
  round(CV, 2),
  "%, se concluye que es un conjunto de valores heterogéneos con una alta dispersión. ",
  "Los datos se acumulan de manera predominante en el primer intervalo ",
  Mo,
  ". No obstante, se han detectado ",
  format(length(atipicos_NO), big.mark = ","),
  " valores atípicos, los cuales representan picos de contaminación que pueden afectar moderadamente al medio ambiente."
)

df_conclusion_NO <- data.frame(
  Conclusión = texto_conclusion
)

df_conclusion_NO %>%
  gt() %>%

  tab_header(
    title = md("## **Conclusión**")
  ) %>%

  tab_options(
    column_labels.hidden = TRUE,
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    table.border.top.width = px(3),
    table.border.bottom.width = px(3),
    heading.align = "center"
  ) %>%

  tab_style(
    style = cell_text(
      align = "justify",
      v_align = "middle"
    ),
    locations = cells_body(
      columns = Conclusión
    )
  )

Conclusión
La variable Monóxido de Nitrógeno (NO) fluctúa entre un mínimo de 0.02 y un máximo de 390.68 microgramos por metro cúbico (µg/m³), con una media de 17.57 y una desviación estándar de 22.79. Debido a un coeficiente de variación del 129.65%, se concluye que es un conjunto de valores heterogéneos con una alta dispersión. Los datos se acumulan de manera predominante en el primer intervalo [0 - 40). No obstante, se han detectado 2,459 valores atípicos, los cuales representan picos de contaminación que pueden afectar moderadamente al medio ambiente.

Conclusión

La variable Monóxido de Nitrógeno (NO) fluctúa entre un mínimo de 0.02 y un máximo de 390.68 microgramos por metro cúbico (µg/m³), con una media de 17.57 y una desviación estándar de 22.79. Debido a un coeficiente de variación del 129.65%, se concluye que es un conjunto de valores heterogéneos con una alta dispersión. Los datos se acumulan de manera predominante en el primer intervalo [0 - 40). No obstante, se han detectado 2,459 valores atípicos, los cuales representan picos de contaminación que pueden afectar moderadamente al medio ambiente.

Estadística Descriptiva

Grupo 1

2026-05-30