Calidad del aire y movilidad urbana
La calidad del aire es un tema de salud pública y por tanto se debe actuar en consecuencia. En la Europa de los 28 se producen 374000 muertes prematuras anuales atribuibles a PM2.5, 68000 al NO2 y 14000 al O3. El tráfico es responsable del 60-70% de la exposición humana al NO2 y del 25-35% al PM2.5 en entornos urbanos, es evidente por tanto que para mejorar la calidad del aire se ha de reducir el número de vehículos urbanos circulantes. La caracterización de la movilidad en ciudades es fundamental para ello, siendo necesario unir información sobre demografía, localización de servicios, economía espacial, una buena dosis de geografía y aspectos de física, matemáticas ingeniería y, en general, ciencia de datos para poder monitorizar la movilidad. La pandemia de COVID-19 ha puesto de manifiesto no solo como puede ser una ciudad más saludable, pero también la gran utilidad de los datos generados por dispositivos electrónicos personales para la gestión pública de una emergencia y para la futura planificación urbana. Los planes de mejora de calidad del aire en las ciudades no solo persiguen reducir las muertes prematuras anuales, sino la mejora de la calidad de vida con ciudades más saludables y agradables de habitar. Es importante conseguir una mayor colaboración entre ciudades, administraciones y ciudadanía, así como integrar las necesidades y desafíos de calidad del aire con los de la mitigación y adaptación al cambio climático. Los enfoques integrados constituirán la hoja de ruta que conducirá a una mejor calidad de vida en las ciudades.
Imagen Representativa
¿Que es el SO2?
Mayor conocido como Dióxido de azufre Es un gas que se origina sobre todo durante la combustión de carburantes fósiles que contienen azufre (petróleo, combustibles sólidos), llevada a cabo sobre todo en los procesos industriales de alta temperatura y de generación eléctrica.
Imagen Representativa
Efectos en salud y ecosistemas Este contaminante puede producir, incluso a grandes distancias del foco emisor, efectos adversos sobre la salud (tales como irritación e inflamación del sistema respiratorio, afecciones e insuficiencias pulmonares, alteración del metabolismo de las proteínas, dolor de cabeza o ansiedad), sobre la biodiversidad, los suelos y los ecosistemas acuáticos y forestales (puede ocasionar daños a la vegetación, degradación de la clorofila, reducción de la fotosíntesis y la consiguiente pérdida de especies) e incluso sobre las edificaciones.
Imagen Representativa
Diferencias entre métodos supervisados y no supervisados
Los métodos supervisados son los más comunes y como su nombre lo indica el desarrollador actúa como una guía para enseñar al algoritmo las conclusiones a las que debe llegar, es decir se debe de saber con anterioridad el resultado para entrenar a este algoritmo, una vez se haya desarrollado un modelo se puede utilizar para problemas de los que no tenemos soluciones. A diferencia de los supervisados los métodos no supervisados son más utilizados para lo que es la inteligencia artificial, ya que como no su nombre lo indica son independientes de la orientación un humano, aquí a diferencia de los supervisados los datos son desconocidos y se entra al problema con solo operaciones lógicas como guía, tienen como objetivo resolver problemas complejos con solo datos de entrada y operaciones lógicas.
Proceso de resolución de problema usando ciencia de datos
Comprensión del negocio. Todos los proyectos comienzan con la comprensión del negocio. Esta primera etapa sienta las bases para que el problema empresarial sea resuelto con éxito.
Enfoque analítico. Cuando el problema empresarial se haya establecido claramente, el científico de datos podrá definir el enfoque analítico para resolver el problema. Esta etapa implica expresar el problema bajo el contexto de las técnicas estadísticas y de aprendizaje automático.
Requisitos de datos. El enfoque analítico elegido determina los requisitos de datos. Más concretamente, los métodos analíticos a utilizar requieren de determinados contenidos de datos, formatos y representaciones, orientados por el conocimiento en el dominio.
Recopilación de datos. En la etapa inicial de recopilación de datos, los científicos de datos identifican y reúnen los recursos de datos disponibles (estructurados, no estructurados y semiestructurados) y relevantes para el dominio del problema.
Comprensión de datos. Después de la recopilación de datos inicial, los científicos de datos suelen utilizar estadísticas descriptivas y técnicas de visualización para comprender el contenido de los datos, evaluar su calidad y descubrir insights iniciales sobre ellos.
Preparación de datos. Esta etapa abarca todas las actividades para construir el conjunto de datos que se utilizará en la subsiguiente etapa de modelado. Modelado. Utiliza la primera versión del conjunto de datos preparado y se enfoca en desarrollar modelos predictivos o descriptivos según el enfoque analítico previamente definido. Evaluación. Durante el desarrollo del modelo y antes de su implementación, el científico de datos evalúa el modelo para comprender su calidad y garantizar que aborda el problema empresarial de manera adecuada y completa.
Implementación. Cuando el modelo satisfactorio ha sido desarrollado y aprobado por los promotores del negocio, se implementa en el entorno de producción o en un entorno de pruebas comparable. Por lo general, se implementa de forma limitada hasta que su rendimiento se haya evaluado completamente.
Retroalimentación. Al recopilar los resultados del modelo implementado, la organización obtiene retroalimentación sobre el rendimiento del modelo y su impacto en el entorno en el que se implementó
Librerías usadas
library(pacman)
library(plotly)## Loading required package: ggplot2## Warning in register(): Can't find generic `scale_type` in package ggplot2 to
## register S3 method.##
## 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':
##
## layoutlibrary(ggplot2)
p_load("prettydoc", "DT", "xfun", "dplyr", "psych", "GGally", "ggplot2","readr", "gridExtra","lmtest","corrplot","car","readxl","lmtest","leaflet","ggplotly")## Installing package into 'D:/Documentos/R/win-library/4.1'
## (as 'lib' is unspecified)## Warning: package 'ggplotly' is not available for this version of R
##
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages## Warning: unable to access index for repository http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1:
## no fue posible abrir la URL 'http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1/PACKAGES'## Warning: 'BiocManager' not available. Could not check Bioconductor.
##
## Please use `install.packages('BiocManager')` and then retry.## Warning in p_install(package, character.only = TRUE, ...):## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'ggplotly'## Warning in p_load("prettydoc", "DT", "xfun", "dplyr", "psych", "GGally", : Failed to install/load:
## ggplotlyggplot2 - Permite personalizar los gráficos con temas. Es posible personalizar cada detalle de un gráfico, como los colores, tipos de líneas, fuentes o alineación, entre otros, usando los componentes de la función theme. Además, la librería proporciona otras funciones que permiten añadir títulos, subtítulos, líneas, flechas o textos.
corrplot - Proporciona una herramienta de exploración visual en la matriz de correlación que admite el reordenamiento automático de variables para ayudar a detectar patrones ocultos entre las variables
DT - Permite mostrar matrices o dataframes en tablas html
dplyr - Es una gramática de manipulación de datos que proporciona un conjunto consistente de verbos que lo ayudan a resolver los desafíos de manipulación de datos más comunes.
readxl - Permite leer un excel
Datos usados
datos <- read_excel("~/itson/Semestre 4/estadisticas/Concentracion.xlsx")
movilidad <- read_excel("~/itson/Semestre 4/estadisticas/Concentracion_Mov.xlsx")Introducción
Una ciudad activa es una ciudad que genera una gran cantidad de sustancias que son dañinas para la composición natural del aire que respiramos tanto en el exterior como en interiores. Por esto es que tiene sentido que el movimiento de las personas, con el simple hecho de que nos estemos moviendo, que estemos realizando cosas, las herramientas que utilizamos, todas esas cosas afectan a lo que es la calidad del aire, pero ¿Cuánto afecta esta?, que tan relacionado esta que una ciudad o comunidad este activa, que este en movimiento, con la calidad del aire. Si se conoce que tan relacionados están unos datos con otros, que tanto afectan ciertos factores a la calidad del aire, tal vez podamos encontrar una solución gracias al uso de los datos.
Objetivos
Con este proyecto se busca evaluar el analisis del efecto de la movilidad de las personas en la contaminacion atmosferica y su relacion con el dioxido de azufre. Para llevar a cabo este análisis se utilizaran 3 métodos que permitan analizar distintos marcos de referencia para realizar cojeturas y conclusiones
Actualmente se sabe que la contaminación atmosferica se ha visto reducida gracias a la poca movilidad provocada por la pandemia desde 2019. Una vez dicho este planteamiento, se busca afirmar si la movilidad afecta la contaminación atmosférica y su respectiva relacion, además de mostrar un modelo que permita visualizar si el uso de ciertos servicios afectó el clima en función de una variable principal para este ejemplo dióxido de azufre, mostrar un reporte de como la movilidad aumento y analizar el paso del tiempo y como la contaminación se fue afectando en caso de ser así.
Marco teórico
Actualmente gracias a la propagación de información el cuidado del medio ambiente ha sido un tema que se empezó a mencionar cada vez más, con la intencion de que la gente se de cuenta de los daños que puede ocacionar cada cosita que hacemos en nuestro dia a dia, aparte de las grandes empresas que ocacionan una cantidad increible de daño al medio ambiente con el fin de continuar con los productos que consumimos en nuestra vida diaria al momemento de realizar los productos generan una gran cantidad de gases tales como el dióxido de azufre(SO2) y los excesos de humo y material articulado(PM).
Estos gases nos afectan de una forma muy dañina a nosotras las personas, ya que la contaminación genera problemas tales como cáncer de pulmón, asma entre otras enfermedades respiratorias por el simple hecho de continuar realizando nuestra vida diaria, por lo que si se reduce el uso de multiples artefactos y se mantiene un control de contaminación de empresas la vida del ser humano será mejor en el ámbito de la salud respiratoria.
Los principales contaminantes de los cuales informaremos y nos causan una gran cantidad de daño a nosotros y que han sido creados a causa de las actividades diarias y económicas de los seres humanos son:
Material particulado (PM10) Ozono (O3) Dióxido de azufre (SO2)
Fuente de los datos Los datos de contaminantes atmosfericos provienen de la estacion de calidad del aire de la ERNO del instituto de geologia de la unam ubicado en Hermosillo. Podemos visitar el origen de los datos aqui: http://www.erno.geologia.unam.mx/
Los datos de movilidad de las personas, salen de los celulares android de las personas, a través de sus ubicaciones GPS: https://www.google.com/covid19/mobility/
Lugar donde se obtuvieron los datos
content <- paste(sep = "<br/>",
"<b><a href='https://www.ruoa.unam.mx/index.php?page=estaciones&id=6#datos'>ERNO</a></b>","Lng: -110.9706, Lat: 29.0814")
m <- leaflet() %>%
addTiles() %>%
addMarkers(lng=-110.9706, lat= 29.0814, popup= content)
mMétodo
#Se muestra la tabla de datos Se u
datatable(datos)head(datos)## # A tibble: 6 x 9
## O3 SO2 PM10 Reactivacion_Comercial Supermercado_Farma~ Parques_Centros
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 25.1 -0.198 39.2 7 6 0
## 2 22.0 -0.204 33.8 6 6 -1
## 3 15.4 0.0525 72.4 4 4 2
## 4 14.2 -0.0438 59.5 3 -1 5
## 5 15.7 0.135 74.4 1 -1 3
## 6 24.9 -0.107 42.3 1 0 12
## # ... with 3 more variables: Estaciones_Transito <dbl>, Lugares_Trabajo <dbl>,
## # Residencia <dbl>
Imagen Representativa
Analisis de la correlacion entre variables
data <- as.data.frame(datos)
round(cor(x = datos, method="pearson"), 3)## O3 SO2 PM10 Reactivacion_Comercial
## O3 1.000 -0.220 -0.229 -0.193
## SO2 -0.220 1.000 0.612 0.404
## PM10 -0.229 0.612 1.000 0.281
## Reactivacion_Comercial -0.193 0.404 0.281 1.000
## Supermercado_Farmacia -0.047 0.443 0.280 0.875
## Parques_Centros -0.182 0.019 0.065 0.814
## Estaciones_Transito -0.174 0.399 0.270 0.944
## Lugares_Trabajo -0.119 0.138 0.100 0.581
## Residencia 0.130 -0.371 -0.238 -0.842
## Supermercado_Farmacia Parques_Centros
## O3 -0.047 -0.182
## SO2 0.443 0.019
## PM10 0.280 0.065
## Reactivacion_Comercial 0.875 0.814
## Supermercado_Farmacia 1.000 0.655
## Parques_Centros 0.655 1.000
## Estaciones_Transito 0.872 0.770
## Lugares_Trabajo 0.492 0.371
## Residencia -0.729 -0.617
## Estaciones_Transito Lugares_Trabajo Residencia
## O3 -0.174 -0.119 0.130
## SO2 0.399 0.138 -0.371
## PM10 0.270 0.100 -0.238
## Reactivacion_Comercial 0.944 0.581 -0.842
## Supermercado_Farmacia 0.872 0.492 -0.729
## Parques_Centros 0.770 0.371 -0.617
## Estaciones_Transito 1.000 0.474 -0.758
## Lugares_Trabajo 0.474 1.000 -0.853
## Residencia -0.758 -0.853 1.000Regresion lineal multiple
Creando y evaluando el modelo general de regresión lineal en función del dioxido de azufre
modelo2 <- lm(SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia + Parques_Centros + Estaciones_Transito + Lugares_Trabajo + Residencia, data = datos )
summary(modelo2)##
## Call:
## lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia +
## Parques_Centros + Estaciones_Transito + Lugares_Trabajo +
## Residencia, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.51190 -0.09921 -0.00269 0.09870 0.52906
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.0187954 0.0380324 -0.494 0.621416
## O3 -0.0057616 0.0009832 -5.860 9.10e-09 ***
## PM10 0.0056324 0.0005408 10.415 < 2e-16 ***
## Reactivacion_Comercial 0.0096304 0.0020097 4.792 2.27e-06 ***
## Supermercado_Farmacia 0.0060624 0.0015668 3.869 0.000126 ***
## Parques_Centros -0.0169489 0.0010860 -15.607 < 2e-16 ***
## Estaciones_Transito -0.0018481 0.0013556 -1.363 0.173465
## Lugares_Trabajo -0.0106817 0.0009837 -10.858 < 2e-16 ***
## Residencia -0.0352798 0.0041747 -8.451 4.32e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1582 on 438 degrees of freedom
## Multiple R-squared: 0.6938, Adjusted R-squared: 0.6882
## F-statistic: 124.1 on 8 and 438 DF, p-value: < 2.2e-16Evaluamos el modelo
step(object = modelo2, direction = "both", trace = 1)## Start: AIC=-1639.29
## SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia +
## Parques_Centros + Estaciones_Transito + Lugares_Trabajo +
## Residencia
##
## Df Sum of Sq RSS AIC
## - Estaciones_Transito 1 0.0465 11.014 -1639.4
## <none> 10.968 -1639.3
## - Supermercado_Farmacia 1 0.3749 11.343 -1626.3
## - Reactivacion_Comercial 1 0.5750 11.543 -1618.5
## - O3 1 0.8600 11.828 -1607.5
## - Residencia 1 1.7883 12.756 -1573.8
## - PM10 1 2.7161 13.684 -1542.4
## - Lugares_Trabajo 1 2.9523 13.920 -1534.7
## - Parques_Centros 1 6.0997 17.067 -1443.6
##
## Step: AIC=-1639.4
## SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia +
## Parques_Centros + Lugares_Trabajo + Residencia
##
## Df Sum of Sq RSS AIC
## <none> 11.014 -1639.4
## + Estaciones_Transito 1 0.0465 10.968 -1639.3
## - Supermercado_Farmacia 1 0.3298 11.344 -1628.2
## - Reactivacion_Comercial 1 0.6091 11.623 -1617.3
## - O3 1 0.8366 11.851 -1608.7
## - Residencia 1 1.7647 12.779 -1575.0
## - PM10 1 2.7569 13.771 -1541.5
## - Lugares_Trabajo 1 2.9217 13.936 -1536.2
## - Parques_Centros 1 6.0965 17.111 -1444.5##
## Call:
## lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia +
## Parques_Centros + Lugares_Trabajo + Residencia, data = datos)
##
## Coefficients:
## (Intercept) O3 PM10
## -0.020842 -0.005669 0.005668
## Reactivacion_Comercial Supermercado_Farmacia Parques_Centros
## 0.008020 0.005439 -0.016944
## Lugares_Trabajo Residencia
## -0.010417 -0.035005El mejor modelo resultante es el siguiente
modelo3 <- (lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia + Parques_Centros + Lugares_Trabajo + Residencia, data = datos))
summary(modelo3)##
## Call:
## lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia +
## Parques_Centros + Lugares_Trabajo + Residencia, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.5458 -0.1006 -0.0022 0.0964 0.5374
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.0208416 0.0380399 -0.548 0.584047
## O3 -0.0056694 0.0009818 -5.775 1.46e-08 ***
## PM10 0.0056679 0.0005407 10.482 < 2e-16 ***
## Reactivacion_Comercial 0.0080203 0.0016277 4.927 1.18e-06 ***
## Supermercado_Farmacia 0.0054386 0.0015000 3.626 0.000322 ***
## Parques_Centros -0.0169444 0.0010870 -15.588 < 2e-16 ***
## Lugares_Trabajo -0.0104169 0.0009653 -10.791 < 2e-16 ***
## Residencia -0.0350045 0.0041739 -8.387 6.89e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1584 on 439 degrees of freedom
## Multiple R-squared: 0.6925, Adjusted R-squared: 0.6876
## F-statistic: 141.2 on 7 and 439 DF, p-value: < 2.2e-16confint(lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia + Parques_Centros + Lugares_Trabajo + Residencia, data = datos))## 2.5 % 97.5 %
## (Intercept) -0.095604583 0.053921343
## O3 -0.007599002 -0.003739801
## PM10 0.004605203 0.006730588
## Reactivacion_Comercial 0.004821182 0.011219376
## Supermercado_Farmacia 0.002490524 0.008386774
## Parques_Centros -0.019080816 -0.014808020
## Lugares_Trabajo -0.012314119 -0.008519681
## Residencia -0.043207808 -0.026801239Resultados y discusión
plot1 <- ggplot(data = datos, aes(O3, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot2 <- ggplot(data = datos, aes(PM10, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot3 <- ggplot(data = datos, aes(Reactivacion_Comercial, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot4 <- ggplot(data = datos, aes(Supermercado_Farmacia, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot5 <- ggplot(data = datos, aes(Parques_Centros, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot6 <- ggplot(data = datos, aes(Lugares_Trabajo, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
plot7 <- ggplot(data = datos, aes(Residencia, modelo3$residuals)) +
geom_point() + geom_smooth(color = "firebrick") + geom_hline(yintercept = 0) +
theme_bw()
grid.arrange(plot1, plot2, plot3, plot4, plot5, plot6, plot7)## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
Respecto al dióxido de azufre se denota una distribucion en las demas variables anormal con una certeza del 97.5% por ejemplo analizando reactivación comercial podemos identificar una dispersión de los datos además de una linea irregular que nos muestra picos en diversas partes de la gráfica por lo que no se puede determinar un promedio de que el dióxido de azufre afecte a la reactivación comercial
Mostramos la matriz de correlacion entre predictores para el mejor modelo
corrplot(cor(dplyr::select(datos,O3,PM10,Reactivacion_Comercial,Supermercado_Farmacia,Parques_Centros,Lugares_Trabajo,Residencia)),
method = "number", tl.col = "black")
Concentracion de contaminantes atmosfericos
plot_ly(movilidad,colors = rainbow(3)) %>%
add_lines(x = ~Fecha, y = ~O3,mode="lines",name = "O3") %>%
add_lines(x = ~Fecha, y = ~SO2,mode="lines", name = "SO2") %>%
add_lines(x = ~Fecha, y = ~PM10,mode="lines", name ="PM10") %>%
rangeslider() %>%
layout(title = 'Contaminantes atmosféricos (concentraciones)',
xaxis = list(title = 'Fecha'),
yaxis = list(title = 'Concentración (ppb para O3 y SO2, ug/m3 para PM10)'))Reporte de movilidad
movilidad2 <- ggplot(movilidad)+
geom_line(aes(x=Fecha,y=Reactivacion_Comercial,colour="Recreación y comercio"))+
geom_line(aes(x=Fecha,y=Supermercado_Farmacia,colour="Supermercados y farmacias"))+
geom_line(aes(x=Fecha,y=Parques_Centros,colour="Parques"))+
geom_line(aes(x=Fecha,y=Estaciones_Transito,colour="Estaciones de tránsito"))+
geom_line(aes(x=Fecha,y=Lugares_Trabajo,colour="Lugares de trabajo"))+
geom_line(aes(x=Fecha,y=Residencia,colour="Lugares residenciales"))+
labs(title="Reporte de movilidad",x="Fecha",y="Procentaje de cambio de movilidad")
movilidad2
En esta gráfica podemos observar como en el mes de abril de 2020 comenzó esta retención en nuestros hogares con el fin de evitar el Covid-19, en todos los lugares decendió a excepción de los lugares residenciales pero poco a poco fue aumentando la movilidad en los lugares no residenciales, hasta que sucedió otro rebrote y la movilidad volvió a reducirse en poca medida, pero no como en un principio, hasta llegar a tener casi la misma movilidad que se tenía antes de esta pandemia.
Conclusion
Concluimos que existen diversas sustancias dañinas para nuestra salud y están relacionadas con la reactivación comercial. Mediante diferentes técnicas podemos analizar la variable del SO2 con respecto a otras variables como la reactivación comercial. Pudimos ver la dispersión de los datos para ver como estaban relacionados y determinar como se relaciona la reactivación comercial después de la cuarentena con otras sustancias toxicas como el SO3. La reactivación comercial conlleva a usar de una manera mas frecuente servicios como los de transporte, los de comunicación y los de información. Estos servicios generan o emiten gases tóxicos para la salud humana.
Entonces concluyendo lo que hemos observado en el documento existen muchas sustancias que pueden causarnos enfermedades con el simple hecho de hacer nuestras actividades diarias, cualquier acción que realicemos se encuentra aumentando dicha sustancia que nos afecta, y también se observó como la movilidad apoya o afecta al dióxido de azufre, la reactivación comercial realiza esto mismo afectandonos pasivamente.
Bibliografía
Instituto de Geología - UNAM. (s. f.). Instituto de Geología. Recuperado 5 de abril de 2022, de http://www.erno.geologia.unam.mx/
Google. (s. f.). Informes de movilidad local sobre el covid-19. Recuperado 5 de abril de 2022, de https://www.google.com/covid19/mobility/
Descarga de código y datos
xfun::embed_file("Evaluacion_Unidad_I.Rmd")