Evaluación de la primera unidad de competencia de estadística aplicada
1. ¿Qué es la estadística y que aplicaciones tiene en ingeniería (según su ingeniería)?
La estadística es una ciencia que estudia los fenómenos de las manifestaciones de las sociedades humanas, así como los fenómenos naturales y los analiza para saber de qué manera utilizarlos correctamente para resolver algún obstáculo, problema, etc. se ocupa del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. En la ingeniería en software opino que las aplicaciones más evidentes de la estadística es en la creación de métodos o formas para recalcular los costos, y para poder analizarlos, también sirve para reducir costos, tiempo y esfuerzo ya que su potencial permite analizar los eventos y poder organizar una infraestructura de los diferentes sistemas
2. Enliste y defina los tipos de variables usados en estadística, de 2 ejemplos de cada uno.
Cuantitativas: Son aquellas que si se pueden expresar mediante una cantidad numérica alguna característica de un objeto. Ejemplos: Peso y estatura, litros, masa, etc.
Cualitativas: Son aquellas que no son expresadas numéricamente, si no con palabras en las cuales se expresan sus características que permiten identificarlas dentro de un conjunto. Existen 3 divisiones: * Dicotómicos: Estas tratan o etiquetan el objeto en 2 categorías. por ejemplo: hombre o mujer, blanco o negro, etc.
Nominales: En este caso no existe un orden entre las categorías. por ejemplo: los colores, país de nacionalidad, estado civil, etc.
Ordinales: Son en las que existe un orden o jerarquía entre las categorías, por ejemplo: la nota de un examen, el nivel económico (pobre, clase media, rico), etc.
Defina distribución de frecuencia y explique que es la distribución normal.
Distribución de frecuencia: Son datos que formamos al recolectar, observar, etc. de manera que se clasifica en distintos grupos únicos, es como ordenamos los datos de manera ascendente o descendente.
Frecuencia absoluta: Es la cantidad de cada grupo, también se puede ver como la cantidad de veces que aparece o repite un dato.
Frecuencia relativa: Es el resultado de calcular el coeficiente de la frecuencia absoluta entre los datos totales que componen un grupo.
Frecuencia porcentual: Es el porcentaje de cada frecuencia absoluta respecto del tamaño de la muestra (que al sumar debe ser de 100).
Distribución Normal Es una distribución muy utilizada y funciona generalmente para variables continuas, esta especificada por dos parámetros que dependen de una función y que resultan ser la media y la desviación de la distribución. Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede aproximarse satisfactoriamente a una distribución normal tal que: \(N(μ, σ)\), es simétrica con forma de campana en base a la media y fue inventada por Abraham de Moivre en un artículo del año 1733.
Importar datos
PH se relaciona con la temperatura porque: Cuando hay un incremento en la temperatura, el pH disminuye, de igual forma una disminución de temperatura implica un aumento en el pH. La causa de que se afecte el pH del agua por la temperatura es que cuando aumenta la temperatura, las moléculas tienden a separarse en sus elementos: hidrógeno y oxígeno. Al aumentar la proporción de moléculas descompuestas se produce más hidrógeno, lo cual por supuesto aumenta a su vez el potencial de hidrógeno pH.
Valor
- Creamos las variables
pozos <- read_excel("pozos.xlsx")
ph <- (pozos$PH)
temp <- (pozos$TEMP)- Tabla interactiva de los datos
datatable(pozos)A) Ordene los datos de menor a mayor, indique el valor máximo / mínimo y el rango total de datos.
Valores de los datos de PH
summary(ph)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 6.10 6.80 6.90 6.89 7.00 7.50Podemos ver que el primer cuartil se encuentra por el valor de 6.8 en los datos, con una media de 6.89 y el tercer quartil se encuentra en el valor 7.0 de los datos
- Ordenamos los datos de menor a mayor
sort(ph)## [1] 6.1 6.3 6.4 6.4 6.4 6.4 6.4 6.4 6.4 6.5 6.5 6.5 6.5 6.5 6.5 6.5 6.5 6.5
## [19] 6.5 6.5 6.5 6.5 6.5 6.5 6.5 6.5 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6
## [37] 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.6 6.7 6.7 6.7 6.7 6.7
## [55] 6.7 6.7 6.7 6.7 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8
## [73] 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8
## [91] 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8
## [109] 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.8 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9
## [127] 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9
## [145] 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 6.9 7.0 7.0
## [163] 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0
## [181] 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0
## [199] 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0
## [217] 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0
## [235] 7.0 7.0 7.0 7.0 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1
## [253] 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.1 7.2 7.2
## [271] 7.2 7.2 7.2 7.2 7.2 7.2 7.2 7.2 7.2 7.2 7.3 7.3 7.3 7.3 7.3 7.3 7.4 7.4
## [289] 7.4 7.4 7.4 7.4 7.5- Sacamos el valor máximo
max(ph)## [1] 7.5Nuestro valor máximo de PH es de 7.5
- Sacamos nuestro valor mínimo
min(ph)## [1] 6.1Nuestro calor mínimo es de 6.1
- Rango total de PH
rangoPH <- (max(ph) - min(ph))
rangoPH## [1] 1.4El rango total de PH es de 1.4
Valores de los datos de Temperatura
summary(temp)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 25.6 28.0 28.7 28.7 29.2 32.1Podemos ver que el primer cuartil se encuentra por el valor de 28.0 en los datos, con una media de 28.7 y el tercer quartil se encuentra en el valor 29.2 de los datos
- Ordenamos los datos de menor a mayor
sort(temp)## [1] 25.6 25.8 26.2 26.3 26.3 26.4 26.4 26.8 26.8 26.9 27.0 27.0 27.1 27.2 27.2
## [16] 27.3 27.3 27.3 27.3 27.4 27.4 27.4 27.4 27.4 27.5 27.5 27.5 27.5 27.5 27.5
## [31] 27.5 27.5 27.5 27.5 27.5 27.5 27.6 27.7 27.7 27.7 27.7 27.8 27.8 27.8 27.8
## [46] 27.8 27.8 27.8 27.8 27.8 27.8 27.8 27.9 27.9 27.9 27.9 27.9 27.9 27.9 27.9
## [61] 27.9 27.9 27.9 27.9 27.9 27.9 28.0 28.0 28.0 28.0 28.0 28.0 28.0 28.0 28.0
## [76] 28.0 28.0 28.0 28.0 28.0 28.0 28.0 28.0 28.0 28.1 28.1 28.1 28.2 28.2 28.2
## [91] 28.2 28.2 28.2 28.2 28.2 28.2 28.2 28.2 28.2 28.3 28.3 28.3 28.3 28.3 28.3
## [106] 28.3 28.4 28.4 28.4 28.4 28.4 28.4 28.4 28.5 28.5 28.5 28.5 28.5 28.5 28.5
## [121] 28.5 28.5 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6 28.6
## [136] 28.6 28.6 28.6 28.6 28.6 28.6 28.7 28.7 28.7 28.7 28.7 28.7 28.7 28.7 28.7
## [151] 28.7 28.7 28.7 28.7 28.8 28.8 28.8 28.8 28.8 28.8 28.8 28.8 28.8 28.8 28.8
## [166] 28.8 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9 28.9
## [181] 28.9 28.9 28.9 28.9 29.0 29.0 29.0 29.0 29.0 29.0 29.0 29.0 29.0 29.0 29.0
## [196] 29.0 29.0 29.0 29.1 29.1 29.1 29.1 29.1 29.1 29.1 29.1 29.1 29.1 29.1 29.2
## [211] 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.2 29.3 29.3
## [226] 29.3 29.3 29.4 29.4 29.4 29.4 29.4 29.4 29.4 29.4 29.4 29.4 29.4 29.5 29.5
## [241] 29.5 29.5 29.5 29.5 29.5 29.5 29.5 29.6 29.6 29.6 29.7 29.7 29.8 29.8 29.8
## [256] 29.8 29.8 29.8 29.9 29.9 29.9 29.9 30.0 30.0 30.0 30.0 30.0 30.0 30.1 30.1
## [271] 30.1 30.1 30.2 30.2 30.2 30.3 30.3 30.3 30.3 30.4 30.5 30.6 30.8 30.9 31.1
## [286] 31.1 31.1 31.2 31.4 31.5 31.7 31.9 32.1- Sacamos el valor máximo
max(temp)## [1] 32.1Nuestro valor máximo de PH es de 32.1
- Sacamos nuestro valor mínimo
min(temp)## [1] 25.6Nuestro calor mínimo es de 25.6
- Rango total de temperatura
rangoTEMP <- (max(temp) - min(temp))
rangoTEMP## [1] 6.5El rango total de los datos de temperatura es de 6.5
B) Obtenga (el número de) los intervalos (o clases) usando la fórmula según Surges y el ancho de clase.
Regla de Sturges En la regla de Sturges se considera un histograma de frecuencias con un número k de intervalos, donde el i-esimo intervalo contiene un número de muestras dadas por un coeficiente binomial, en donde a medida que el número k de intervalos aumenta el histograma de frecuencias toma la forma de una distribución normal. Su fórmula es:
\[k=1+[log2(N)]\]
En esta expresión: k es el número de clases. N es el número total de observaciones de la muestra. Log es el logaritmo común de base 10.
Intervalo para PH
nclass.Sturges(x) con esto establecemos el número de intervalos según la regla de Sturges
nclass.Sturges(ph)## [1] 10Nuestro numero de intervalos para PH tiene un valor de 10
- Ancho de clase de PH
anchoPH <- (rangoPH/nclass.Sturges(ph))
anchoPH## [1] 0.14Nuestro ancho de clase de temperatura es de 0.14
Intervalo para temperatura
nclass.Sturges(temp)## [1] 10Nuestro numero de intervalos para temperatura tiene un valor de 10
- Ancho de clase de PH
anchoTEMP <- (rangoTEMP/nclass.Sturges(temp))
anchoTEMP## [1] 0.65Nuestro ancho de clase de temperatura es de 0.65
C) Construya una tabla de frecuencias que incluya: límites de clases, frecuencia absoluta, frecuencia relativa, frecuencia relativa porcentual, frecuencia acumulada y explique a detalle que refleja esta tabla.
- Class limits: representa los limites de clase
- “f”: representa la frecuencia absoluta, es decir, los datos que existen entre el rango de clase.
- “rf”: representa la frecuencia relativa, esta es el cociente entre la frecuencia absoluta de un determinado valor y el numero total de datos.
- “rf%”: es la frecuencia relativa porcentual y se obtiene multiplicando por 100 la rf.
- “cf”: es la frecuencia acumulada, es decir, se van sumando los datos anteriores de cada clase para así conocer la distribución de los datos en las clases.
- “cf%”: es la frecuencia acumulada porcentual, se calcula sumando sucesivamente los valores de la frecuencia relativa porcentual de los datos anteriores hasta llegar así al 100%.
utilizando fdt podemos crear nuestra tabla de frecuencia
- Tabla de frecuencias para PH
tabPH <- fdt(ph, breaks = "Sturges")
tabPH## Class limits f rf rf(%) cf cf(%)
## [6.039,6.193) 1 0.00 0.34 1 0.34
## [6.193,6.346) 1 0.00 0.34 2 0.68
## [6.346,6.5) 7 0.02 2.39 9 3.07
## [6.5,6.653) 40 0.14 13.65 49 16.72
## [6.653,6.807) 67 0.23 22.87 116 39.59
## [6.807,6.961) 44 0.15 15.02 160 54.61
## [6.961,7.114) 108 0.37 36.86 268 91.47
## [7.114,7.268) 12 0.04 4.10 280 95.56
## [7.268,7.421) 12 0.04 4.10 292 99.66
## [7.421,7.575) 1 0.00 0.34 293 100.00Podemos ver que la frecuencia entre los valores de [6.9, 7.1) es la mas alta con un valor de 108, representando un total del 91.47% de los datos con una frecuencia relativa de 37% así que podemos ver que los valores de PH mas frecuentes son los que rondan por el rango de [6.9 a 7.1).
- Tabla de frecuencias para temperatura
tabTEMP <- fdt(temp, breaks = "Sturges")
tabTEMP## Class limits f rf rf(%) cf cf(%)
## [25.344,26.052) 2 0.01 0.68 2 0.68
## [26.052,26.759) 5 0.02 1.71 7 2.39
## [26.759,27.467) 17 0.06 5.80 24 8.19
## [27.467,28.175) 63 0.22 21.50 87 29.69
## [28.175,28.883) 79 0.27 26.96 166 56.66
## [28.883,29.59) 81 0.28 27.65 247 84.30
## [29.59,30.298) 28 0.10 9.56 275 93.86
## [30.298,31.006) 9 0.03 3.07 284 96.93
## [31.006,31.713) 7 0.02 2.39 291 99.32
## [31.713,32.421) 2 0.01 0.68 293 100.00Vemos que la frecuencia de los valores de temperatura [28.883,29.59) representan el 84.30% de los valores totales siendo el mas alto con una frecuencia de 81 y frecuencia relativa de 28% en los datos, es decir que el rango de temperaturas [28.883,29.59) sn las mas frecuentes
D) Elabore un histograma, polígono de frecuencias, histograma de frecuencias acumulado.
Histogramas y polígonos de frecuencia para PH
- Histograma de frecuencia
hist(ph)
#curve(dnorm(x, mean= mean(ph), sd= sd(ph)), from = min(ph), to = max(ph), add = TRUE)- Histograma de frecuencia absoluta
plot(tabPH, type = "fh", main= "Histograma de frecuencia absoluta PH")
- Polígono de frecuencia absoluta
plot(tabPH, type = "fp", main= "Poligono de frecuencia absoluta PH")
- Histograma de frecuencia acumulada
plot(tabPH, type = "cfh", main= "Histograma de frecuencia acumulada PH")
Podemos ver que por los histogramas que los datos más frecuentes vendrían a ser los que están en el rango de 6.9 y 7.1 además notamos que los datos debido a la figura no parecen ser normales
Histogramas y polígonos de frecuencia para Temperatura
- Histograma de frecuencia
hist(temp)
#curve(dnorm(x, mean= 28.7, sd= 1.017549), from = min(temp), to = max(temp), add = TRUE)- Histograma de frecuencia absoluta
plot(tabTEMP, type = "fh", main= "Histograma de frecuencia absoluta para temperatura")
- polígono de frecuencia absoluta
plot(tabTEMP, type = "fp", main= "Poligono de frecuencia absoluta para temperatura")
- Histograma de frecuencia acumulada
plot(tabTEMP, type = "cfh", main= "Histograma de frecuencia acumulada para temperatura")
Por los histogramas podemos observar que los valores más frecuentan radican entra los 28 y 29 grados además de que parece que son normales debido a la forma que presentan
E) Obtenga la media, mediana, moda e interprete los resultados.
Datos de PH
- Media
mean(ph)## [1] 6.890444- Mediana
median(ph)## [1] 6.9- Moda
mfv(ph)## [1] 7Tomando en cuenta que la media (6.8) < mediana (6.9), estando muy cercanas entre sí, por una ínfima cantidad, la distribución es asimétrica con cola a la izquierda lo que quiere decir que esta sesgada a la izquierda (negativamente), además que el valor más frecuente es el 7.
Datos de temperatura
- Media
mean(temp)## [1] 28.69795- Mediana
median(temp)## [1] 28.7- Moda
mfv(temp)## [1] 28.6Tomando en cuenta que la media (28.6) es menor mediana (28.7), nuevamente estando muy cercanas entre sí, por una ínfima cantidad, la distribución es asimétrica con cola a la izquierda lo que quiere decir que esta sesgada a la izquierda (negativamente), además que la temperatura más frecuente es la de 28.6.
F) Obtenga la varianza y la desviación estándar, interprete los resultados. ¿Pueden estas medidas ser negativas?
Para PH
- Varianza
var(ph)## [1] 0.04908645En el caso del PH tiene una varianza de 0.04908645. Lo que nos dice que la varianza resulta ser muy pequeña, al tener un rango corto entre los datos, muestra que entre datos hay poca variación de la unidad medida
- Desviación estándar
sd(ph)## [1] 0.2215546La desviación estándar del PH es de 0.2215546, indica que los datos se alejan en promedio 0.221 de la media calculada de pH
Para temperatura
- Varianza
var(temp)## [1] 1.035407La varianza de la temperatura es de 0.04908645
- Desviación estándar
sd(temp)## [1] 1.017549La desviación estándar de la temperatura tiene un valor de 1.017549, indica que los datos se alejan en promedio 1.017 de la media calculada de temperatura
Se puede observar que la varianza y desviación estándar son muy cercanas al 0, por lo que los valores están más concentrados alrededor de la media.
- ¿Estos valores pueden ser negativos? No, la varianza no puede ser negativa ya que esta siempre es mayor a 0. Esto debido a que en la varianza se encuentra involucrada en su cálculo la suma de los cuadrados de las diferencias entre los valores obtenidos y la media, lo cual por definición todo número al cuadrado es positivo y por consiguiente tiene que dar un valor mayor o igual que 0 para la varianza, e igual para la desviación estándar que es la parte positiva de su raíz cuadrada.
G) Elabore gráfico de caja y bigote
- PH
boxplot(ph, col = "dark green")
Podemos notar como en los valores de PH se ven datos atípicos llegando algunos a ser muy alcalinos, y con una acumulación ligera de datos por el primer cuartil.
boxplot(temp, col = "light blue")
Podemos ver que hay datos atípicos en la temperatura y muchas de estas están acumuladas en el primer cuartil, aunque se ve que algunas temperaturas pueden llegar a ser de 30 grados
H) Elabora una gráfica de dispersión de pH versus temperatura, use ggplot aquí. En base a esta gráfica: ¿Considera que estas 2 variables están relacionadas?
ggplot(data = pozos)+
geom_point(mapping = aes(x= TEMP, y= PH), lwd = 2, col= "dark red")
- Matriz de diagramas de dispersión
pairs(pozos)
Observando la matriz no parece a simple vista que estén de alguna forma relacionados, sin embargo, se ve una concentración por los mismos centros tanto de las temperaturas como en el PH
- Matriz de coeficientes de correlación
En estadística, el coeficiente de correlación de Pearson es una medida de dependencia lineal entre dos variables aleatorias cuantitativas. A diferencia de la covarianza, la correlación de Pearson es independiente de la escala de medida de las variables.
cor(pozos)## PH TEMP
## PH 1.00000000 -0.02029087
## TEMP -0.02029087 1.00000000Según los resultados estas variables no parecen estar relacionadas
- Regresión Lineal
Haremos una regresión lineal simple para confirmar si estas variables están relacionadas o no entre sí.
regresionPozos <- lm(PH ~ TEMP, data= pozos)
summary(regresionPozos)##
## Call:
## lm(formula = PH ~ TEMP, data = pozos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.78955 -0.09220 0.01089 0.11089 0.59587
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.017231 0.366448 19.149 <2e-16 ***
## TEMP -0.004418 0.012761 -0.346 0.729
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2219 on 291 degrees of freedom
## Multiple R-squared: 0.0004117, Adjusted R-squared: -0.003023
## F-statistic: 0.1199 on 1 and 291 DF, p-value: 0.7294Los parámetros de la ecuación de la recta de mínimos cuadrados que relaciona la cantidad de volumen en función del valor que vienen dados por la columna ´Estimate´ de la tabla ´Coefficients´ de la salida anterior. Por lo tanto, en este ejemplo la ecuación de la recta de mínimos cuadrados es:
\[y = 7.017231 -0.004418x\]
- Representación de la recta de mínimos cuadrados
plot(pozos$TEMP, pozos$PH, xlab="Temperatura", ylab = "PH", col = "dark green")
abline(regresionPozos)
- Intervalos de confianza
confint(regresionPozos)## 2.5 % 97.5 %
## (Intercept) 6.29600715 7.73845554
## TEMP -0.02953383 0.02069782nuevas.temperaturas <- data.frame(TEMP = seq(25.6, 32.1))
# Grafico de dispersion y recta
plot(pozos$TEMP, pozos$PH, xlab="Temperatura", ylab = "PH", col = "dark green")
abline(regresionPozos)
# Intervalos de confianza de la respuesta media
# ic es una matriz con tres columnas: prediccion, las otras 2 son los extremos del intervalo
ic <- predict(regresionPozos, nuevas.temperaturas, interval = "confidence")
lines(nuevas.temperaturas$TEMP, ic[, 2], lty = 2, col = "blue") #lwr
lines(nuevas.temperaturas$TEMP, ic[, 3], lty = 3, col = "blue") #upr
# Intervalos de prediccion
ic <- predict(regresionPozos, nuevas.temperaturas, interval = "prediction")
lines(nuevas.temperaturas$TEMP, ic[, 2], lty = 2, col="red") #lwr
lines(nuevas.temperaturas$TEMP, ic[, 3], lty = 3, col="red") #upr
Aquí vemos con las líneas azules que tan confiables son los datos que al parecer si son muy confiables, y con las líneas rojas podemos observar sus datos de predicción
residuos <- rstandard(regresionPozos) #y
valores.ajustados <- fitted(regresionPozos) #x
qqnorm(residuos)
qqline(residuos)
Aquí podemos ver como con la línea los datos no son muy normales
Conclusión:
Inicialmente al observar que el valor de correlación lineal de -0.02029087, parecería que no están del todo relacionadas, pero al analizar a profundidad con las diferentes tablas, se puede ver que están relacionadas inversamente, dado que, cuando hay un incremento en la temperatura del agua, el pH disminuye, y de igual forma una disminución en la temperatura implica que el pH aumentara. Si bien el modelo no me parece confiable, hay una gran causalidad, ya que cuando hay un aumento de temperatura, las moléculas de hidrogeno del agua tienden a separarse, lo que provoca que al aumentar estas moléculas descompuestas producen más hidrógeno, ergo aumenta el potencial de hidrogeno (PH)
Pregunta de rescate (opcional): Mini ensayo de mínimo media y máximo una cuartilla contestando a la pregunta: ¿De qué manera o maneras reales puede México ser un país más desarrollado? Elaboren y argumenten su propuesta o propuesta. (Use datos para fundamentarse)
En mi opinión pienso que México tiene todo para ser un país más desarrollado desde recursos, minerales, y obviamente en recursos naturales, pero todos estos están siendo exportados, sin embargo aunque pudiésemos parar de exportar, ¿qué haría México con estos? pienso que podría hacerse un análisis para poder tratar mejor nuestras tierras de cultivo ya que la sobreprotección y el uso intenso de los pesticidas provoca que no solo las plantas sino la fauna de las tierras se estén acabando, también se pudiese realizar un proyecto para poder crear energía eólica que si bien no es perfecta es muy útil y limpia, aunque también se puede ver el factor nuclear aunque está mal visto.
Energías limpias
En pocas palabras mis puntos para que México sea un país mejor desarrollado serian, USAR nuestros recursos ya que la gran mayoría son exportados y tratados por países ajenos, tratar mejor las tierras tanto las que se usan para cultivo como las que no ya que las estamos explotando y se están acabando muy rápido lo cual es alarmante, también como ultimo buscar una forma de energía que sea más limpia que la que usamos (pese que la principales son renovables las estamos gastando muy rápido) ya sea nuclear o dividir las que ya tenemos.