¿Por que debemos cuidar la capa de ozono?

El debilitamiento de la capa de ozono lleva a una reducción en su capacidad protectora, por consiguiente, puede tener impactos severos en la salud humana como enfermedades de tipo cáncer a la piel o quemaduras graves y consecuencias lamentables en el medio ambiente del planeta.

¿Qué daños puede causar en los seres vivos el ozono?

La exposición a ozono en periodos cortos puede causar una variedad de efectos en el sistema respiratorio, incluyendo inflamación del revestimiento de los pulmones (conocido como pleuresía) y reducción de la capacidad pulmonar, así como síntomas respiratorios, por ejemplo: tos, sibilancias, dolor en el pecho, ardor en el pecho y dificultad para respirar. Algunos estudios también han encontrado que la exposición a ozono en largos periodos puede contribuir al desarrollo de asma, especialmente entre niños con ciertas susceptibilidades genéticas y niños quienes frecuentemente se ejercitan en exteriores, también puede causar daños permanentes en el tejido del pulmón (US EPA, 2013).

¿Qué daños puede causar en los seres vivos el NO2?

Estudios epidemiológicos han revelado que los síntomas de bronquitis en niños asmáticos aumentan en relación con la exposición prolongada; la disminución del desarrollo de la función pulmonar también se asocia con las concentraciones de NO2 registradas (u observadas) actualmente en ciudades europeas y norteamericanas” (OMS, 2016).

Cargar libreria

library(readr)
library(prettydoc) 
library(DT)
library(readxl)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)
library(data.table)

## 
## Attaching package: 'data.table'

## The following objects are masked from 'package:dplyr':
## 
##     between, first, last

library(scales)

## 
## Attaching package: 'scales'

## The following object is masked from 'package:readr':
## 
##     col_factor

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --

## v tibble  3.0.5     v stringr 1.4.0
## v tidyr   1.1.2     v forcats 0.5.1
## v purrr   0.3.4

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x data.table::between() masks dplyr::between()
## x scales::col_factor()  masks readr::col_factor()
## x purrr::discard()      masks scales::discard()
## x plotly::filter()      masks dplyr::filter(), stats::filter()
## x data.table::first()   masks dplyr::first()
## x dplyr::lag()          masks stats::lag()
## x data.table::last()    masks dplyr::last()
## x purrr::transpose()    masks data.table::transpose()

library(modelr)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:data.table':
## 
##     hour, isoweek, mday, minute, month, quarter, second, wday, week,
##     yday, year

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(datos)

Importar datos

setwd("~/sexto semestre/Estadistica aplicada/EAMJ1130/UNIDAD 1/U1A13")
Movilidad <- read_excel("Movilidad.xlsx")
View(Movilidad)

Visualizar tabla

  datatable(Movilidad, rownames = TRUE,
            options = list(paging=TRUE,
                         searching=TRUE))

Visualizar grafica

date <- Movilidad$date
d1 <- Movilidad$comercio_minorista_y_recreación
d2 <- Movilidad$abarrotes_y_farmacias
d3 <- Movilidad$parques
d4 <- Movilidad$estaciones_de_tránsito
d5 <- Movilidad$lugares_de_trabajo
datos <- data.table(d1, d2, d3, d4, d5)
x <- ggplot(data = datos) + 
  geom_line(aes(date, d1, colour="Comercio minorista y recreación")) + 
  geom_line(aes(date, d2, colour="Abarrotes y farmacias")) + 
  geom_line(aes(date, d3, colour="Parques")) +
  geom_line(aes(date, d4, colour="Estaciones de tránsito")) +
geom_line(aes(date, d5, colour="Lugares de trabajo")) +
 xlab("Dias") +
  ylab("(porcentaje de movilidad de las personas)") +
  labs(colour="lugares de desplazo") +
  ggtitle("Movilidad de las personas en el estado de Sonora") +
  scale_y_continuous(labels = comma) +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))
ggplotly(x)

El porcentaje de movilidad esta medido en un 0% en el 16 de febrero del 2020 y a partir de esa fecha empieza aumentar o disminuir la movilidad segun las personas que se dezplazan geograficamente en sus destinos.

la movilidad de las personas del 13 de marzo del 2020 era muy alta y despues de las politicas del covid 19 que se implemento a partir del 13 de marzo empezo a disminuir gradualmente el porcentaje de movilidad. Por ejemplo las personas que iban a trabajar cayo un 53% de movilidad en el 16 de marzo y mas adelante fue afectado un 71% el 10 de abril la movilidad de las personas hacia su trabajo. En la mayoria de los lugares presentados bajo entre un 66% a 71% de movilidad en el dia 10 de abril pero lo que viene siendo los abarrotes y farmacias solo cayó un 28% por lo que no fue la mas afectada.

Emision<- read_excel("Emision.xlsx")
View(Emision)

Visualizar grafica

dat <- Emision$Fecha
f1 <- Emision$O3
f2 <- Emision$NO2
dato <- data.table(f1, f2)
x <- ggplot(data = dato) + 
  geom_line(aes(dat, f1, colour="O3")) + 

 xlab("Dias") +
  ylab("(ppm)") +
  labs(colour="Gases de emisión") +
  ggtitle("Contaminación del aire de gases de emision en el estado de Sonora") +
  scale_y_continuous(labels = comma) +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))
ggplotly(x)

y <- ggplot(data = dato) + 
  geom_line(aes(dat, f2, colour="NO2")) + 
   xlab("Dias") +
  ylab("(ppb)") +
  labs(colour="Gases de emisión") +
  ggtitle("Contaminación del aire de gases de emision en el estado de Sonora") +
  scale_y_continuous(labels = comma) +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))
ggplotly(y)

Observamos como la concentracion de O3 iba de picada desde el 4 de marzo del 2020 con 51ppm hasta el 12 de marzo con 15.07ppmy despues se incremento veloz mente hasta alcanzar 66.66ppm en el 25 de marzo y de ese punto se mantuvo con variaciones minimas en escalera.

En la concentracion de NO2 observamos que tuvo 2 picos altos de 0.27ppb en el 31 de marzo y 0.24 en el 28 de abril.

Importar datos

Correlacion<- read_excel("Correlacion.xlsx")
View(Correlacion)

Visualizar la matriz de dispersion

date <- Correlacion$date
d1 <- Correlacion$comercio_minorista_y_recreación
d2 <- Correlacion$abarrotes_y_farmacias
d3 <- Correlacion$parques
d4 <- Correlacion$estaciones_de_tránsito
d5 <- Correlacion$lugares_de_trabajo
d6 <- Correlacion$O3
d7 <- Correlacion$NO2
datos <- data.table(d1, d2, d3, d4, d5, d6)

matriz <- datos[, c("d1", "d2", "d3", "d4", "d5", "d6")]


# Función para dibujar los puntos y agregar la recta de regresión
panel.reg <- function (x, y) 
{
  points(x, y, pch=20)
  abline(lm(y ~ x), lwd=2, col='seagreen')
}

# Función para crear el histograma
panel.hist <- function(x, ...)
{
  usr <- par("usr"); on.exit(par(usr))
  par(usr = c(usr[1:2], 0, 1.5) )
  h <- hist(x, plot = FALSE)
  breaks <- h$breaks; nB <- length(breaks)
  y <- h$counts; y <- y/max(y)
  rect(breaks[-nB], 0, breaks[-1], y, col="dodgerblue2", ...)
}

# Función para obtener la correlación
panel.cor <- function(x, y, digits=2, prefix="", cex.cor)
{
  usr <- par("usr"); on.exit(par(usr))
  par(usr = c(0, 1, 0, 1))
  r <- abs(cor(x, y))
  txt <- format(c(r, 0.123456789), digits=digits)[1]
  txt <- paste(prefix, txt, sep="")
  if(missing(cex.cor)) cex <- 0.8/strwidth(txt)
  text(0.5, 0.5, txt, cex = cex * r)
}

pairs(matriz,
      upper.panel = panel.reg,
      diag.panel = panel.hist,
      lower.panel = panel.cor, labels=c('comercio', 'farmacias', 'parques', 'estaciones', "trabajo", "O3"))

Como se sospechaba de las caracteristicas de movilidad y contaminacion de 03 no tiene mucha correlacion como se observa en la matriz. Por ejemplo: comercio y 03 solo tiene un 0.52 se puede decir que que en este dato interviene un poco el motivo de las concentraciones de O3. En las farmacias solo tiene un 0.47, en los parques tiene un 0.46, en los estaciones UN 0.57 Y en el lugar de trabajo tiene un 0.46. Podemos definir que estas correlaciones no influyen como se esperaba pero, se puede recalcar que entre tantas variables que causan la contaminacion de O3 podemos esperarnos que las correlaciones no son del 100% seguras de que sea la principal si no que entre muchas variables de movilidad sean las principales.