Clase 22 - Grupos de Exposición Similar SICUA PDF

EVALUACION
Y AUDITORIA AMBIENTAL
Departamento de Ingeniería Civil y Ambiental
Facultad de Ingeniería
Clase 22 – Grupos de Exposición Similar

1er SEMESTRE, 2018
1
Clasificación de los trabajadores en Grupos de 2
Exposición Similar (GES)

•  Debido a que hay limitaciones de recursos y de Rempo
para muestrear a todos los trabajadores, una
aproximación establecida ha sido clasificar a los
trabajadores en GES
•  La suposición críRca es que en cada GES, los trabajadores
Renen distribuciones de exposición similares
–  Rappaport (1991) estableció una propuesta cuanRtaRva de
similItud. En la propuesta, el 95% de las exposiciones
individuales deben estar en o por debajo de un factor de 2.
Esto se conoce como el BR95. Para determinar si esta condición
se cumple, el coeficiente de dividir el percenRl 97.5 y el 2.5
debe ser igual o menor a 2.
BR95<2.
Ramachandran, Occupational Exposure Assessment for Air Contaminants, Taylor & Franciis, 2005
Clasificación de los trabajadores en Grupos
3
de Exposición Similar (GES)

•  Tres opciones para definir el GES
–  Aproximación de observación
–  Aproximación de muestreo
–  Aproximación híbrida
4
Clasificación de los trabajadores en Grupos de

•  Opción 1 para definir el GES: Aproximación de
observación:
–  Los trabajadores son asignados a GES con base en:
•  Similaridad en trabajos (perfiles de labores similares)
•  Similaridad en agentes peligrosos (químicos a los que están
expuestos son similares)
•  Similaridad ambiental (caracterísRcas de venRlación, procesos)
–  El higienista ocupacional Rene que recoger información
básica acerca de las instalaciones y los procesos, de los
trabajadores y las tareas realizadas, de los químicos
usados, y de los mecanismos de control y limitación de las
exposiciones
5

observación:
–  No se requiere hacer mediciones
–  Los trabajadores se clasifican a parRr de zonas de
exposición
•  Las zonas de exposición no son necesariamente un área asica de la
planta, sino un grupo de trabajadores que comparten las
caracterísRcas descritas antes
–  Una vez se definen las zonas, en cada una se selecciona un
número de trabajadores para ser muestreados

6

observación:
–  Sin embargo, las zonas no se cambian de acuerdo a los
resultados del muestreo
–  Una suposición críRca es que los trabajadores de cada
zona Renen distribuciones de exposición similares
•  Si esta condición se cumple, las únicas medidas de control
(intervención) que funcionan son las que afectan a cada uno de los
trabajadores del grupo – controles en venRlación y procesos
–  Es un ejercicio subjeRvo que se fundamenta en el juicio
profesional
•  Dos higienistas pueden llegar a disRntos GES

•  Opción 1 para definir el GES: Aproximación de observación:
–  Para poder verificar lo anterior se requiere de múlRples
mediciones de exposición en cada trabajador muestreado del
GES, para determinar la distribución de la exposición de cada
trabajador, o compararla con la de los otros trabajadores del
grupo
•  Esto no siempre es posible por restricciones en Rempo y
dinero
–  Diversos estudios han mostrado que después de aplicar la
aproximación de observación, el BR95 puede variar entre 1 y
2000. Con frecuencia no se cumple la similitud en las
distribuciones de exposición.
8

muestreo:
–  Se hace un muestreo aleatorio del conjunto de
trabajadores, y a los trabajadores escogidos
aleatoriamente se les toman múlRples muestras.
–  La clasificación se basa en el resultado de los muestreos
–  Para establecer la contribución de la variabilidad entre
trabajadores y en un mismo trabajador se puede usar
ANOVA
9

muestreo:
–  Se seleccionan k trabajadores de un GES para que sean
muestreados.
–  Al trabajador i se le toman ni mediciones.
–  El número de mediciones dentro de un GES (N) sería:
k
N = ∑ ni
i=1
–  Cada trabajador ki Rene un grupo de mediciones nij
10

Trabajador 1 Trabajador 2 Trabajador k Total

Y11 Y12 Y1p
Y21 Y22 Y2p
: : :
: : :
T.1 T.2 T.p T..
y1 y2 yk y
y1 =Promedio Trabajador 1 y = Promedio Total

T.j= Sumatoria Trabajador j T..= Sumatoria Total
11

muestreo:
–  Sea yij la exposición logtransformada del trabajador i en el día j,
que se puede expresar cómo:
yij = µ + bi + wij
–  Donde bi es la desviación aleatoria del promedio de exposición

del trabajador i (μi) con respecto al promedio del grupo (μ).
Variabilidad entre trabajadores
–  wij es la desviación aleatoria de la exposición del
trabajador i alrededor del promedio de ese trabajador (μi).
Variabilidad entre un trabajador
12

muestreo:
–  Variación en todas las observaciones: SST (Total Sum of Squares)
–  Variación entre cada observación y el promedio de su grupo: SSW
–  Variación entre el promedio de cada grupo y el promedio total:
SSB
SST = SSW + SSB
13

muestreo:
–  bi Rene una distribución probabilísRca normal, con promedio 0 y
desviación estándar σb.
–  wij Rene una distribución probabilísRca normal, con promedio 0 y
desviación estándar σw.
–  σb y σw son independientes. La varianza total sería:
σ T2
σ T2 = σ W2 + σ B2
–  Variación en todas las observaciones = Variación entre

cada observación y el promedio de su grupo + Variación
entre el promedio de cada grupo y el promedio total
14

muestreo:
σ W2
–  El esRmaRvo de se puede obtener por el análisis de
ANOVA (MSW=Mean square within error)
k ni __
^ 2
SSW
∑∑(y ij − yi ) 2
i=1 j=1
σ W = MSW = =
(N − k) (N − k)
–  Promedio de la exposición logtransformada del trabajador i

" ni %
$$∑ yij ''
__
# j=1 &
yi =
ni
15

•  Opción 2 para definir el GES: Aproximación de muestreo:
–  El esRmaRvo de se puede obtener como
σ B2
# k
ni2 &
^ 2 %N −∑ (
MSB − MSW $ i=1 N '
σB = no =
no k −1
–  MSB=Mean square between error que se puede obtener por ANOVA
# k # __ __ &2 &
%%∑ ni % y i − y ( ((
SSB $ i=1 $ ' '
MSB = =
k −1 k −1
–  Promedio de la exposición logtransformada de todos los trabajadores
" k ni %
$$∑∑ yij ''
__
# i=1 j=1 &
y=
N
16

muestreo:
–  La estadísRca F se puede esRmar cómo
MSB K-1: Grados de libertad Numerador

Fk−1,N−k =
MSW N-K: Grados de libertad denominador
–  Se compara Fα,k-1,N-k con un F críRco

•  Ho=Los promedios son iguales
•  H1= Al menos un promedio es diferente
–  Rechaza Ho si Fα,k-1,N-k es mayor que F críRco
17

•  Fα,k-1,N-k vs F críRco
Ho=Los promedios son
iguales
•  H1= Al menos un MSB
promedio es diferente Fk−1,N−k =
MSW
•  Rechaza Ho si Fα,k-1,N-k es
mayor que F críRco
•  K-1: Grados de libertad
Numerador
•  N-K: Grados de libertad
denominador
Ramachandran, Occupational
Exposure Assessment for Air
Contaminants, Taylor & Franciis,
2005
El F estimado es mayor que el F crítico, por lo cual la variabilidad entre

trabajadores es estadísticamente significativa
k ni __
^ 2
∑∑(y ij − yi )2
i=1 j=1
σ W = MSW = = 0.24285
(N − k)
^ 2
MSB − MSW
σB = = 0.092554
no
σ T2 = σ W2 + σ B2 = 0.33541
σ B2
2
= 0.2759
σT
•  Cerca del 27% de la variabilidad se origina por diferencias
entre los trabajadores.

lnw1 lnw2 lnw3 lnw4 lnw5 lnw6
0,307485 0,760806 1,047319 0,841567 1,517323 1,913977
1,300192 0,431782 0,920283 1,054312 0,858662 0,587787
0,254642 1,418277 1,205971 0,587787 1,877937 1,269760
0,879627 0,482426 0,336472 0,928219 1,605430 0,806476
0,854415 0,727549 1,036737 0,598837 1,957274 2,742130
Sum 3,596361 3,820840 4,546782 4,010722 7,816626 7,320130

Promedio 0,719272 0,764168 0,909356 0,802144 1,563325 1,464026
SUM (yij-yi)^2 0,766895 0,619070 0,451555 0,168321 0,754616 3,073912

MSW= 0,243098726
Promedio total= 1,037049
MSB= 0,706207577
# k # __ __ &2 & k ni __
%%∑ ni % y i − y ( (( ∑∑(y ij − yi )2
MSB 0.7062
SSB $ i=1 $ ' '
MSW = i=1 j=1
F= = = 2.905
MSB = =
k −1 k −1 (N − k) MSW 0.2431

Utilizando software estadístico (STATA)
. oneway conc w, t
| Summary of conc
w | Mean Std. Dev. Freq.
------------+------------------------------------
1 | .71927213 .4378626 5
2 | .76416809 .39340501 5
3 | .9093563 .33598928 5
4 | .80214432 .20513464 5
5 | 1.563325 .43434321 5
6 | 1.4640259 .87662869 5
------------+------------------------------------
Total | 1.0370486 .56828253 30
Analysis of Variance
Source SS df MS F Prob > F
------------------------------------------------------------------------
Between groups 3.53103767 5 .706207535 2.91 0.0345
Within groups 5.83436828 24 .243098678
------------------------------------------------------------------------
Total 9.36540595 29 .322945033
Bartlett's test for equal variances: chi2(5) = 8.4304 Prob>chi2 = 0.134

22

STATA: Bonferroni hace múltiples comparaciones
de las diferencias de los promedios de dos grupos 6!
(número superior) y el valor p de la significancia de = 15
esta diferencia (número inferior). Pero son 15 2!(6 − 2)!
comparaciones. Combinación de 6 de 2.
. oneway conc w, tabulate bonferroni
Comparison of conc by w
(Bonferroni)
Row Mean-|
Col Mean | 1 2 3 4 5
---------+-------------------------------------------------------
2 | .044896
| 1.000
|
3 | .190084 .145188
| 1.000 1.000
|
4 | .082872 .037976 -.107212
| 1.000 1.000 1.000
|
5 | .844053 .799157 .653969 .761181
| 0.185 0.256 0.700 0.336
|
6 | .744754 .699858 .55467 .661882 -.099299
| 0.377 0.514 1.000 0.665 1.000
23

•  Opción 3 para definir el GES: Aproximación híbrida:
–  Propuesta por ACGIH
–  Combina la observación y el muestreo
–  Se aplica la aproximación de observación.
–  Sin embargo, existen GES que pueden tener clasificaciones
erradas.
–  Hay que idenRficar estos GES críRcos, en los cuales se hace
mediciones de los trabajadores para idenRficar aquellos
mal clasificados y reclasificarlos en los GES correctos.
24

•  Opción 3 para definir el GES: Aproximación híbrida:
–  Los GES críRcos se pueden establecer así:
•  Los GES con exposiciones que superen el estándar no se deben
muestrear, y los recursos del muestreo se deben inverRr en
controlar las exposiciones
•  Los GES con exposiciones por debajo del 10% del estándar
tampoco es necesario muestrearlos
•  El muestreo se recomienda para todos los GES que cumplen el
estándar y además están por encima del 10% del estándar
•  Para los GES que están cercanos al estándar (50%-100% del
estándar) se recomienda múlRples mediciones de cada trabajador
para refinar la clasificación
25
FRACCION DE EXCEDENCIA
•  La mayoría de las muestras de exposicón

ocupacional pueden ser descritas por medio de
una distribución lognormal.
•  Esto permite esRmar la probabilidad de que una
medida de exposición exceda un valor de
referencia; por ejemplo, un estándar
ocupacional.
26
•  Si el promedio geométrico de la distribución

lognormal es μg, y al desviación estándar
geométrica es σg, la probabilidad está dada por:
" ln(estándar) − ln(µ ) %

g
P(xi > Estándar) = P $ z > '
$# ln(σ g ) '&
27
•  A parRr de la tabla de la distribución normal es posible
esRmar el área bajo la curva entre -∞ y Zestándar (Pestándar). El
área sombreada en la fig 15.5 corresponde a 1-Pestándar
Variabilidad Ambiental - Ejemplo
^ ^
µ g = exp(µ y ) = exp(0.169) = 1.18ppm
^ ^
σ g = exp(σ y ) = exp(0.868) = 2.38
28
29
FRACCION DE EXCEDENCIA - Ejemplo

•  Volvamos al ejemplo anterior (Tabla 15.2).
–  Asumamos un estándar de 3.5 ppm. En la tabla 15.2, dos
de las mediciones están por encima del estándar (10%).
ln(estándar) − ln(µ g )
zestándar =
ln(σ g )
ln(3.5) − ln(1.18)
zestándar = = 1.247
ln(2.38)
–  A parRr de la tabla de la distribución Normal, se establece
que Pestándar=0.1062 (depende de la columna que uRlice en
la tabla de la distribución normal). Es decir, la probabilidad
de que una exposición exceda el estándar de 3.5 ppm es
de 10.62%. O, el 10.62% del Rempo podría presentarse
una exposición que excede el estándar.
30

–  La probabilidad de 10.62% de que una exposición
exceda el estándar de 3.5 ppm es un esRmaRvo
puntual. Como existe un nivel de incerRdumbre
asociado a este esRmaRvo, es importante cuanRficar
esta incerRdumbre.
–  Existe un método (Hewew y Ganser, 1997) para
esRmar intervalos de confianza del 95% entorno a
este esRmaRvo puntual.
–  La Figura 15.6 muestra los intervalos de confianza
para el esRmaRvo puntual de excedencia del estándar
31
32

–  Previamente habíamos esRmado un Pestándar=10.62%,
correspondiente a un Zestándar=1.247. Usando
Z=Zestándar y N=20 (se realizaron 20 muestras), es
posible esRmar el límite inferior del intervalo de
confianza del 95% en 0.05 (de la gráfica)
–  Usando Z= -Zestándar con N=20 se obRene que un límite
de confianza de 0.77. Es decir, el límite superior del
intervalo de confianza es de 1-0.77=0.23. Por lo tanto,
el intervalo de confianza del 95% es [0.05, 0.23].
–  En otras palabras, con un 95% de confianza la
probabilidad de que una sola medición exceda el
estándar está entre el 5% y el 23%.
33
Número de muestras
•  Es importante tener una idea del número de muestras que se
debe recolectar, especialmente si la población a muestrear es
muy grande.
•  Una alternaRva en estadísRca es esRmar el número de
muestras requeridas para lograr cierto nivel de precisión con
un nivel de incerRdumbre preestablecido.

2
! Zα /2 * σ $
n =# &
" d %
–  Donde:
•  n número de muestras requeridas
•  Zα/2 valor de Z para un nivel de confianza seleccionado.
•  σ desviación estándar de las mediciones
•  d la precisión seleccionada para el estudio
34
Número de muestras
•  Ejemplo asbestos: Para esRmar el número de muestras
requeridas en nuestros estudios de asbestos para tener una
precisión del 5% del STEL de 1 f/cc:

2 2
! Zα /2 * σ $ ! 1.96 * 0.174 $
n =# & =# & = 47
" d % " 0.05 %
•  Para un nivel de significancia del 5%, Z es 1.96

•  σ = 0.174 f/cc – desviación estándar estimada a partir de resultados de
muestras cortas tomadas en estudios previos
•  d el 5% del estándar de 1 f/cc
Diseño de una estrategia de análisis de 35
exposición
•  Las exposiciones varían entre trabajadores, y en el
Rempo, ubicación, turno y acRvidad
•  La estrategia de muestreo debe desarrollarse para
capturar esta variabilidad , pero buscando la viabilidad
y eficiencia
•  La efecRvidad (habilidad para dar decisiones de
exposición correctas) y eficiencia (la necesidad de
reducir el número de muestras) ha llevado a que buscar
tener un número ópRmo de muestras sea un aspecto
fundamental al momento de diseñar un muestreo.
36
Recolección de las muestras

•  Existe un consenso de que las muestras personales
que se recolectan en la zona respiratoria del
trabajador son las más representaRvas de la
exposición del trabajador.
•  Existe un consenso de que las concentraciones que
se miden con un muestreador personal son cercanas
a la concentración del contaminante que es inhalada
por el trabajador
•  Las muestras de área en siRos fijos no están bien
correlacionadas con las muestras personales
–  Personales Renden a ser mayores que las de área
37

•  Es igualmente importante establecer lo qué se
quiere medir de acuerdo con su relevancia
biológica
–  Para aerosoles se puede medir la fracción
inhalable, torácica o respirable. La selección de
cuál medir depende en gran medida de la
enfermedad que estamos estudiando
–  La medición de las emisiones de diesel muestran
una tendencia histórica a reportar
concentraciones en masa. Estudios sugieren que
el número de par|culas podría ser más relevante
38

•  La unidad de medición también puede resultar en cambios en la
conformación de grupos de exposición similar.
–  En un estudio de exposición a emisiones diesel, se usaron tres
unidades de exposición: Número, área superficial y masa. Se
midieron conductores de buses, trabajadores de parqueadero, y
mecánicos
–  La exposición de concentración de masa de carbón elemental
era igual para los tres trabajadores. Todos en el mismo GES
–  Basado en área superficial, la distribución de exposición de los
mecánicos era diferente a los otros dos. Mecánicos en un GES
diferente a los otros dos.
–  La exposición del personal de parqueadero, basado en
concentraciones de número, era mucho menor al de los
mecánicos
39
MENSAJES FINALES ACERCA DEL MUESTREO
•  Si el muestreo se hace para evaluar un problema, la
estrategia de muestreo puede diseñarse para medir
el “peor caso” (Plog y Quinlan – Fundamentals of Industrial Hygiene,
5ta Ed. NaRonal Safety Council, 2002)
•  Ventajas de estrategia del “peor caso”.
•  Estrategia diseñada para solucionar un problema
•  IdenRficación de la fuente
•  Mejora en los controles
•  Corrección del problema
•  ConcienRzación de los trabajadores
•  Si hay cumplimiento en el “peor caso”, hay tranquilidad
frente a los resultados
40
MENSAJES FINALES ACERCA DEL MUESTREO
•  Si se Rene menos de 10 trabajadores, muestrearlos a todos

•  Para OSHA, un lugar de trabajo cumple las normas únicamente si
todas las exposiciones están por debajo del PEL
•  Tratar de muestrear la mayor parte del turno, pero no menos de
la duración del turno menos 1 hora (Manual Técnico de la OSHA,
2008)
–  En un turno de 8 horas, muestrear al menos 7 horas.
•  Para turnos que exceden las 8 horas, se pueden hacer tres cosas
(Manual Técnico de la OSHA, 2008):
–  Corregir el estándar
–  Muestrear lo que uno cree son las peores 8 horas del turno de trabajo
que se exRende más allá de 8 horas
–  Recolectar múlRples muestras durante todo el turno de trabajo. EsRmar
el TWA uRlizando las peores 8 horas de las muestras recolectadas.

Clase 22 - Grupos de Exposición Similar SICUA PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 22 - Grupos de Exposición Similar SICUA PDF

Cargado por

Copyright:

Formatos disponibles

EVALUACION

Clase 22 – Grupos de Exposición Similar

Exposición Similar (GES)

de Exposición Similar (GES)

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

Exposición Similar (GES)

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

– Cada trabajador ki Rene un grupo de mediciones nij

Clasiﬁcación de los trabajadores en Grupos de

Trabajador 1 Trabajador 2 Trabajador k Total

y1 =Promedio Trabajador 1 y = Promedio Total

Clasiﬁcación de los trabajadores en Grupos de

– Donde bi es la desviación aleatoria del promedio de exposición

Clasiﬁcación de los trabajadores en Grupos de

SST = SSW + SSB

Clasiﬁcación de los trabajadores en Grupos de

– Variación en todas las observaciones = Variación entre

Clasiﬁcación de los trabajadores en Grupos de

– Promedio de la exposición logtransformada del trabajador i

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

MSB K-1: Grados de libertad Numerador

– Se compara Fα,k-1,N-k con un F críRco

Clasiﬁcación de los trabajadores en Grupos de

Exposición Similar (GES)

El F estimado es mayor que el F crítico, por lo cual la variabilidad entre

Exposición Similar (GES)

Exposición Similar (GES)

Sum 3,596361 3,820840 4,546782 4,010722 7,816626 7,320130

SUM (yij-yi)^2 0,766895 0,619070 0,451555 0,168321 0,754616 3,073912

Exposición Similar (GES)

Bartlett's test for equal variances: chi2(5) = 8.4304 Prob>chi2 = 0.134

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

Clasiﬁcación de los trabajadores en Grupos de

• La mayoría de las muestras de exposicón

• Si el promedio geométrico de la distribución

" ln(estándar) − ln(µ ) %

FRACCION DE EXCEDENCIA - Ejemplo

FRACCION DE EXCEDENCIA - Ejemplo

FRACCION DE EXCEDENCIA - Ejemplo

FRACCION DE EXCEDENCIA - Ejemplo

• Para un nivel de significancia del 5%, Z es 1.96

Recolección de las muestras

Recolección de las muestras

Recolección de las muestras

• Si se Rene menos de 10 trabajadores, muestrearlos a todos

También podría gustarte

–  Cada trabajador ki Rene un grupo de mediciones nij

–  Donde bi es la desviación aleatoria del promedio de exposición

–  Variación en todas las observaciones = Variación entre

–  Promedio de la exposición logtransformada del trabajador i

–  Se compara Fα,k-1,N-k con un F críRco

•  La mayoría de las muestras de exposicón

•  Si el promedio geométrico de la distribución

•  Para un nivel de significancia del 5%, Z es 1.96

•  Si se Rene menos de 10 trabajadores, muestrearlos a todos