Introduccion

Las fuentes de energía son aquéllas que producen energía útil directamente o por medio de una transformación. Las fuentes primarias se pueden clasificar en renovables y no renovables. Las fuentes renovables se definen como la energía disponible a partir de procesos permanentes y naturales, con posibilidades técnicas de ser explotadas económicamente. Las principales fuentes renovables consideradas en el Balance Nacional de Energía son hidroenergía, geoenergía, energía eólica, solar y biomasa. Por otro lado, las fuentes no renovables son aquéllas que se extraen de los depósitos geológicos que se formaron a partir de biomasa, así como los combustibles secundarios producidos a partir de un combustible fósil.

Entre las fuentes de energía renovables más importantes se encuentran las siguientes:

• Energía eólica. Energía obtenida a través de turbinas eólicas que convierten la energía cinética del viento en electricidad por medio de un aerogenerador.
• Biomasa. Se obtiene de la vegetación, cultivos acuáticos, residuos forestales, etcétera, a través de la combustión directa o bien a través de procesos biológicos tal como la producción de alcohol a partir de productos celulosos.
• Minihidráulica. Se obtiene del aprovechamiento de las energías cinéticas y potencial de la corriente de ríos, saltos de agua o mareas.

Las energías renovables suponían un 4% de la capacidad energética mundial a principios de 2010.

El uso de energías renovables trae consigo muchas ventajas y no solo en lo que respecta a lo ambiental, sino que también acarrea ventajas económicas y sociales. En lo que respecta a las ventajas ambientales se encuentran:

• La nula emisión de gases de efecto invernadero (GEI) y otros contaminantes que contribuyen al cambio climático.
• Ayudan a la reducción de enfermedades relacionadas a la contaminación.
• No necesitan de grandes cantidades de agua para su funcionamiento.
• No crean problemas de basura difíciles de resolver.
• Reducen la necesidad de industrias que utilicen combustibles fósiles.
• Entre las ventajas económicas se encuentran:
• Reducción de las tarifas en servicios de luz, agua y gas.
• Generación de empleos directos (en la construcción, desarrolladores, fabricantes de equipo, etc.) e indirectos (en la agricultura al expandir los sistemas de riego, etc.).
• Para los ayuntamientos al reducir los costes de los servicios municipales de energía eléctrica.
• Entre las ventajas sociales se encuentra:
• La posibilidad de llevar energía eléctrica a comunidades remotas, y en la promoción del desarrollo de estas.

Con lo que respecta a la generación de energía eléctrica en México de Octubre de 2018 a 2020, en el año 2018 se reportó una producción 312,739.32 GWh, en el año 2019 se reportó una producción de 320,056.14 GWh, mientras que en 2020 se reportó una producción de 264,607.57 GWh, de estas cantidades el 22.20% vino de energías limpias en el año 2018, el 21.80% en 2019 y el 25.50% en 2020, entre las fuentes de producción de energías limpias se encuentran la hidroeléctrica, eoloeléctrica, bio energía, geotermoeléctrica y la fotovoltaica con los siguientes porcentajes:

Imagen representativa

Objetivos particulares

Las preguntas que se buscan responder con esta investigación son:

• Cómo evolucionó la energía eléctrica en México en relación con la población y el PIB.
• Línea de tiempo mostrando las diferentes políticas y decisiones en general implementadas en relación a la energía eléctrica en el país.
• Cómo evolucionó México en relación a otros países en el sector de energías renovables.

Teoría

• Energía Renovable: Alternativa de energía más limpia y ayudan a cuidar el ambiente. Las energías renovables se basan en recursos que son abundantes que tienen la ventaja de no producir gases de efecto invernadero u otras emisiones contaminantes para el medio ambiente.

• Energía no Renovable: Son los recursos energéticos que pueden agotarse, y tienen a tener un ritmo de consumo mayor al de su regeneración. Este tipo de energía consume algún tipo de combustible como lo es el carbón y el petróleo.

• Heliostato: Grupo de espejos que se mueven sobre dos ejes siguiendo al sol, de forma que los rayos solares puedan pegar a estos espejos de forma indefinida.

Cómo evolucionó la energía eléctrica en México en relación con la población y el PIB

En 2020, el producto interno bruto (PIB) anual del sector encargado de la generación, transmisión y distribución de energía eléctrica, así como del suministro de agua y de gas por ductos al consumidor final en México se situó alrededor de los 270.700 millones de pesos mexicanos. Cifra inferior a los 285.8000 millones de pesos registrados en 2019.

Imagen representativa relacion al PIB y energias electricas mas adicion de siministros de agua y gas

Estados de México con porcentaje de energía eléctrica.

Imagen

Imagen representativa linea del tiempo

Evolución de México en relación a otros países en el sector de energías renovables

Datos

datos <- read.csv("share-electricity-renewables.csv")
datatable(datos)

datosMex <- datos %>% filter(grepl('MEX', Code))
datosUsa <- datos %>% filter(grepl('USA', Code))
datosCan <- datos %>% filter(grepl('CAN', Code))

produccionMex = ts(datosMex[4], start = c(1985), end = c(2021), frequency = 1)
produccionUsa = ts(datosUsa[4], start = c(1985), end = c(2021), frequency = 1)
produccionCan = ts(datosCan[4], start = c(1985), end = c(2021), frequency = 1)

Evolución de producción de energías renovables en México

plot(produccionMex, main ="Producción de energías renovables en México (1985-2021)", xlab="Año", ylab="Porcentaje")

Comparativa entre México y los demás paises del T-MEC

Fecha <- seq(from = as.Date("1985-1-1"), to = as.Date("2021-12-31"), by = "year")

#México
vec1 <- as.vector(produccionMex)
num1 <- as.numeric(vec1)
prodMex <- as.vector(num1)

#Estados Unidos
vec1 <- as.vector(produccionUsa)
num1 <- as.numeric(vec1)
prodUsa <- as.vector(num1)

#Canada
vec1 <- as.vector(produccionCan)
num1 <- as.numeric(vec1)
prodCan <- as.vector(num1)

datos1 <- data.frame(Fecha, prodMex, prodUsa, prodCan)

gProd <- ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodUsa, colour="Estados Unidos")) +
  geom_line(aes(Fecha, prodCan, colour="Canada")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables del T-MEC") +
  scale_y_continuous()
gProd

ggplotly(gProd)

ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodUsa, colour="Estados Unidos")) +
  geom_line(aes(Fecha, prodCan, colour="Canada")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables del T-MEC") +
  scale_y_continuous() +
  transition_reveal(Fecha)

En esta comparación se puede observar como México y EUA son bastantes parecidos en cuestión al uso de las energías renovables, pero con la peculiaridad de que ambos se encuentran bastante distantes al país del norte, Canadá. Esto se puede deber a las diferencias que este país suele tener en sus prioridades y en su gobierno en general en comparación a los otros.

Comparativa entre México y otros paises latinoamericanos

datosArg <- datos %>% filter(grepl('ARG', Code))
datosCol <- datos %>% filter(grepl('COL', Code))
datosChl <- datos %>% filter(grepl('CHL', Code))
datosPer <- datos %>% filter(grepl('PER', Code))
datosBra <- datos %>% filter(grepl('BRA', Code))
datosPry <- datos %>% filter(grepl('PRY', Code))

produccionArg = ts(datosArg[4], start = c(1985), end = c(2021), frequency = 1)
produccionCol = ts(datosCol[4], start = c(1985), end = c(2021), frequency = 1)
produccionChl = ts(datosChl[4], start = c(1985), end = c(2021), frequency = 1)
produccionPer = ts(datosPer[4], start = c(1985), end = c(2021), frequency = 1)
produccionBra = ts(datosBra[4], start = c(1985), end = c(2021), frequency = 1)
produccionPry = ts(datosPry[4], start = c(1985), end = c(2021), frequency = 1)

#Argentina
vec1 <- as.vector(produccionArg)
num1 <- as.numeric(vec1)
prodArg <- as.vector(num1)

#Colombia
vec1 <- as.vector(produccionCol)
num1 <- as.numeric(vec1)
prodCol <- as.vector(num1)

#Chile
vec1 <- as.vector(produccionChl)
num1 <- as.numeric(vec1)
prodChl <- as.vector(num1)

#Perú
vec1 <- as.vector(produccionPer)
num1 <- as.numeric(vec1)
prodPer <- as.vector(num1)

#Brasil
vec1 <- as.vector(produccionBra)
num1 <- as.numeric(vec1)
prodBra <- as.vector(num1)

#Paraguay
vec1 <- as.vector(produccionPry)
num1 <- as.numeric(vec1)
prodPry <- as.vector(num1)

datos1 <- data.frame(Fecha, prodMex, prodArg, prodCol, prodChl, prodPer, prodBra, prodPry)

gProd2 <- ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodArg, colour="Argentina")) +
  geom_line(aes(Fecha, prodCol, colour="Colombia")) +
  geom_line(aes(Fecha, prodChl, colour="Chile")) +
  geom_line(aes(Fecha, prodPer, colour="Perú")) +
  geom_line(aes(Fecha, prodBra, colour="Brasil")) +
  geom_line(aes(Fecha, prodPry, colour="Paraguay")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous()
gProd2

ggplotly(gProd2)

ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodArg, colour="Argentina")) +
  geom_line(aes(Fecha, prodCol, colour="Colombia")) +
  geom_line(aes(Fecha, prodChl, colour="Chile")) +
  geom_line(aes(Fecha, prodPer, colour="Perú")) +
  geom_line(aes(Fecha, prodBra, colour="Brasil")) +
  geom_line(aes(Fecha, prodPry, colour="Paraguay")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous() +
  transition_reveal(Fecha)

En esta comparación se puede notar que las energías renovables varían bastante de país a país, pero se nota que México se encuentra bastante por debajo de los demás países latinos.

Comparativa entre México y las potencias mundiales

datosChn <- datos %>% filter(grepl('CHN', Code))
datosInd <- datos %>% filter(grepl('IND', Code))
datosJpn <- datos %>% filter(grepl('JPN', Code))
datosDeu <- datos %>% filter(grepl('DEU', Code))
datosRus <- datos %>% filter(grepl('RUS', Code))
datosIdn <- datos %>% filter(grepl('IDN', Code))

produccionChn = ts(datosChn[4], start = c(1985), end = c(2021), frequency = 1)
produccionInd = ts(datosInd[4], start = c(1985), end = c(2021), frequency = 1)
produccionJpn = ts(datosJpn[4], start = c(1985), end = c(2021), frequency = 1)
produccionDeu = ts(datosDeu[4], start = c(1985), end = c(2021), frequency = 1)
produccionRus = ts(datosRus[4], start = c(1985), end = c(2021), frequency = 1)
produccionIdn = ts(datosIdn[4], start = c(1985), end = c(2021), frequency = 1)

#China
vec1 <- as.vector(produccionChn)
num1 <- as.numeric(vec1)
prodChn <- as.vector(num1)

#India
vec1 <- as.vector(produccionInd)
num1 <- as.numeric(vec1)
prodInd <- as.vector(num1)

#Japon
vec1 <- as.vector(produccionJpn)
num1 <- as.numeric(vec1)
prodJpn <- as.vector(num1)

#Alemania
vec1 <- as.vector(produccionDeu)
num1 <- as.numeric(vec1)
prodDeu <- as.vector(num1)

#Rusia
vec1 <- as.vector(produccionRus)
num1 <- as.numeric(vec1)
prodRus <- as.vector(num1)

#Indonesia
vec1 <- as.vector(produccionIdn)
num1 <- as.numeric(vec1)
prodIdn <- as.vector(num1)

datos1 <- data.frame(Fecha, prodMex, prodChn, prodInd, prodJpn, prodDeu, prodRus, prodIdn)

gProd3 <- ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodChn, colour="China")) +
  geom_line(aes(Fecha, prodInd, colour="India")) +
  geom_line(aes(Fecha, prodJpn, colour="Japon")) +
  geom_line(aes(Fecha, prodDeu, colour="Alemania")) +
  geom_line(aes(Fecha, prodRus, colour="Rusia")) +
  geom_line(aes(Fecha, prodIdn, colour="Indonesia")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous()
gProd3

ggplotly(gProd3)

ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodChn, colour="China")) +
  geom_line(aes(Fecha, prodInd, colour="India")) +
  geom_line(aes(Fecha, prodJpn, colour="Japon")) +
  geom_line(aes(Fecha, prodDeu, colour="Alemania")) +
  geom_line(aes(Fecha, prodRus, colour="Rusia")) +
  geom_line(aes(Fecha, prodIdn, colour="Indonesia")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="País") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous() + 
  transition_reveal(Fecha)

En cuestión a la comparación con otras economías grandes se puede decir que la mayoría de estos siguen un patrón bastante similar teniendo aumentos incrementales de manera constante pero no rápida, a excepción de Alemania que dio un salto bastante grande en las últimas décadas.

Comparativa entre México y las regiones del mundo

datosNA <- datos %>% filter(grepl('North America', Entity))
datosSA <- datos %>% filter(grepl('South America', Entity))
datosEU <- datos %>% filter(grepl('Europe', Entity))
datosAS <- datos %>% filter(grepl('Asia', Entity))
datosAF <- datos %>% filter(grepl('Africa', Entity))
datosOC <- datos %>% filter(grepl('Oceania', Entity))

produccionNA = ts(datosNA[4], start = c(1985), end = c(2021), frequency = 1)
produccionSA = ts(datosSA[4], start = c(1985), end = c(2021), frequency = 1)
produccionEU = ts(datosEU[4], start = c(1985), end = c(2021), frequency = 1)
produccionAS = ts(datosAS[4], start = c(1985), end = c(2021), frequency = 1)
produccionAF = ts(datosAF[4], start = c(1985), end = c(2021), frequency = 1)
produccionOC = ts(datosOC[4], start = c(1985), end = c(2021), frequency = 1)

#Norteamérica
vec1 <- as.vector(produccionNA)
num1 <- as.numeric(vec1)
prodNA <- as.vector(num1)

#Sudamérica
vec1 <- as.vector(produccionSA)
num1 <- as.numeric(vec1)
prodSA <- as.vector(num1)

#Europa
vec1 <- as.vector(produccionEU)
num1 <- as.numeric(vec1)
prodEU <- as.vector(num1)

#Asia
vec1 <- as.vector(produccionAS)
num1 <- as.numeric(vec1)
prodAS <- as.vector(num1)

#África
vec1 <- as.vector(produccionAF)
num1 <- as.numeric(vec1)
prodAF <- as.vector(num1)

#Oceanía
vec1 <- as.vector(produccionOC)
num1 <- as.numeric(vec1)
prodOC <- as.vector(num1)

datos1 <- data.frame(Fecha, prodMex, prodNA, prodSA, prodEU, prodAS, prodAF, prodOC)

gProd4 <- ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodNA, colour="Norteamérica")) +
  geom_line(aes(Fecha, prodSA, colour="Sudamérica")) +
  geom_line(aes(Fecha, prodEU, colour="Europa")) +
  geom_line(aes(Fecha, prodAS, colour="Asia")) +
  geom_line(aes(Fecha, prodAF, colour="África")) +
  geom_line(aes(Fecha, prodOC, colour="Oceanía")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="Región") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous()
gProd4

ggplotly(gProd4)

ggplot(data = datos1) +
  geom_line(aes(Fecha, prodMex, colour="México"), size = 1.5) +
  geom_line(aes(Fecha, prodNA, colour="Norteamérica")) +
  geom_line(aes(Fecha, prodSA, colour="Sudamérica")) +
  geom_line(aes(Fecha, prodEU, colour="Europa")) +
  geom_line(aes(Fecha, prodAS, colour="Asia")) +
  geom_line(aes(Fecha, prodAF, colour="África")) +
  geom_line(aes(Fecha, prodOC, colour="Oceanía")) +
  xlab("Fecha") +
  ylab("Porcentaje") +
  labs(colour="Región") +
  ggtitle("Porcentaje de producción de energías renovables") +
  scale_y_continuous() + 
  transition_reveal(Fecha)

Comparando las regiones del mundo se puede observar que la mayoría del mundo siguen un patrón bastante similar y algo insuficiente a los acuerdos internacionales que se tienen establecidos, con la excepción de de Sudamérica que se mantiene constante con un alto porcentaje de energías renovables y África teniendo un avance muy grande en comparación a todas las demás regiones.

Método K-Nearest Neighbors (Vecino cercano)

K-NN (o k-vecinos) es un sistema de clasificación basado en la comparación de instancias nuevas con instancias presentes en el juego de datos de entrenamiento. La construcción de grupos se realiza a partir del propio juego de datos de entrenamiento, tomando como referencia el parámetro k indicado por el investigador. El algoritmo de los K vecinos más cercanos es uno de los algoritmos más simples que existen que muestran la esencia del aprendizaje basado en instancias. Este algoritmo asume que todas las instancias corresponden a puntos que se encuentran en un espacio de dimensión n. El vecino más cercano de una instancia es definido en términos de la distancia Euclidiana estándar.

euclidean_distance = function(a, b){
  # Comprobamos que tienen la misma cantidad de observaciones
  if(length(a) == length(b)){
    sqrt(sum((a-b)^2))  
  } else{
    stop('Vectors must be of the same length')
  }
}

euclidean_distance(1:10, 11:20)

## [1] 31.62278

Datos cargados para el modelo

datosNecesarios <- read.csv("share-electricity-renewables.csv")
datatable(datosNecesarios, caption = "Datos necesarios")

Se preparan estos mismos datos cargados para hacer uso del modelo

datos.prep <- select(datosNecesarios, Year, Porcentaje.Energias.Renovables, Nivel)

datatable(datos.prep, caption = "Datos preparados. Variables de interés")

Se construye el modelo kNN

modelo <- knn(train = datos.prep[,1:2], test = datos.prep[,1:2], k = 4, cl = datos.prep[,3] )

Resumen del modelo

summary(modelo)

##    Aceptable Insuficiente 
##         1338         4999

Evaluar el modelo

Se construye un conjunto de datos llamado datos.r.p con valores reales y valores predichos a partir de los datos preparados incorporados en el algoritmo KNN

datos.r.p <- data.frame(reales = datos.prep$Nivel, prediccion = modelo)

Ahora se construye la matriz de confusión con la función confusionMatrix() no sin antes categorizar o factorizar los valores de datos.r.p

Categorizar o factorizar

datos.r.p$reales <- as.factor(datos.r.p$reales)
datos.r.p$prediccion <- as.factor(datos.r.p$prediccion)

Matriz de confusión

matriz <- confusionMatrix(datos.r.p$reales, datos.r.p$prediccion)

matriz

## Confusion Matrix and Statistics
## 
##               Reference
## Prediction     Aceptable Insuficiente
##   Aceptable         1332            3
##   Insuficiente         6         4996
##                                           
##                Accuracy : 0.9986          
##                  95% CI : (0.9973, 0.9994)
##     No Information Rate : 0.7889          
##     P-Value [Acc > NIR] : <2e-16          
##                                           
##                   Kappa : 0.9957          
##                                           
##  Mcnemar's Test P-Value : 0.505           
##                                           
##             Sensitivity : 0.9955          
##             Specificity : 0.9994          
##          Pos Pred Value : 0.9978          
##          Neg Pred Value : 0.9988          
##              Prevalence : 0.2111          
##          Detection Rate : 0.2102          
##    Detection Prevalence : 0.2107          
##       Balanced Accuracy : 0.9975          
##                                           
##        'Positive' Class : Aceptable       
## 

Ahora, la función de la matriz de confusión hace de forma automática las métricas de calidad del modelo, sin embargo es importante que sepamos de donde salen dichas métricas y cómo se calculan, a continuación lo veremos:

Calculos para las métricas del modelo

exactitud <- round(as.numeric(matriz$overall[1]) * 100,2)
sensibilidad <- round(as.numeric(matriz$byClass[1]) * 100,2)
especificidad <- round(as.numeric(matriz$byClass[2]) * 100,2)
precision.Aceptable <- round(as.numeric(matriz$byClass[3]) * 100,2)
precision.Insuficiente <- round(as.numeric(matriz$byClass[4]) * 100,2)
kappa <- round(as.numeric(matriz$overall[2]) * 100,2)

sensibilidad

## [1] 99.55

El presente 99.4% de precisión se obtiene luego de realizar los cálculos pertinentes. Calculando esto, el modelo muestra una precisión muy alta que nos permite comprobar el panorama de la situación respecto a energías limpias en el mundo. Al igual que realizar alguna predicción sobre la generación de estas energías en los próximos años. Lo anterior se refiere a lo que se muestra a continuación:

Realizando predicciones

Year <- c(1999, 2004, 2009, 2014 ,2019, 2024, 2030)
Porcentaje.Energias.Renovables <- c(44.063, 40.026  , 36.38, 59.629 ,67.639, 76.126, 85.431)
Nivel <- c("Insuficiente", "Insuficiente", "Insuficiente","Insuficiente", "Aceptable", "Aceptable", "Aceptable")

datos.nuevos <- data.frame(Year, Porcentaje.Energias.Renovables, Nivel)

datatable(datos.nuevos, caption = "Datos nuevos")

Resultados del modelo

modelo <- knn(train = datos.prep[,1:2], test = datos.nuevos[,1:2], k = 4, cl = datos.prep[,3] )

modelo

## [1] Insuficiente Insuficiente Insuficiente Insuficiente Aceptable   
## [6] Aceptable    Aceptable   
## Levels: Aceptable Insuficiente

Visualizando la predicción de los datos nuevos

datos.nuevos <- mutate(datos.nuevos, prediccion = modelo)
datatable(datos.nuevos, caption = "Predicción de datos nuevos")

Realizando una comparación de el cambio en el porcentaje de energías renovables podemos observar como con el paso de los años la predicción que el método nos arrojó fue que aumentará aún más el uso de estas energías limpias, teniendo una perspectiva más amplia de estas mismas verificaciones.

Resultados y discusión:

Los resultados obtenidos según los modelos y métodos utilizados, comparando las regiones del mundo se puede observar que la mayoría de naciones siguen un patrón bastante similar pero puede ser considerado algo insuficiente a los acuerdos internacionales que se tienen establecidos, con la excepción de Sudamérica que se mantiene constante con un alto porcentaje de energías renovables y África teniendo un avance muy grande en comparación a todas las demás regiones. México es una nación que no se ha quedado atrás en el progreso, puesto que uno pensaría que México no está a la altura para seguirle el paso a los países más desarrollados, sin embargo, los resultados muestran que México ha llevado un ritmo incluso similar que países de primer mundo como Alemania y Japón entre los años 2000 y 2010. El auge de estas nuevas tecnologías nos hace darnos cuenta de la gran importancia que tienen las energías renovables en el mundo. Nuestro país aún tiene mucho camino por delante para llegar al punto de tener más del 90% de producción de energía limpia para abastecer este valioso recurso, la energía eléctrica, a la población. Consideramos que según las estadísticas y gráficas obtenidas mediante los métodos utilizados que, con el paso de los años, México y otros países en desarrollo podrán llegar al porcentaje actual de los países de primer mundo.

Conclusión:

Cada vez son más los que apuestan por el uso de energías renovables. Estas energías son recursos limpios e inagotables que nos proporciona la naturaleza. Su empleo nos proporciona un sinfín de ventajas, el más importante, reducir el efecto invernadero y proteger nuestro a planeta, concluyendo con este proyecto nos dimos cuenta de como no todos los países se encuentran con niveles aceptables de uso de energías renovables, sin embargo con el paso de los años, han sido más paises los que poco a poco están incrementando su producción de estas energías limpias, tal es el caso de México que según los análisis, es uno de los países en latinoamérica con mayor auge en el aumento del uso de estas mismas energías renovables.

Referencias bibliográficas: formato APA, libros, artículos, blogs, videos, posts https://www.citethisforme.com/Es

https://www.oaxaca.gob.mx/semaedeso/energias-renovables/#:~:text=Las%20energ%C3%ADas%20renovables%20son%20recursos,como%20son%20los%20combustibles%20f%C3%B3siles. https://www.gob.mx/cms/uploads/attachment/file/610964/Cap10_-_Marco_Juri_dico_Reporte_Avance_de_Energi_as_Limpias_WEB.pdf https://www.gob.mx/semarnat/articulos/beneficios-de-usar-energias-renovables-172766#:~:text=La%20principal%20ventaja%20es%20la,de%20agua%20para%20su%20funcionamiento. https://www.ceupe.pe/blog/energias-no-renovables.html#:~:text=Las%20energ%C3%ADas%20no%20renovables%20son,%2C%20hidr%C3%A1ulica%2C%20etc.). https://cumbrepuebloscop20.org/energias/solar/heliostato/