“Expediente de víctimas fatales en Chile dado el creciente

parque vehicular a partir de 1972”

Integrantes: Juan Carlos Castillo Valderrama

Gerardo Santander Gavilán
Curso: Modelo de Pronósticos
Profesor: Elba Henríquez Arriagada
Fecha: Sábado 28 de marzo del 2020
 ÍNDICE
Resumen
Nomenclatura y abreviaciones
Introducción
1.1 Presentación del tema
1.2 Objetivo General
1.3 Objetivo Específico
1.4 Justificación
1.5 Delimitaciones
1.6 Metodología
1.7 Definición de variables
Estadísticos descriptivos
Matriz de correlación
Planteamiento general
2.1 Resumen del modelo
2.2 Análisis de varianza
2.3 Coeficientes
Regresión lineal
3.1 Resumen del modelo
3.2 Análisis de varianza
3.3 Coeficientes
3.4 Diagnostico de colinealidad
3.5 Histograma
3.6 Gráfico P-P normal de regresión Residuo estandarizado
3.7 Diagrama de dispersión
3.8 Prueba Durblin-Watson
3.9 Prueba de normalidad Shapiro-Wilk
3.10 Supuestos de Homocedasticidad y Heterocedasticidad
3.11 Modelo
Conclusión
Bibliografía
Anexos
4.1 Tabla de datos
Resumen
Este trabajo exhibe la variabilidad del número de fallecidos en Chile entre los años 1972 a
2018. Se obtiene un conjunto de datos provenientes de la comisión nacional de seguridad
de tránsito, se realiza un análisis general desempeñando todos los datos alcanzados,
además se realiza un método de regresión lineal con los datos, luego se hace una nueva
regresión, pero descartando algunas variables, para posteriormente obtener un modelo
predictivo del número de fallecidos en Chile por año. Finalmente se concluyen los
resultados obtenidos.

Nomenclatura y abreviaciones

 CONASET: Comisión Nacional de Seguridad de Tránsito.

 SPSS: Statistical Package for the Social Sciences. 
 H0: Hipótesis nula.
 H1: Hipótesis alternativa.
 SCr: Suma de todas las diferencias que existen entre el valor estimado y el valor
promedio.
 SCe: Suma de las diferencias que existe entre el valor observado y el valor predicho.
 TV: Total víctimas.
 PV: Parque vehicular.
 SF: Siniestros por cada fallecido.

Introducción

1.1 Presentación del tema

La industria automotriz se define como el conjunto de organizaciones asociadas a las áreas
de diseño, fabricación y venta de vehículos motorizados, figurando como una de las
industrias más importantes del mundo debido a su rápida expansión a nivel global. Siendo
pionera en ámbitos de modernización y tecnología. Teniendo una gama muy amplia de
diversidad de marcas y modelos.
En esta globalización automotriz Chile no se ha quedado ausente siendo un gran
consumidor de esta industria. Lamentablemente el país no se ha quedado exento de
accidentes automovilísticos, entendidos en este estudio como siniestros.
A través de los datos obtenidos en CONASET según fuentes de Carabineros de Chile se
estiman ciertos registros con respecto a los distintos siniestros ocurridos en Chile, desde
1972 hasta 2018. En base a esto se hará hincapié en identificar qué relación tienen el
número de fallecimientos por año con respecto a los siniestros automovilísticos y así poder
realizar ciertas proyecciones en un futuro.
Se ha de aclarar que el estudio hecho en este informe es de carácter confirmatorio, pues,
los datos analizados son extraídos de CONASET, en donde la variable dependiente a
estudiar es consecuencia directa de las variables independientes expuestas. Con esto
sentaremos que habrá un solo modelo de regresión.
Para este análisis se considera como variable dependiente:
● Fallecidos por año.
Variables independientes:
● Año.
● Siniestros.
● Total víctimas.
● Vehículos cada 100 habitantes.
● Parque vehicular.
● Población.
● Fallecidos cada 100 siniestros.
● Siniestros por cada fallecido.

1.2 Objetivo general

● Construir un modelo predictivo para los fallecimientos por año debido a siniestros en
Chile.

1.3 Objetivos específicos

● Comprobar si existe relación entre determinadas variables de carácter numérico.
● Observar las características de los distintos datos estudiados.
● Realizar un análisis comprobatorio de los datos obtenidos.

1.4 Justificación
El análisis presentado a continuación tiene como enfoque principal el nexo que conlleva el
crecimiento en el consumo de vehículos y su conexión con el número de muertos causado
por los siniestros en el país en cada año. El motivo de este análisis tan exhaustivo es que la
conducción responsable es fundamental para disminuir los casos de fallecimientos
automovilísticos, dado que lastimosamente la gran cantidad de fallecidos dada la
imprudencia de los conductores, es una tónica que se ve reflejada año tras año, producto de
las malas prácticas de los conductores, como es el consumo de alcohol, drogas,
somnolencia y el exceso de velocidad.

1.5 Delimitaciones
El presente informe fue desarrollado considerando la información de estudios estadísticos
dentro del rango de años de 1972 a 2018 en los cuales se plantea la evolución de siniestros
de tránsito en Chile, éste se acotó despreciando los datos referidos a lesiones, para efectos
de la investigación.

1.6 Metodología
Se introduce el tema abordado a través de la problemática planteada sobre los
fallecimientos en accidentes de tránsito, de la cual se efectúa un análisis basado en
información descriptiva y gráfica de la situación de la seguridad vial en el país, entregando
una breve presentación de este. Posteriormente se definen objetivos: Un objetivo general y
varios específicos. Para ello es necesario: Investigar sobre los principales organismos
Encontrar información fidedigna, que sirva para abarcar de la mejor manera el tema. Filtrar
entre todos los estudios y bases de datos encontrados del tema, información que sea
acorde a nuestros objetivos. Seleccionar información específica para su posterior análisis.
(información acotada). Posteriormente buscar respaldos estadísticos que demuestren y
acrediten la información, generando tablas y/o gráficos respecto a estos.
1.7 Definición de variables

● Fallecidos: Cantidad de personas fallecidas en un año producto de un accidente de

tránsito.
● Año: Referente al año en cuestión.
● Siniestros: Consiste en cualquier tipo de accidente de tránsito como atropellos,
colisiones, caídas, choques, volcaduras u otros.
● Total víctimas: Es la suma entre fallecidos y lesionados en algún accidente de
tránsito.
● Vehículos cada 100 habitantes: Cantidad de vehículos registrados con su
correspondiente certificado de matriculación el cual certifica su permiso de
circulación por cada 100 habitantes.
● Parque vehicular: Número de unidades vehiculares registradas por los
gobiernos estatales y municipales, de acuerdo con el tipo de vehículo y el
servicio que presta, además de la producción y venta nacional de
automotores.
● Población: Conjunto de habitantes en Chile.
● Fallecidos cada 100 siniestros: Promedio de personas fallecidas una vez ocurridos
100 siniestros automovilísticos.
● Siniestros por cada fallecido: Cantidad de siniestros que pasan hasta que fallece
una persona.

Estadísticos descriptivos
A continuación, utilizando el programa SPSS, se procedió a realizar la extracción de
estadísticos descriptivos de los datos a utilizar en la regresión.

Tabla 1: Estadísticos descriptivos.

Fuente: Elaboración propia

Matriz de correlación
A continuación, se presentan las matrices de correlaciones de Pearson y Sig (unilateral), las
que permitirán analizar de mejor forma la existencia de una dependencia lineal entre las
variables, sin tomar en cuenta las diferentes unidades de medidas de éstas:

Tabla 2: Matriz de correlaciones.

Fuente: Elaboración propia.

Correlación de Pearson: A primera vista se evidencia que las variables tienen unas
correlaciones moderadamente altas y altas, a excepción de la variable dependiente
Fallecidos, la cual expone correlaciones moderadamente bajas.
Excluyendo las variables Fallecidos y Fallecidos cada 100 vehículos, todas las variables
presentan asociaciones lineales positivas de carácter alto teniendo un coeficiente de
correlación mayor a 0,7.
Por otra parte, se destaca la variable Fallecidos cada 100 vehículos, siendo la única variable
que expone una asociación lineal negativa con respecto a todas las variables.
En contraste a la tónica mostrada, la variable Fallecidos presenta sólo dos correlaciones
moderadas, estas son Total víctimas (0,686) y Población (0,512).

Sig (unilateral): Para el análisis de esta matriz se deben hacer las siguientes hipótesis.
● H0: No existe correlación significativa entre las variables.
● H1: Si existe correlación significativa entre las variables.

Primeramente, se debe destacar que para la mayoría de las variables estudiadas tienen una
significancia menor a 0,05, por lo que hay evidencia significativa para rechazar H0 en favor
de H1, en cada caso, es decir, las variables se correlacionan. Al margen de esto, las
siguientes dos variables exponen lo siguiente:
Fallecidos cada 100 siniestros e Fallecidos tienen una significancia de 0,055, mayor a 0,05,
por lo que no hay evidencia significativa para rechazar H0 en favor de H1, es decir, estas
variables no se correlacionan.
Siniestro por cada fallecido e Fallecidos tienen una significancia de 0,171, mayor a 0,05, por
lo que no hay evidencia significativa para rechazar H0 en favor de H1, es decir, estas
variables no se correlacionan.

Planteamiento general

2.1 Resumen del modelo

A continuación, se presentan los datos obtenidos en la regresión, hecho a través de SPSS.
Tabla 3: Resumen del modelo.

Fuente: Elaboración propia.

En el modelo predictivo de Fallecidos, las variables independientes con la dependiente se

correlacionan un 97,4%. La variabilidad explicada alcanza un 95%. Es decir, el modelo
propuesto explica un 95% de la variabilidad de la variable dependiente Fallecidos con el uso
de las variables independientes Siniestros, Años, Total víctimas, Vehículos cada 100
habitantes, Parque vehicular, Población, Fallecidos cada 100 siniestros y Siniestros por
cada fallecido.

2.2 Análisis de varianza

Enseguida se presenta un análisis de varianza, con el propósito de evaluar el nivel de
significancia global del modelo de regresión propuesto, para ello se tomarán en cuenta las
siguientes hipótesis:
● H0: Bk=0 (B1= B2= B3 =... 0)
● H1: Existe al menos un Bk =/= 0

Tabla 4: Análisis de varianza.

Fuente: Elaboración propia.

De acuerdo a el análisis de la varianza, podemos decir que el modelo de regresión es

significativo, ya que tenemos una significancia menor a 0,05 de encontrar los coeficientes
de regresión iguales a cero. Por ende, se rechaza H0 en favor de H1, por lo que existe al
menos un Bk distinto de 0.

2.3 Coeficientes
Por otra parte, se hace una estimación de los parámetros, estadístico t e intervalos de
confianza para los coeficientes de regresión, con la finalidad de discriminar qué coeficientes
de regresión son significativos o que variables explican el comportamiento de la variable
respuesta Fallecidos. En esta ocasión se plantean las siguientes hipótesis:
● H0: Bk = 0 (B1 =0)
● H1: Bk =/= 0 (B1=/=0)

Tabla 5: Coeficientes.

Fuente: Elaboración propia.

El primer punto a ver es la significancia de los estadísticos t, en ellos se aprecian como las
variables Año, Total víctimas, Vehículos cada 100 habitantes, Parque vehicular, Población y
Fallecidos cada 100 siniestros tienen un p-valor superior a 0,05 del nivel de significancia.
por lo cual no rechazamos H0 en favor de H1, en consecuencia, estas variables no son
significativa para el modelo.

Intervalos de confianza: De igual forma al punto anterior, las variables ya mencionadas, se

encuentra el cero contenido en el intervalo de confianza del 95%.

Estadísticas de colinealidad: Si se observa el factor de inflación de la varianza entre las

variables, es posible encontrar que hay variables que tiene un FIV mayor a 10 indicando
inmediatamente que hay presencia de colinealidad entre las variables predictoras.

En base a lo anterior se debe eliminar variables para el modelo.

Regresión Lineal

3.1 Resumen del modelo

A continuación, se presenta el análisis completo de la regresión lineal, efectuada tras la
eliminación de las variables Siniestros, Año, Vehículos cada 100 habitantes, Población y
Fallecidos cada 100 siniestros, esto debido a los resultados arrojados al efectuar una
regresión tomando las nueve variables originales.
Siguiendo con la estructura anterior se muestra el resumen del nuevo modelo, hecho a
través de SPSS, se muestra el resumen del modelo.

Tabla 6: Resumen del modelo.

Fuente: Elaboración propia.

En el modelo predictivo de Fallecidos, Las variables independientes con la dependiente se

correlacionan un 89,2%. La variabilidad explicada alcanza un 79,5%. Es decir, el modelo
propuesto explica un 79,5% de la variabilidad de la variable dependiente Fallecidos con el
uso de las variables independientes Total víctimas, Parque vehicular y Siniestros por cada
fallecido. Esta variabilidad es menor a la primera, aun así, sigue siendo igual de buena por
su nivel de representatividad.

3.2 Análisis de varianza

Enseguida se presenta un análisis de varianza, con el propósito de evaluar el nivel de
significancia global del modelo de regresión propuesto, para ello se tomarán en cuenta las
siguientes hipótesis:
● H0: Bk=0 (B1= B2= B3 =... 0)
● H1: Existe al menos un Bk =/= 0

Tabla 7: Análisis de varianza.

Fuente: Elaboración propia.

De acuerdo a el análisis de la varianza, podemos decir que el modelo de regresión es

significativo, ya que tenemos una significancia menor a 0,05 de encontrar los coeficientes
de regresión iguales a cero. Por ende, se rechaza H0 en favor de H1, por lo que existe al
menos un Bk distinto de 0.
Del análisis de la varianza, la suma de todas las diferencias que existen entre el valor
estimado y el valor promedio (SCr) es 2179296,115, mientras que la suma de las
diferencias que existe entre el valor observado y el valor predicho (SCe) es 561101,404.
Como se puede apreciar el SCr es mucho mayor a la SCe, esto quiere decir que la
variabilidad explicada por el modelo es mucho mayor a la variabilidad no explicada. A
medida que la SCe se acerca a cero el valor predicho será más parecido al valor observado.

3.3 Coeficientes
Se presenta la estimación de los parámetros, estadístico t e intervalos de confianza para los
coeficientes de regresión, con la finalidad de discriminar qué coeficientes de regresión son
significativos o que variables explican el comportamiento de la variable respuesta
Fallecidos. En esta ocasión se plantean las siguientes hipótesis:
● H0: Bk = 0 (B1 =0)
● H1: Bk =/= 0 (B1=/=0)
Tabla 8: Coeficientes.

Fuente: Elaboración propia.

Los coeficientes que son significativos para la variable respuesta Fallecidos son:
1. Total víctimas, debido a que el p-valor es 3.89577E-13 y es menor al respectivo nivel
de significancia, en este caso 0,05. Además, para este coeficiente, el cero no se
encuentra contenido en el intervalo de confianza del 95%. Por lo que hay evidencia
suficiente para rechazar la hipótesis nula, y el coeficiente B1 es significativamente
distinto a cero.
2. Parque vehicular, debido a que el p-valor es 0.019260893 y es menor al respectivo
nivel de significancia, en este caso 0,05. Además, para este coeficiente, el cero no
se encuentra contenido en el intervalo de confianza del 95%. Por lo que hay
evidencia suficiente para rechazar la hipótesis nula, y el coeficiente B2 es
significativamente distinto a cero.
3. Siniestros por cada fallecido, debido a que el p-valor es 0.000327526 y es menor al
respectivo nivel de significancia, en este caso 0,05. Además, para este coeficiente,
el cero no se encuentra contenido en el intervalo de confianza del 95%. Por lo que
hay evidencia suficiente para rechazar la hipótesis nula, y el coeficiente B2 es
significativamente distinto a cero.

Estadísticas de colinealidad: Si se observa el factor de inflación de la varianza entre las

variables, es posible encontrar que no hay variables que tengan un FIV mayor a 10 para
indicar presencia de colinealidad entre las variables predictoras. El valor de FIV más alto lo
alcanzó la variable Parque vehicular (FIV=9,312) y es menor a 10, por lo tanto, no se
producirán problemas de estabilidad de los coeficientes de regresión.

Cabe señalar que los p-valor recién expuestos fueron calculados con Excel en conveniencia
de enseñar datos más específicos, debido a que en la tabla 8 solo se exponen hasta dos
dígitos.

3.4 Diagnóstico de colinealidad

Tabla 9: Diagnóstico de colinealidad.

Fuente: Elaboración propia.

La presente tabla indica que no existe colinealidad, debido a que los índices de condición no
superan el número 30, siendo 18,9 el valor más alto. Además, en la última fila de las
proporciones de varianza no se repiten cifras que sean mayores a 0,9.

3.5 Histograma
Figura 1: Histograma.

Fuente: Elaboración propia.

El gráfico 1 muestra la distribución de los residuos para la variable dependiente. En general,

los datos se distribuyen en torno a la media comportándose como una distribución normal.
Además, la desviación estándar tiene un valor de 0,967 muy cercano a 1 y una media de
-7,29*10^-16 cifra cercana a 0. Lo que nos señalaría la normalidad de los residuos. Debido
a que este método es subjetivo, los resultados nos son concluyentes.

3.6 Gráfico P-P normal de regresión Residuo estandarizado

El siguiente gráfico compara la distribución empírica de una muestra de datos con
distribución normal, esto quiere decir que los datos deben estar cercanos a la línea recta

Figura 2: Gráfico P-P normal de regresión Residuo estandarizado.

Fuente: Elaboración propia
Se puede decir que la distribución de los datos observados está muy cercanos a la línea.
Aun así, hay valores inusuales que se desprenden de la media, aunque no de manera
exagerada. Estos valores pueden explicar la existencia de valores residuales que se alejen
del supuesto de normalidad. En conclusión, los datos tienen una distribución normal, no
perfecta pero muy cercana.

3.7 Diagrama de dispersión

Se generó un diagrama de dispersión para permitir ver si existe algún tipo de relación entre
variables.

Figura 3: Diagrama de dispersión.

Fuente: Elaboración propia.

En este caso, no se puede ver una gran correlación entre los datos porque no tienen un
patrón definido. De manera subjetiva, no existe problema de homocedasticidad.

3.8 Prueba Durblin-Watson

Se presentan la prueba Durblin-Watson, que se utiliza para el supuesto de autocorrelación.
Los datos a considerar para esto son un k igual a 3, una significancia de 0.05 y 47 datos,
que para efectos de esta prueba se aproximaron a 50.
Además, se plantean las siguientes hipótesis:
● H0: No existe autocorrelación
● H1: Si existe autocorrelación

Tabla 10: Prueba Durblin-Watson

Fuente: Elaboración propia.

A la vez se expone la Tabla 11, cuya función se ver entre qué intervalo está nuestro valor de
Durblin-Watson.

Tabla 11: Intervalos de Durblin-Watson

Fuente: Elba Henríquez, Power Point Supuesto de autocorrelación.

Como d, igual a 0,634, se encuentra fuera del intervalo de dL (1,42) y dU (1,67), siendo d
menor a dL, se rechaza H0 en favor de H1 por lo que los errores se auto correlacionan.

3.9 Prueba de normalidad Shapiro-Wilk

A continuación, se presenta una prueba de normalidad. En este caso, como se está
trabajando con una cantidad de datos menor a 50, se considerará la prueba Shapiro-Wilk.
Esta prueba trabaja con las siguientes hipótesis:
● H0: Los errores se distribuyen de forma normal.
● H1: Los errores no se distribuyen de forma normal.

Tabla 12: Prueba de normalidad Shapiro-Wilk.

Fuente: Elaboración propia.
Como la significancia de la prueba de Shapiro-Wilk es menor a 0,05, se rechaza H0 en favor
de H1, por lo tanto, los errores no se distribuyen de forma normal.

3.10 Supuestos de Homocedasticidad y Heterocedasticidad.

Por último, se realizan los supuestos de homocedasticidad y heterocedasticidad. Para ello,
en SPSS, se estandarizaron los valores pronosticados y los residuos. Una vez hecho esto
se elevaron al cuadrado los residuos y las variables independientes.
Se hizo una nueva regresión, teniendo como nueva variable dependiente los errores al
cuadrado y como nuevas variables independientes Total víctimas, Parque vehicular y
Siniestros al cuadrado.
La importancia de esta nueva regresión es ver el valor del R cuadrado, presentado en la
tabla 13, y multiplicarlo por el número de observaciones, en este caso 0,082*47=3,854, para
concluir homocedasticidad o heterocedasticidad

Tabla 13: Resumen del modelo

Fuente: Elaboración propia.

Luego, se hace un test de White, el cual trabaja con los errores al cuadrado, y dice que, si
tienes una variable dependiente y tres independientes, la ecuación será:
e2=B1+B2X1+B3X2+B4X3+B5X1X2+B6X1X3+B7X2X3+B8X1^2+B9X2^2+B10X3^2
El test de White trabaja con números de betas, en este caso existen 10, asimismo, para
situarse en la tabla Chi cuadrado, se ocupan grados de libertad cuyo valor esta dado por (K)
-1, por ende, se ocuparán 9 grados de libertad. De esta manera, con una confianza de 0,05
y un grado de libertad igual a 9, la cifra rescatada de la tabla es 16,9190.

Tabla 14: Chi cuadrado

Fuente: Elba Henríquez, Power Point pruebas de econometría.

Para finalizar, esta prueba compara los valores de la tabla Chi cuadrado (16,9190) respecto
al valor calculado R2*N (3,854) y se hacen los siguientes supuestos:
 H0: Varianza constante de los errores (Homocedasticidad).
 H1: Varianza no constante (Heterocedasticidad.).
Como 3,854 es menor a 16,9190, no hay evidencia significativa para rechazar H0, en favor
de H1, por lo que la varianza es constante en los errores.

3.11 Modelo
A continuación, se presenta el modelo de regresión lineal, las interpretaciones de todos los
coeficientes de regresión y el coeficiente de posición del modelo propuesto.

Modelo de regresión:
Fallecidos= 995.965 + 0.026*TV + 8.683E-05*PV + 11.879*SF

 B0: Si todas las variables independientes (TV, PV y SF) tomaran el valor cero, el
valor de Fallecidos será 995.965.
 B1: Los fallecidos en un año provocado por algún siniestro, aumentará 0.026
personas, si el Total de víctimas aumenta en una unidad, manteniendo las otras
variables constantes.
 B2: Los fallecidos en un año provocado por algún siniestro, aumentará - 8.683E-05
personas, si el Parque vehicular aumenta en una unidad, manteniendo las otras
variables constantes.
 B3: Los fallecidos en un año provocado por algún siniestro, aumentará - 11.879
personas, si los Siniestros por cada fallecido aumenta en una unidad, manteniendo
las otras variables constantes.
Conclusión:
Como ya se ha visto que en Chile, existe una gama muy amplia de diversidad de marcas y
diferentes modelos de vehículos por parte de la industria automotriz, mejorando índices de
calidad y siendo empresas pioneras con respecto a la tecnología y la modernización en
cuanto a la seguridad que otorgan estas marcas. Lamentablemente dado el aumento de
consumo de vehículos en el país, ha traído un gran número de siniestros a lo largo de los
años, debido a ciertas relaciones entre las variables presentadas en el estudio. De este
modo, basándose en la matriz de correlaciones, existen variables que presentan una alta
correlación y asociaciones lineales positivas de carácter alto, siendo estos coeficientes
mayores a 0.8, por lo cual se podría indicar que estas variables son capaces de representar
a otras variables, como es el caso de “Parque vehicular y Vehículos cada 100 habitantes”
con una correlación de 0.998. Esto es importante ya que puede reducir la matriz de datos a
trabajar. Cabe señalar que esta asociación que existe entre las variables presentadas, tiene
un carácter netamente confirmatorio con respecto al acontecer automovilístico que tiene el
país en los últimos 46 años.

En un comienzo, se realizó una regresión con todos los datos rescatados de CONASET,
tomando como variable respuesta los fallecidos por año a causa de un siniestro. El
resultado de este modelo predictivo arrojó que es las variables independientes con la
dependiente se correlacionan un 97,4% y asimismo se obtiene un 95% de la variabilidad de
la variable dependiente con las independientes. Esto quiere decir que los datos se
asociaban muy bien y que se estaba explicando casi la totalidad de estos en el modelo.

A nivel general el modelo era significativo, sin embargo, a nivel particular, existían variables
que no eran suficientemente significativas para la modelación. A sí mismo, no aprobaron las
pruebas de intervalos de confianza, reafirmando su nula significancia.
Por último, en este primer modelo, existían factores de inflación con cifras mayores a 10, lo
que nos indicaba multicolinealidad entre las variables predictoras, imposibilitando la
continuación de este modelo.

Posteriormente, se realiza un nuevo modelo, eliminando la mayoría de las variables

anteriores, teniendo como criterio, para esta decisión, la combinación de variables que
mayor variabilidad explicase, dejando solo tres variables como independientes (Total
víctimas, Parque vehicular y Siniestros por cada fallecido). Debido a esto, tanto la
correlación del modelo como la variabilidad de este bajaron, aun así, siguen siendo valores
altos perfectamente representativos. Como prueba de ello, al ver el análisis de la varianza,
se puede apreciar que el SCr es mucho mayor a la SCe, esto quiere decir que la
variabilidad explicada por el modelo es mucho mayor a la variabilidad no explicada.

A diferencia del anterior modelo, el nuevo no presenta problemas de multicolinealidad,

reflejado en el factor de inflación, donde ninguna variable es mayor a diez, lo que significa
que las variables predictoras incluidas en el modelo no están correlacionadas con otras
variables predictoras. En consecuencia, no hay un incremento en la varianza de los
coeficientes de regresión, lo que lo hace estable.

Al observar el diagrama de dispersión, este da señales de un modelo válido, ya que se

encuentra un patrón de residuos al azar, es decir, que no hay sesgos en los residuos
(tendencias), ni una dispersión (varianza) no constante, ni valores que desvíen el
comportamiento observado.

Un supuesto importante obtenido en la regresión, es el de Homocedasticidad, este implica

que la varianza de los errores es constante a lo largo del tiempo. Lo cual es bueno, debido a
que una varianza constante nos permite disponer de un modelo más fiables.

El presente informe evidencia la variación de los fallecidos en Chile en los años 1972 a
2018. Su influencia en la mortalidad a causa del tráfico vehicular se debe a innumerables
razones, dentro de las cuales, existen ciertos factores que predominan a la hora de
encontrar una causa de personas fallecidas. Dado el estudio exhaustivo del comportamiento
de la población frente al aumento del parque vehicular, sumado a el desarrollo con respecto
a la seguridad de los vehículos y el aumento de siniestros es posible reflejar la modalidad
de la gente a la hora de conducir sus medios de transporte y a la vez estimar ciertos
posibles números a lo largo de los años.

En respuesta al estudio recién hecho, CONASET ha planteado un sistema de respuesta

oportuno, coordinado y de cobertura nacional, que garantice la atención eficaz desde
ocurrido el siniestro. Algunas de estas medidas son:
 Definición de una estructura de atención y soporte inmediato a los afectados ante la
ocurrencia de un siniestro de tránsito.
 Coordinación interna y entre los actores del sistema de respuesta ante un siniestro
de tránsito en todo el territorio nacional.
 Mejora en la captura de información de los lesionados en el sitio del siniestro para
una oportuna y adecuada atención médica.
 Educación y difusión sobre comportamiento adecuado en caso de siniestro de
tránsito y la importancia de una atención oportuna.
 Establecimiento de un mecanismo de evaluación y mejora continua al sistema de
respuesta.
 Atención física y psicológica oportuna y apropiada en todo el territorio nacional.
 Especialización y perfeccionamiento de los equipos médicos en el tratamiento de
lesiones y secuelas a causa de un siniestro de tránsito.
 Comunicación adecuada del siniestro y contención psicológica a familiares y
afectados.
 Identificación e información acerca de las entidades a las cuales acudir luego de
ocurrido el siniestro de tránsito.
 Orientación y acompañamiento a los afectados en el proceso judicial asociado a la
ocurrencia de un siniestro de tránsito.
 Revisión y mejora de las prestaciones cubiertas ante un siniestro de tránsito, sus
mecanismos de financiamiento y de la definición de beneficiarios.

Por último, es importante tener presente que un siniestro de tránsito, además de los daños a
las víctimas, también implica a su círculo más cercano que se ve afectado indirectamente.
Por esto, la respuesta tras los siniestros debe considerar el apoyo jurídico, la atención de
salud física y mental para los lesionados, el apoyo psicológico y contención a los familiares
y las medidas de reparación que permitan a los afectados sobrellevar las consecuencias
que el siniestro de tránsito trae consigo.
Bibliografía
Rosende, G. (2016). CONASET: planteamientos de mejora de la seguridad vial en Chile.
Carreteras: Revista técnica de la Asociación Española de la Carretera, (209), 6-10.

Anexo

4.1 Tabla de datos

Tabla 15: Evolución de siniestros de tránsito en Chile (1972-2018)
Fallecidos Siniestros Año Total víctimas Vehículos cada 100 habitantes Parque vehicular Población Fallecidos cada 100 siniestros Siniestros por cada fallecido
1792 26727 1972 25033 4.048767218 401114 9907065 6.704830321 14.91462054
1719 23480 1973 22971 4.146248897 417767 10075782 7.321124361 13.65910413
1269 18356 1974 17905 4.208814075 431172 10244501 6.913270865 14.46493302
1054 16602 1975 15883 4.2800694 445693 10413219 6.348632695 15.75142315
1079 17716 1976 16212 4.411083376 466049 10565409 6.090539625 16.41890639
1071 19638 1977 17723 4.797529298 514180 10717600 5.453712191 18.33613445
1207 19623 1978 20344 5.425936892 589788 10869791 6.150945319 16.25766363
1309 21506 1979 23053 5.521965106 608630 11021982 6.086673486 16.42933537
1434 25606 1980 25639 7.134129747 797180 11174173 5.600249941 17.85634589
1552 33536 1981 30405 7.597317306 863038 11359773 4.627862595 21.60824742
1274 55272 1982 35255 7.905756523 912749 11545372 2.304964539 43.38461538
1363 47889 1983 32545 7.81145842 916360 11730972 2.84616509 35.13499633
1210 39207 1984 31041 7.808092797 930457 11916572 3.08618359 32.40247934
1049 30751 1985 21343 7.804911746 944564 12102174 3.411271178 29.31458532
1191 35268 1986 25176 7.814609043 962564 12317494 3.376998979 29.61209068
1198 32790 1987 25869 7.755975014 972042 12532815 3.653552912 27.3706177
1248 34226 1988 28506 7.733233136 985843 12748135 3.646350728 27.42467949
1465 37217 1989 32889 7.854810642 1018255 12963457 3.936373163 25.40409556
1587 39479 1990 36092 8.151193335 1074228 13178782 4.019858659 24.87649653
1602 40368 1991 37976 8.748272427 1174194 13422010 3.968489893 25.19850187
1700 43402 1992 42043 9.926667228 1356503 13665241 3.91687019 25.53058824
1760 44837 1993 43543 10.61315646 1476128 13908473 3.925329527 25.47556818
1762 44236 1994 43408 10.66272001 1508957 14151708 3.983181119 25.10556186
1890 50790 1995 47719 11.66156302 1678675 14394940 3.721204962 26.87301587
1925 57775 1996 52484 12.51164057 1826137 14595504 3.331890956 30.01298701
1883 52394 1997 52540 13.44036757 1988647 14796076 3.593922968 27.82474774
1959 49890 1998 54149 13.49975098 2024510 14996647 3.926638605 25.46707504
1655 47052 1999 52166 14.11730559 2145437 15197213 3.517385021 28.43021148
1698 40926 2000 48356 13.82572323 2128855 15397784 4.148951767 24.1024735
1562 44831 2001 46906 13.97730457 2176501 15571679 3.484196204 28.70102433
1549 41734 2002 45671 14.15639288 2218062 15668271 3.711602051 26.94254358
1703 44450 2003 47038 13.86476031 2195878 15837836 3.831271091 26.10099824
1757 46620 2004 48267 14.36487656 2298620 16001669 3.768768769 26.53386454
1626 46328 2005 49418 14.54757828 2351662 16165316 3.509756519 28.49200492
1652 44839 2006 48677 16.27396627 2657892 16332171 3.684292692 27.14225182
1645 53682 2007 55655 17.11355601 2824570 16504869 3.064341865 32.63343465
1782 57087 2008 57068 18.11635783 3023050 16686853 3.121551316 32.03535354
1508 56330 2009 53683 18.60005533 3139088 16876767 2.677081484 37.35411141
1595 57746 2010 54559 19.77906313 3375523 17066142 2.762096076 36.20438871
1573 62834 2011 55785 21.18003698 3654727 17255527 2.503421714 39.9453274
1523 61791 2012 54748 22.77993 3973913 17444799 2.46476024 40.57189757
1623 73276 2013 61215 24.1786853 4263084 17631579 2.214913478 45.14849045
1630 78445 2014 59515 25.63920621 4568664 17819054 2.077888967 48.12576687
1646 79880 2015 59591 26.3857748 4751130 18006407 2.060590886 48.52976914
1675 91711 2016 65238 27.27010023 4960945 18191884 1.826389419 54.75283582
1483 94879 2017 63654 28.2503943 5190704 18373917 1.563043455 63.97774781
1507 89311 2018 59446 29.64009479 5498895 18552218 1.687362139 59.26410086

Fuente: Comisión Nacional de Seguridad de Tránsito (CONASET).