Professional Documents
Culture Documents
Exposición
Exposición
2022-09-11
• Descripció n de la data
• Objetivo
• Dendograma
• Conclusiones
Descripción de la data
Los datos se descargaron de EUROSTAT. Se analizan las emisiones de gases de efecto
invernadero por país y por añ o desde 1990. La informació n se mide en toneladas por
persona.
Objetivo
El objetivo es situar a los países en relació n con sus emisiones.
Número de grupos
En esta fase del aná lisis, la pregunta má s habitual es cuá ntos grupos hay que crear para
optimizar la clasificació n. En teoría, cuantos má s conglomerados se tengan, menos
dispersió n habrá dentro de los conglomerados. Esto es positivo, pero si hay muchas
divisiones, la interpretació n de los grupos es demasiado complicada y las diferencias se
vuelven demasiado insignificantes.
library(cluster)
library(fpc)
library(mclust)
library(flexmix)
library(prabclus)
##
## Attaching package: 'prabclus'
library(diptest)
library(trimcluster)
library(plyr)
library(modeltools)
library(mvtnorm)
##
## Attaching package: 'mvtnorm'
library(robustbase)
library(kernlab)
##
## Attaching package: 'kernlab'
Metodos Particionales
K-Medias o Kmeans
library(readxl)
CLUSTER
res<-kmeans(scale(emisiones),4) # con scale estadarizamos, se desea formar 4
grupos
res
## 1 1 4 3 4
## 1 1 4 4 1
## 3 3 3 3 1
## 3 3 2 3 3
## 4 1 1 3 3
## 1 3 4 3 1
##
## Within cluster sum of squares by cluster:
## [1] 33.20526 0.00000 49.33515 36.37672
## (between_SS / total_SS = 87.9 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
"tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
Los cluster que han sido escogidos por Agrupació n de K-means son 3 clusters de tamañ os
13, 1, 10, 11
El país UE27 pertenece al grupo 1, … , el país Turquía pertenece al grupo 4.
El indice de homogeneidad es 88.5%
La suma de cuadrados en el cluster 1 es 33.87231
La suma de cuadrados en el cluster 2 es 0.00000 La suma de cuadrados en el cluster 3 es
56.47946 La suma de cuadrados en el cluster 3 es 22.59696
## 2 2 8 7 8
## 8 1 9 10 2
## 7 7 4 7 1
## 4 6 3 6 6
## 8 2 2 6 6
## 7 7 8 6 2
## 5 6 1 6 4
##
## Within cluster sum of squares by cluster:
## [1] 2.611517 7.029234 0.000000 2.959890 0.000000 7.713589 5.021590
6.503359
## [9] 0.000000 0.000000
## (between_SS / total_SS = 96.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
"tot.withinss"
## [6] "betweenss" "size" "iter" "ifault" "crit"
## [11] "bestk"
Segun el criterio de calinski harabats nos dice que seleccionemos con 10 clusters de
tamañ os 3, 3, 1, 1, 6, 5, 6, 1, 1, 8
El país UE27 pertenece al grupo 5, … , el país Turquía pertenece al grupo 2.
El indice de homogeneidad es 96.8%
La suma de cuadrados en el cluster 1 es 2.611517 . . . La suma de cuadrados en el cluster 10
es 7.713589
kmeansruns(scale(emisiones),criterion="asw") # silueta
## 2 2 2 2 1
## 1 1 1 1 2
## 1 1 2 1 1
## 2 1 1 1 1
## 1 1 2 1 1
## 2 1 2 1 1
##
## Within cluster sum of squares by cluster:
## [1] 134.5915 302.5709
## (between_SS / total_SS = 55.7 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss"
"tot.withinss"
## [6] "betweenss" "size" "iter" "ifault" "crit"
## [11] "bestk"
Segun el criterio del indice de silueta nos dice que seleccionemos 2 clusters de tamañ os 12,
23
El país UE27 pertenece al grupo 2, … , el país Turquía pertenece al grupo 2.
El indice de homogeneidad es 55.7%
Por recomendació n de ambos criterios, vamos a trabajar con cluster
res=kmeans(scale(emisiones),4)
plotcluster(emisiones,res$cluster)
## 1 1 4 2 4
## 2 2 2 1 4
## 2 2 3 2 2
## 4 1 1 2 2
## 1 1 4 2 1
## 4 2 1 2 2
En el grupo 1 tenemos a los paises: UE27, UE28, Bulgaria, Grecia, Españ a, Francia, Italia,
Austria, Polonia, Eslovenia, Eslovaquia, Reino Unido y Noruega.
En el grupo 2 tenemos a los paises: Croacia Letonia Lituania Hungría Malta Portugal
Rumanía Suecia Liechtenstein Suiza y Turquía
En el grupo 4 tenemos al país: Luxemburgo
En el grupo 3 tenemos a los paises: Bélgica Chequia Dinamarca Alemania Estonia Irlanda
Chipre Países Bajos Finlandia y Islandia
## a1990 a1991 a1992 a1993 a1994 a1995 a1996 a1997 a1998 a1999 a2000
## UE27 11.7 11.4 11.1 10.8 10.8 10.9 11.1 10.9 10.8 10.6 10.6
## UE28 12.0 11.8 11.4 11.2 11.1 11.2 11.4 11.2 11.1 10.9 10.8
## Belgium 15.0 15.2 15.1 14.9 15.3 15.5 15.9 15.1 15.6 15.0 15.1
## Bulgaria 11.8 9.7 9.2 9.2 8.8 9.0 9.0 8.7 8.3 7.4 7.3
## Czechia 19.3 17.6 16.9 16.2 15.4 15.4 15.6 15.2 14.6 13.7 14.7
## Denmark 14.1 16.1 14.9 15.3 16.0 15.4 17.8 15.9 15.1 14.6 13.8
## a2001 a2002 a2003 a2004 a2005 a2006 a2007 a2008 a2009 a2010 a2011
## UE27 10.7 10.6 10.8 10.8 10.7 10.6 10.5 10.3 9.5 9.7 9.5
## UE28 10.9 10.8 11.0 10.9 10.8 10.8 10.7 10.4 9.6 9.8 9.5
## Belgium 14.8 14.7 14.7 14.7 14.3 13.9 13.5 13.5 12.1 12.7 11.6
## Bulgaria 7.9 7.7 8.4 8.3 8.4 8.6 9.2 9.0 7.9 8.3 9.1
## Czechia 14.8 14.5 14.8 14.9 14.7 14.8 14.9 14.3 13.3 13.5 13.4
## Denmark 14.0 13.8 14.7 13.6 12.8 14.2 13.3 12.5 11.9 11.9 10.9
## a2012 a2013 a2014 a2015 a2016 a2017 a2018 cluster.km
## UE27 9.3 9.1 8.8 8.9 8.9 8.9 8.7 1
## UE28 9.3 9.1 8.7 8.8 8.7 8.8 8.6 1
## Belgium 11.3 11.2 10.6 11.0 10.8 10.8 10.8 4
## Bulgaria 8.4 7.7 8.2 8.7 8.4 8.8 8.3 2
## Czechia 12.9 12.4 12.2 12.3 12.5 12.4 12.2 4
## Denmark 10.1 10.3 9.6 9.0 9.3 8.9 8.9 4
Tabla de medias
med<-aggregate(x = emisiones.new[,1:7],by =
list(emisiones.new$cluster.km),FUN = mean)
med
Describir variables
par(mfrow=c(2,4))
for (i in 1:length(emisiones.new[,1:29])) {
boxplot(emisiones.new[,i]~emisiones.new$cluster.km,
main=names(emisiones.new[i]), type="l")
}
En el añ o 1991: En el grupo 1 presenta bajo porcentaje de emisiones de gases, En el grupo 2
presenta muy bajo porcentaje de emisiones de gases, En el grupo 3 presenta alto
porcentaje de emisiones de gases, En el grupo 3 presenta muy alto porcentaje de emisiones
de gases. . . . En el añ o 2018: En el grupo 1 presenta bajo porcentaje de emisiones de gases,
En el grupo 2 presenta muy bajo porcentaje de emisiones de gases, En el grupo 3 presenta
alto porcentaje de emisiones de gases, En el grupo 3 presenta muy alto porcentaje de
emisiones de gases.
PAM
metodo particional
res=pam(scale(emisiones),4) # normalizacion Z
res
## Medoids:
## ID a1990 a1991 a1992 a1993 a1994
## UE27 1 -0.1238809 -0.1241630 -0.06470121 -0.07791954 -0.06483063
## Netherlands 21 0.4827788 0.5971890 0.77260857 0.82473993 0.87066405
## Hungary 19 -0.5877972 -0.6343876 -0.74977285 -0.69249621 -0.72166733
## Luxembourg 18 3.9264650 4.1335731 4.38826446 4.45458335 4.19465582
## a1995 a1996 a1997 a1998 a1999
## UE27 -0.01204485 -0.03687372 -0.04706348 -0.04601189 -0.05516575
## Netherlands 1.06530036 1.09521404 1.09145741 1.15540956 0.94784782
## Hungary -0.85518459 -0.82933515 -0.89489818 -0.91512527 -0.83250126
## Luxembourg 3.54787848 3.33674781 3.22315610 2.91919849 3.15447767
## a2000 a2001 a2002 a2003 a2004
## UE27 -0.0435587 -0.0573361 -0.07455773 -0.09157029 -0.09688378
## Netherlands 0.8760139 0.8027054 0.74091745 0.65852674 0.63281049
## Hungary -0.8663342 -0.8218174 -0.84343433 -0.81893710 -0.78365486
## Luxembourg 3.2717426 3.4306100 3.74652599 3.77256593 4.15251227
## a2005 a2006 a2007 a2008 a2009
a2010
## UE27 -0.09417771 -0.1302493 -0.1550273 -0.1455982 -0.1470812 -
0.1546553
## Netherlands 0.58704108 0.5146436 0.5117214 0.5687855 0.6980870
0.7718831
## Hungary -0.77539651 -0.8418552 -0.8907499 -0.9076075 -0.9154160 -
0.9105156
## Luxembourg 4.30078227 4.1171485 3.9144384 3.9502019 4.0275376
3.9416199
## a2011 a2012 a2013 a2014 a2015
a2016
## UE27 -0.1336976 -0.1201878 -0.1138304 -0.1246125 -0.0791696 -
0.08397137
## Netherlands 0.6677492 0.6992742 0.7379348 0.7361975 0.9147531
0.88589800
## Hungary -0.9351443 -0.9942806 -1.0205481 -0.9567289 -0.8923791 -
0.84811088
## Luxembourg 4.0028018 3.9498069 3.6229458 3.5194833 3.3845005
3.11953654
## a2017 a2018
## UE27 -0.1149705 -0.1346386
## Netherlands 0.7889640 0.7089306
## Hungary -0.7856315 -0.7454992
## Luxembourg 3.1216980 3.2396385
## Clustering vector:
## UE27 UE28 Belgium Bulgaria Czechia
## 1 1 2 3 2
## 2 2 2 2 1
## 1 3 3 1 2
## 3 3 4 3 3
## 2 1 1 3 3
## 1 1 2 3 1
## 2 3 1 3 3
## Objective function:
## build swap
## 1.574956 1.574956
##
## Available components:
## [1] "medoids" "id.med" "clustering" "objective" "isolation"
## [6] "clusinfo" "silinfo" "diss" "call" "data"
Grafico de siluestas
par(mfrow=c(1,3))
for(h in 2:4){
res=pam(scale(emisiones),h)
plot(res,which.plots=2)
}
## $pamobject
## Medoids:
## ID a1990 a1991 a1992 a1993 a1994
## Switzerland 34 -0.6948548 -0.5991997 -0.5404454 -0.5772631 -0.6221466
## Netherlands 21 0.4827788 0.5971890 0.7726086 0.8247399 0.8706641
## a1995 a1996 a1997 a1998 a1999
a2000
## Switzerland -0.6678202 -0.7161264 -0.7495551 -0.710628 -0.6569739 -
0.6485407
## Netherlands 1.0653004 1.0952140 1.0914574 1.155410 0.9478478
0.8760139
## a2001 a2002 a2003 a2004 a2005
a2006
## Switzerland -0.6545871 -0.7036386 -0.7507465 -0.7192701 -0.7094721 -
0.7306668
## Netherlands 0.8027054 0.7409175 0.6585267 0.6328105 0.5870411
0.5146436
## a2007 a2008 a2009 a2010 a2011
a2012
## Switzerland -0.8217759 -0.7647308 -0.6849156 -0.6666897 -0.7800256 -
0.7211266
## Netherlands 0.5117214 0.5687855 0.6980870 0.7718831 0.6677492
0.6992742
## a2013 a2014 a2015 a2016 a2017
a2018
## Switzerland -0.6633563 -0.7558732 -0.8020225 -0.8187209 -0.873109 -
0.8909421
## Netherlands 0.7379348 0.7361975 0.9147531 0.8858980 0.788964
0.7089306
## Clustering vector:
## UE27 UE28 Belgium Bulgaria Czechia
## 1 1 2 1 2
## 2 2 2 2 2
## 1 1 1 1 2
## 1 1 2 1 1
## Netherlands Austria Poland Portugal Romania
## 2 1 2 1 1
## 1 1 2 1 2
## 2 1 2 1 1
## Objective function:
## build swap
## 3.034255 2.589189
##
## Available components:
## [1] "medoids" "id.med" "clustering" "objective" "isolation"
## [6] "clusinfo" "silinfo" "diss" "call" "data"
##
## $nc
## [1] 2
##
## $crit
## [1] 0.0000000 0.4988386 0.3548675 0.4060404 0.3231428 0.3339764 0.3160318
## [8] 0.3222885 0.3155829 0.2842144
CH CALINSKI HARABATZ
pamk(scale(emisiones),criterion="ch")
## $pamobject
## Medoids:
## ID a1990 a1991 a1992 a1993
a1994
## UE28 2 -0.07035214 -0.05378722 -0.007611907 -0.001097458 -
0.005118208
## Belgium 3 0.46493588 0.54440711 0.696489502 0.709506809
0.830855770
## Italy 14 -0.56995429 -0.51122995 -0.426266799 -0.404413394 -
0.423105197
## Estonia 8 2.37412979 2.07508084 1.191263465 0.575068164
0.771143343
## Ireland 9 0.66120815 0.72034662 0.867757412 0.959178579
1.049801335
## Croatia 13 -0.99818470 -1.17980008 -1.206487280 -1.191839745 -
1.259079174
## Hungary 19 -0.58779722 -0.63438760 -0.749772852 -0.692496205 -
0.721667332
## Luxembourg 18 3.92646503 4.13357310 4.388264459 4.454583355
4.194655822
## Iceland 31 0.55415054 0.42124945 0.468132288 0.555862643
0.512389492
## a1995 a1996 a1997 a1998 a1999
## UE28 0.05821679 0.03105155 0.02560807 0.03067459 0.02006027
## Belgium 1.06530036 1.04993053 0.97033817 1.18097172 1.04814918
## Italy -0.36335308 -0.44442531 -0.41042121 -0.32719563 -0.25576846
## Estonia 0.71399214 0.77822947 0.84921893 0.69529071 0.47141638
## Ireland 1.34634694 1.32163160 1.52748669 1.76890136 1.80040935
## Croatia -1.39385720 -1.37273727 -1.35515131 -1.37524412 -1.25878203
## Hungary -0.85518459 -0.82933515 -0.89489818 -0.91512527 -0.83250126
## Luxembourg 3.54787848 3.33674781 3.22315610 2.91919849 3.15447767
## Iceland 0.76083324 0.71030421 0.94611432 1.18097172 1.37412859
## a2000 a2001 a2002 a2003 a2004
## UE28 0.004839856 -0.009556017 -0.02795915 -0.04610986 -0.07542218
## Belgium 1.045408882 0.922155614 0.88071320 0.79490802 0.74011847
## Italy -0.237152941 -0.248456435 -0.23765277 -0.22795157 -0.20419176
## Estonia 0.392028331 0.420464736 0.34482951 0.61306632 0.63281049
## Ireland 1.843985111 1.853867246 1.64958980 1.47681441 1.27665838
## Croatia -1.205124128 -1.108497941 -1.02982866 -0.97804860 -0.93388603
## Hungary -0.866334212 -0.821817439 -0.84343433 -0.81893710 -0.78365486
## Luxembourg 3.271742612 3.430610006 3.74652599 3.77256593 4.15251227
## Iceland 1.335800238 1.089385907 1.06710753 0.95401951 0.95473444
## a2005 a2006 a2007 a2008 a2009
a2010
## UE28 -0.07220291 -0.08577393 -0.1090446 -0.1217854 -0.1214701 -
0.1302727
## Belgium 0.69691508 0.60359430 0.5347127 0.6164111 0.5188089
0.5768224
## Italy -0.18207691 -0.24143772 -0.2929753 -0.3122877 -0.3775817 -
0.3740986
## Estonia 0.65296548 0.55911893 1.2474440 0.9736030 0.6212535
1.3570653
## Ireland 1.37813388 1.24848716 1.1554786 1.1402925 1.0310321
0.8694135
## Croatia -0.90724531 -0.90856827 -0.8677585 -0.8837947 -0.8641937 -
0.9105156
## Hungary -0.77539651 -0.84185521 -0.8907499 -0.9076075 -0.9154160 -
0.9105156
## Luxembourg 4.30078227 4.11714851 3.9144384 3.9502019 4.0275376
3.9416199
## Iceland 0.87271348 1.29296253 1.4543659 1.7356123 1.7225333
1.5521260
## a2011 a2012 a2013 a2014 a2015
a2016
## UE28 -0.1336976 -0.1201878 -0.1138304 -0.1533062 -0.1092885 -
0.1427513
## Belgium 0.4092180 0.4261202 0.4631718 0.3918735 0.5533267
0.4744383
## Italy -0.3663757 -0.3933418 -0.5259748 -0.5837112 -0.5309527 -
0.5248211
## Estonia 1.5467553 1.4914209 1.9743681 1.9700252 1.4267739
1.7088175
## Ireland 0.7453085 0.8631666 0.9302689 1.0231342 1.2159418
1.2679677
## Croatia -0.9092912 -0.9942806 -1.0205481 -1.0141162 -1.0128546 -
0.9656708
## Hungary -0.9351443 -0.9942806 -1.0205481 -0.9567289 -0.8923791 -
0.8481109
## Luxembourg 4.0028018 3.9498069 3.6229458 3.5194833 3.3845005
3.1195365
## Iceland 1.5467553 1.7099441 1.7820340 1.9700252 2.2399834
2.2672271
## a2017 a2018
## UE28 -0.1441296 -0.1637272
## Belgium 0.4390539 0.4762219
## Italy -0.5815173 -0.5418790
## Estonia 1.9553310 1.7852087
## Ireland 1.1680333 1.1743482
## Croatia -0.9022682 -0.9200307
## Hungary -0.7856315 -0.7454992
## Luxembourg 3.1216980 3.2396385
## Iceland 2.3635594 2.4251578
## Clustering vector:
## UE27 UE28 Belgium Bulgaria Czechia
## 1 1 2 3 2
## 2 2 4 5 1
## 3 3 6 3 2
## 6 7 8 7 7
## 2 1 1 7 7
## 9 7 1 7 6
## Objective function:
## build swap
## 0.9879691 0.9744464
##
## Available components:
## [1] "medoids" "id.med" "clustering" "objective" "isolation"
## [6] "clusinfo" "silinfo" "diss" "call" "data"
##
## $nc
## [1] 9
##
## $crit
## [1] 0.00000 38.85648 30.03803 78.94525 71.80541 81.01012 73.40502
77.03702
## [9] 82.89823 80.51983
En este caso, se obtienen 4 clusters. Uno de ellos só lo tiene una observació n. Esto es
Luxemburgo. Esto puede explicarse por el hecho de que está demasiado lejos de los demá s
y, por tanto, no consigue unirse a ellos. Los otros 3 grupos está n bien diferenciados. Los que
emiten poco y reducen sus emisiones aparecen en rojo. Los que no reducen sus emisiones
pero no contaminan mucho aparecen en negro. Por ú ltimo, los que producen gases de
efecto invernadero y no los reducen aparecen en verde.
En el grupo 1 tenemos a los paises: UE27, UE28, Bulgaria, Grecia, Españ a, Francia, Italia,
Austria, Polonia, Eslovenia, Eslovaquia, Reino Unido y Noruega.
En el grupo 3 tenemos a los paises: Croacia Letonia Lituania Hungría Malta Portugal
Rumanía Suecia Liechtenstein Suiza y Turquía
En el grupo 4 tenemos al país: Luxemburgo
En el grupo 2 tenemos a los paises: Bélgica Chequia Dinamarca Alemania Estonia Irlanda
Chipre Países Bajos Finlandia y Islandia
#PERFILAMIENTO
DATANUEVA= cbind(emisiones,clu=res$clustering)
attach(DATANUEVA)
par(mfrow=c(2,4))
boxplot(a1990~clu)
boxplot(a1991~clu)
boxplot(a1992~clu)
boxplot(a1993~clu)
boxplot(a2015~clu)
boxplot(a2016~clu)
boxplot(a2017~clu)
boxplot(a2018~clu)
En el añ o 1991:
En el grupo 1 presenta bajo porcentaje de emisiones de gases, En el grupo 2 presenta alto
porcentaje de emisiones de gases, En el grupo 3 presenta my bajo porcentaje de emisiones
de gases, En el grupo 3 presenta muy alto porcentaje de emisiones de gases. . . . En el añ o
2018: En el grupo 1 presenta bajo porcentaje de emisiones de gases, En el grupo 2 presenta
alto porcentaje de emisiones de gases, En el grupo 3 presenta my bajo porcentaje de
emisiones de gases, En el grupo 3 presenta muy alto porcentaje de emisiones de gases.
library(factoextra)
##
## Attaching package: 'ggplot2'
## The following object is masked from 'package:kernlab':
##
## alpha
## 1 1 2 1 2
## Denmark Germany Estonia Ireland Greece
## 2 2 2 2 1
## 1 1 3 1 2
## 3 3 4 3 3
## 2 1 1 3 3
## 1 1 2 3 2
## 2 3 2 3 3
## 1 1 2 3 2
## 4 4 5 6 1
## 3 3 7 3 4
## 7 7 8 9 9
## 3 3 2 9 4
## 6 9 4 9 7
plot(res.agnes.single)
Tenemos 2 graficos: grafico de banner y el grafico del dendrograma con el metodo simple
El coeficiente aglomeracion es 0.88 con el metodo simple
res.agnes.ward=agnes(scale(emisiones),method="ward")
res.agnes.ward
plot(res.agnes.ward)
El coeficiente aglomeracion es 0.94 con el metodo ward, ya que tiende a uno es una manera
eficiente de agrupar en el dendrograma.
Usando matriz de disimilaridad
diss.emisiones=daisy(scale(emisiones))
res.agnes.ward2 =agnes(diss.emisiones,method="ward")
plot(res.agnes.ward2)
Usando matriz de disimilaridad daysi, con el metodo ward tenemos el coeficiente
aglomeracion es 0.94 con el metodo ward, ya que tiende a uno es una manera eficiente de
agrupar en el dendrograma.
Determinando el número optimo de conglomerados
Indice de Silueta
par(mfrow=c(1,3))
for(h in 2:4){
conglomerados=cutree(res.agnes.ward2,k=h)
plot(silhouette(conglomerados,diss.emisiones))
}
Conclusión:
Hemos probado diferentes modelos y se recomienda utilizar 2 y 4 clusters, dependiendo de
la informació n que queramos introducir.
Existen grandes diferencias entre los países de la UE en cuanto a las emisiones de gases de
efecto invernadero. Esto se debe a las toneladas de estos gases emitidas, pero también a la
reducció n de estas emisiones en las ú ltimas décadas.
Las naciones má s avanzadas en este sentido son : Croacia Letonia Lituania Hungría Malta
Portugal Rumanía Suecia Liechtenstein Suiza y Turquía (Clusters 2)
También podemos distinguir los países que está n haciendo progresos significativos, como
UE27, UE28, Bulgaria, Grecia, Españ a, Francia, Italia, Austria, Polonia, Eslovenia,
Eslovaquia, Reino Unido y Noruega (Clusters 1)
Por ú ltimo, los países que emiten demasiado pero que no tienen mucho margen de
reducció n: Bélgica Chequia Dinamarca Alemania Estonia Irlanda Chipre Países Bajos
Finlandia y Islandia (Clusters 3)
El país má s destacado es Luxemburgo. Es un país bastante rico y social y econó micamente
avanzado, pero emiten mucho, e y no está reduciendo sus emisiones. Una posible
explicació n de este fenó meno en Luxemburgo es que hay muchos trabajadores
transfronterizos. Contaminan y al final del día regresan a sus países de origen. Así que no
cuentan como habitantes pero contribuyen a las emisiones de gases.