Universidad de La Serena

Departamento de Ingeniería Industrial

Modelos de Previsión

“Modelo de Cálculo de MP10 para la Comuna de

Pudahuel, Región Metropolitana”

Asignatura:

Modelos de previsión.

Académico:

Christian Acuña Opazo.

Integrantes:

Enrique González Galeno. 19.347.439-k 2505 egonzalez3@alumnosuls.cl

Juan Olivares Iglesias. 19.258.481-7 2505 jolivares10@alumnosuls.cl
Jaime Oyarzun Coronado. 19.109.818-8 2505 joyarzun@alumnosuls.cl
Pia Urrea Olmedo. 20.152.856-9 2505 purrea@alumnosuls.cl
 1

Resumen

En el presente informe se pretende establecer un modelo que pronostique las

concentraciones de material particulado respirable (MP10) en la comuna de Pudahuel, Región
Metropolitana, con el propósito de predecir la cantidad de estas emisiones disipadas al
ambiente, y en consecuencia, prevenir ciertas condiciones ambientales desfavorables que
afecten al ambiente, la calidad de aire, la salud de la población y calidad de vida de la presente
comuna.

Se obtendrá la información de la estación de monitoreo de Pudahuel a partir de la página web

del Sistema de Información Nacional de Calidad de Aire (SINCA), la cual está encargada de
analizar las concentraciones de MP10, O (ozono), NO (monóxido de nitrógeno), NO (dióxido
3 2

de nitrógeno), CO (monóxido de carbono), NO (óxidos de nitrógeno), y las condiciones

x

ambientales del entorno, utilizando esta información ambiental junto a la concentración de

material particulado MP10. Además, se dispone de la estación Meteorológica de la
Universidad de Santiago de Chile (USACH), para la recopilación de datos históricos de la
Presión Atmosférica.

Este modelo se establece a partir de variables meteorológicas ya estudiadas y verificadas

según el informe “Estudio integrado de factores que influyen sobre la contaminación
atmosférica por material particulado respirable de Pudahuel” (Alvarado G, 2010), las
cuales corresponden a humedad relativa, temperatura, presión atmosférica y componentes
de la dirección y velocidad del viento.

De esta forma, se genera un modelo de regresión lineal múltiple el cual posee un coeficiente
de determinación de 29.9%, lo que si bien es bajo estadísticamente, se puede entender que
es un valor adecuado para eventos de esta índole ambiental, dada la alta variabilidad de sus
predictores y por no contar con datos respecto a variables explicativas, como lo son las
fuentes fijas y móviles de contaminantes.

Se logra evidenciar lo que postula Alvarado G, ya que el modelo presenta una correlación
significativa entre la velocidad del viento y las concentraciones de MP10, además presenta
una relación débil entre la humedad relativa con las concentraciones. También se evidencia
que la presión atmosférica no posee una influencia dada su baja significancia, sin embargo
debe ser considerada para explicar las concentraciones.

Se recomienda que para generar un modelo que presente un mejor coeficiente de

determinación, es necesario contar con bases de datos adecuadas de las variables
predictoras no consideradas, lo que cambiará los estadísticos e influencia de los predictores
a valores que se condigan mejor con la realidad.
 2

Contenido

1. Glosario 3
2. Introducción 4
3. Objetivos 5
3.1. Objetivo general 5
3.2. Objetivos específicos. 5
4. Marco teórico. 6
4.1. Variables más influyentes en el comportamiento del material particulado MP10 6
5. Contexto Referencial 10
6. Alcance del estudio 10
7. Metodología 12
7.1 Recopilación de información 12
7.2 Análisis y tratamiento de la BBDD 13
7.3 Análisis descriptivo. 14
8. Principales resultados 15
9. Análisis y discusión de los resultados 18
8 Conclusiones 20
9. Referencias bibliográficas 22
10. Anexos 24
 3

1. Glosario

a. Zona Saturada: “aquélla en que una o más normas de calidad ambiental se

encuentran sobrepasadas” (Ministerio Secretaría General de la Presidencia, 1994).

b. Zona de Sacrificio: “lugares que padecen depredación, dejadas por el Estado a los
estragos de la devastación industrial, con efectos perjudiciales graves al Medio
Ambiente y a la Salud de las comunidades locales” (Radio Universidad de Chile,
2017).

c. Material Particulado (MP): “es un contaminante atmosférico que corresponde a

aquellas partículas líquidas o sólidas que se encuentran en suspensión, siendo posible
clasificarlo según su diámetro en MP10 (grueso) y MP2,5 (fino). El primero es aquel
en que las partículas tienen un diámetro menor a 10 micrones (o micrómetros), y el
segundo, en que las partículas tienen un diámetro menor a 2,5 micrones. Por lo
mismo, el MP2,5 se encuentra contenido en el MP10” (Ministerio del medio ambiente,
2019).

d. Configuración tipo A: “Estas configuraciones generan estabilidad debido al aporte

de aire cálido desde altura (500 hPa) producto del ingreso de una alta presión, lo que
en presencia de una depresión costera (vaguada costera) en superficie intensifica el
fenómeno de inversión térmica en la cuenca. Lo anterior, limita el desarrollo la capa
de mezcla y en consecuencia genera el aumento en la concentración de
contaminantes” (Secretaría Regional Ministerial del Medio Ambiente, 2018).

e. Condición Tipo BPF: “La sigla BPF proviene de baja prefrontal y se denomina como
prefrontal a la situación que se presenta antes de la entrada o irrupción de un sistema
frontal. Se identifica habitualmente por la irrupción de una vaguada en la tropósfera
media (en el nivel de 500 mb) que acompaña a un sistema frontal, con un
desplazamiento paulatino, asociado abundante cobertura nubosa prefrontal, del tipo
media y alta (altoestratos y altocúmulos). Esto provoca una oscilación térmica diaria
débil, en superficie y contribuye a que se presente un bajo factor de ventilación. En
ocasiones, una proyección frontal cálida asociada a la parte delantera de una dorsal
en altura, o una corriente en chorro intensa que genere abundante nubosidad media
y alta pueden producir un efecto similar” (Secretaría Regional Ministerial del Medio
Ambiente, 2018).
 4

2. Introducción

La industria y el avance en materia de producción y uso de energías no renovables han

aumentado de manera considerable en el último siglo. Desde la Revolución Industrial las
materias primas, la producción de bienes y servicios además de los avances en los modelos
de producción han crecido a un ritmo acelerado, donde “siempre que su grado de evolución
lo permitía, numerosos países respondieron a este reto con la realización de su propia
revolución industrial” (Nahm, 1997). Este proceso provocó un aumento en la población a nivel
global, la esperanza de vida y sobre todo, los niveles de concentración y liberación de
contaminantes emitidos al ambiente. Por tal motivo, el presente estudio se centra en el
material particulado respirable MP10, uno de los tantos contaminantes liberados a la
atmósfera.
En materia de calidad del aire, los índices de contaminación en la Ciudad de Santiago han
sido tema de opinión pública y de los medios de comunicación. “Esta situación se debe a las
condiciones geográficas y meteorológicas de la cuenca atmosférica de la Región
Metropolitana que inciden en su capacidad de ventilación y en las emisiones tanto naturales
como aquellas producidas por las actividades diarias de sus habitantes” (Matus C & Oyarzún
G, 2019). Además de esto, la acción de la vaguada costera incide en gran parte de la zona
central del país, relacionada a la presión atmosférica, potenciando la concentración y
desfavoreciendo la dispersión de contaminantes en la atmósfera.
El Sistema Mundial de Monitoreo AirVisual junto a Greenpeace, indican que Chile tiene 9 de
los 10 ciudades con el aire más contaminado de Sudamérica, donde “Chile en particular sufre
de altos niveles de contaminación por partículas como resultado de la quema de leña para
calefacción, que las políticas gubernamentales tienen como objetivo promover el acceso a
tecnologías de calefacción más limpias” (IQ Air AirVisual, 2018). Respecto a esto, en Chile,
¿Se realizan los estudios adecuados para la toma decisiones?
Múltiples registros y alertas de preemergencia se han registrado con números críticos en la
comuna de Pudahuel, de los cuales, el material particulado MP10 es preponderante. Estas
partículas ingresan a las vías respiratorias, impactando en las vías superiores, generando
procesos infecciosos y respiratorios agudos como faringitis, amigdalitis, rinofaringitis, entre
otros, donde “las mayores concentraciones horarias y diarias de MP10 ocurren en Pudahuel
llegando a niveles considerados peligrosos para la salud de las personas, lo cual conduce a
la aplicación de medidas especiales de control y reducción de emisiones” (Alvarado G, 2010).
Existen múltiples estudios y mediciones de distintos contaminantes en la atmósfera; SO2, O3,
CO, CH4, MP10, MP2.5, etc. Este estudio agrega más antecedentes al respecto, donde a
partir de una BBDD, se busca generar una fórmula que prediga los niveles de concentración
de material particulado MP10 en un periodo determinado, en base a las variables ambientales
presentes en ese momento. El objetivo de ello es conocer la presencia de MP10, información
que puede potencialmente ser usada por organismos públicos pertinentes para interpretar,
ejecutar programas y campañas de concientización que promuevan y contribuyan a la
realización de un marco de acción que brinde soluciones para la protección y preservación
de la salud de la población, de acuerdo al Decreto Supremo 59/1998 del Ministerio Secretaría
General de la Presidencia de la República (MINSEGPRES) que establece la Norma de
Calidad Primaria para Material Particulado Respirable MP10 y en especial los niveles que
definen situaciones de Emergencia Ambiental.
 5

3. Objetivos

3.1. Objetivo general

● Analizar mediante un modelo predictivo la concentración de material particulado MP10

presente en la comuna de Pudahuel, Santiago de Chile.

3.2. Objetivos específicos.

● Revisar y seleccionar literatura respecto al comportamiento del material particulado

MP10 de manera general y en la comuna de Pudahuel, Santiago de Chile.

● Elegir respecto a la literatura seleccionada, las variables que más influyen en el

comportamiento del material particulado MP10.

● Crear una base de datos con las variables seleccionadas para el estudio, a partir de
datos disponibles en distintos servicios como el SINIA y la Estación de Meteorológica
de la USACH.

● Realizar un modelo predictivo que permita conocer la concentración de MP10 en la

comuna de Pudahuel utilizando un modelo de regresión lineal múltiple.

● Realizar un análisis concluyente sobre el modelo predictivo de acuerdo a los datos

obtenidos.
 6

4. Marco teórico.

4.1. Variables más influyentes en el comportamiento del material particulado

MP10
La comuna de Pudahuel, se encuentra inserta en la ciudad de Santiago de Chile, la que por
sus características de densidad, concentración de la población, topografía del área y
condiciones climáticas, reúnen y crean condiciones “desfavorables para la dispersión de
contaminantes, sumado al confinamiento geográfico de la ciudad y los altos niveles de
emisión de contaminantes antrópicos, hacen de Santiago una de las ciudades más
contaminadas del continente” (Garreaud & Rutllant, 2006).
Una de las condiciones meteorológicas que inciden de mayor manera a la zona centro del
país es la llamada “vaguada costera”. La vaguada costera, es descrita como la nubosidad
baja presente en las zonas cercanas a la costa del país y tiene como efecto negativo que
“reduce el factor de ventilación al interior del continente durante el invierno” (Quintana,
Carrasco, & Juan, 2007). La formación y generación de estos tipos de nubosidades en forma
de estratos (vaguadas), involucran variables meteorológicas que inciden en el desarrollo de
estas condiciones (Presión Atmosférica, Temperatura, Dirección del Viento y Velocidad del
Viento), por lo que estas variables serán las que se procede a estudiar y analizar para evaluar
su impacto en la concentraciones de material particulado MP10.
Presión Atmosférica
Es una variable que representa el peso de una columna de aire de la atmósfera en un área
determinada, destacándose distintos núcleos de presión en el ámbito de la meteorología,
“bajas y altas son opuestas y asociamos su presencia a distintos fenómenos atmosféricos. El
calor, los días despejados y en general buenas condiciones meteorológicas son asociadas a
las Altas presiones, mientras que la lluvia y los días con sistemas frontales lo asociamos a las
Bajas presiones” (Campos D, 2018).
Hacia el oeste en el Océano Pacífico, se genera una alta presión con vientos que circula
alrededor del núcleo de presión, cuyos vientos se desplazan hacia el centro de su eje,
originando poca nubosidad debido al peso de la atmósfera, situación que es detalla en la
Figura 1 donde A es el núcleo de presión alta:

Figura 1. Estructura tridimensional de una onda de presión en desarrollo

Fuente 1:http://dgf.uchile.cl/rene/LIMA/clase4a.pdf

La acción de estas ondas de presión altas interactúan con el borde del continente, las que
mediante la interacción con la Cordillera de los Andes, “sus dominios no se extienden hacia
 7

el interior del continente sudamericano justamente porque el continente y las montañas están
ahí. La presencia de esta masa gigante de tierra hace que se forme una baja presión en el
medio de Sudamérica. A este tipo de baja presión se le llama baja térmica” (Campos D, 2018),
originando la llamada Vaguada Costera y condición tipo BPF, donde esta capa de nubosidad
de presión disminuye el grado de dispersión del MP10. Este proceso se explica en la Figura
2 y Figura 3.

Figura 2 Desarrollo de la vaguada costera.

Fuente 2:http://blog.meteochile.gob.cl/2018/09/20/tipico-chileno-la-vaguada-costera-y-su-lado-mas-desconocido/

Figura 3 Ingreso de la Vaguada Costera al valle.

Fuente 3: http://fayllar.org/aspectos-meteorolgicos-y-contaminacin-atmosfrica-en-la-regin-m.html

Temperatura

Es una variable importante a estudiar en relación al grado de concentración de

contaminantes, ya que una diferencia de temperatura entre el gradiente térmico vertical
adiabático de aire seco (de un sistema) y el gradiente térmico vertical ambiental, determina la
estabilidad atmosférica entre un cuerpo de aire que sube en la atmósfera y un ambiente
circundante a temperatura ambiente. “Estas condiciones están directamente relacionadas con
las concentraciones de contaminantes en el aire ambiental” (Organización Panamericana de
la Salud, 2005).
 8

En condiciones inestables, la diferencia de temperatura entre el gradiente vertical adiabático

de aire seco es mayor con respecto al gradiente térmico vertical del medio, ayudando a que
un cuerpo o sistema gaseoso con una temperatura mayor al del medio suba a mayores alturas
y se mezcle con la atmósfera ya que “el calentamiento del suelo y la evaporación se transmite
a toda la capa límite atmosférica de forma rápida y eficiente como consecuencia del
mecanismo de mezcla turbulenta” (Haro Velastegui, Limáico Nieto, Peruhachi Cahueñas, &
Fernández Parra, 2018). Por lo tanto, a medida que un cuerpo sube a una determinada altura
en la atmósfera, la temperatura del medio disminuye más rápido que el mismo cuerpo, por lo
que este sigue aumentando su elevación.
En condiciones neutras en la atmósfera, el gradiente térmico vertical entre el aire seco y el
ambiental son iguales, lo que esta situación no favorece ni desfavorece la mezcla de gases
y contaminantes en la atmósfera.
En condiciones de estabilidad, el gradiente vertical de aire seco aumenta de forma muy lenta,
lo que hace que la temperatura del cuerpo o sistema “que se eleva verticalmente
permanecerá más frío y, por lo tanto, más denso que el aire circundante” (Organización
Panamericana de la Salud, 2005).
En la mayor parte del día, la superficie recibe de manera directa la radiación solar, pero en
periodos del día donde disminuye la temperatura, se genera una diferencia de temperatura
entre la superficie y el aire inmediatamente adyacente y encima del suelo, donde la “débil e
intermitente turbulencia en esta capa produce un mínimo de la dispersión vertical de
contaminantes durante la noche y madrugada, quedando estos concentrados cerca del nivel
de emisión” (Garreaud R & Rutlland J, 2006).
Existe una situación especial donde la temperatura es relevante, conocida como
configuración tipo A, según se explicita en el glosario. “En este proceso, conocido como
subsidencia, el aire desciende desde la troposfera media y se calienta (además, se seca),
aumentando la estabilidad y eliminando cualquier formación nubosa cerca de la superficie”
(Crespo, 2019). Este fenómeno puede ser explicado mediante la Figura 4 y Figura 5.

Figura 4 Estabilidad tipo A producto de subsidencia de aire caliente.

Fuente 4: http://blog.meteochile.gob.cl/2019/06/27/terral-el-calido-viento-que-viene-desde-la-cordillera/
 9

Figura 5 Estabilidad atmosférica tipo A

Fuente 5: http://fayllar.org/aspectos-meteorolgicos-y-contaminacin-atmosfrica-en-la-regin-m.html

La dirección y velocidad del viento

Son variables relevantes ya que la acción de estas en un sistema, generan un grado de

dispersión de las distintas partículas o elementos presentes en el ambiente, facilitando “la
ventilación de la cuenca y los niveles de contaminación mejoran significativamente” (Garreaud
R & Rutllant J, 2006).

La acción del viento, proviene generalmente del océano pacífico, pero estadísticamente “la
velocidad del viento en Pudahuel tiene un patrón de comportamiento distinto al resto de las
estaciones durante los episodios tipo A, el que favorece el aumento de las concentraciones e
impide la dispersión de contaminantes” (Alvarado G, 2010). Es por esto, que se espera sea
más influyente la velocidad del viento que la dirección de este mismo.

Humedad relativa del aire

La atmósfera está compuesta por distintos gases a diferentes alturas desde la superficie de
la Tierra, como Nitrógeno (N), Oxígeno (O), Argón (Ar), Dióxido de Carbono (CO2), etc. pero
uno de los componentes fundamentales presentes en la atmósfera es el vapor de agua, donde
“es importante recordar que la concentración de estos gases varía con la altura, siendo
especialmente acusadas las variaciones del vapor de agua, que se concentran sobre todo en
las capas próximas a la superficie” (Carlomagno G, 2016) . El vapor de agua consiste en
partículas de agua (𝐻2 𝑂) en suspensión, donde la Humedad Relativa es “la cantidad de
humedad en el aire, comparado con la que el aire puede "mantener" a esa temperatura.
Cuando el aire no puede "mantener" toda la humedad, entonces se condensa como rocío”
(Georgia State University, 2017).

La cantidad de moléculas de agua presentes en el aire determinan una influencia en la

concentración de distintos gases o contaminantes en la atmósfera, puesto que la densidad
del agua es menor, en contacto con otras sustancias estas se adhieren a la partículas de
agua ascendiendo en la atmósfera, pero si “el aire mientras mantenemos constante el
 10

contenido de humedad, la humedad relativa se elevará hasta alcanzar el 100%” (Georgia

State University, 2017), estas partículas se mezclaran con los demás elementos precipitando
como rocío a la superficie.

5. Contexto Referencial
En los tiempos actuales, la salud de las personas es uno de los aspectos que no se pueden
obviar, La Constitución de la OMS afirma que “el goce del grado máximo de salud que se
pueda lograr es uno de los derechos fundamentales de todo ser humano” (Organización
mundial de la Salud, 2006). Es así, que tanto las industrias como el estado deben brindar
salud a la población, dando cumplimiento a ello mediante las distintas institucionalidades y
normativas que aplican en el territorio nacional. “Es deber del Estado garantizar la ejecución
de las acciones de salud, ya sea en el sistema público o privado” (Constitución política de la
República de Chile, 1980).

Es claro que los problemas de salud pueden ser de diversa índole. Uno de estos problemas
son los derivados de la inhalación de compuestos o moléculas presentes en el aire, en donde
lo fundamental es conocer la concentración de cada una de estas para conocer si su
exposición afectará la salud. Cada uno de los indicadores produce un efecto distinto en la
salud poblacional. El presente estudio se enfoca específicamente en modelar y predecir el
indicador MP10, puesto que “el 2017, 20 estaciones de monitoreo con representatividad
poblacional (57% del total mostradas en el indicador) sobrepasaron el límite normativo anual
para MP10 (50 µg/m³N)” (SINIA, 2018).

Además “de las 37 estaciones de monitoreo que tienen percentil 98 de MP10 para el año
2017, 11 (29.7%) presentan concentraciones de 24 horas mayor al límite establecido a nivel
normativo (150 µg/m³N).” (SINIA, 2018). Investigadores plantean que el MP10 es un factor
que se debe considerar respecto a las consultas hospitalarias. “Ostro determinó que las
consultas en Servicios de Urgencia aumentaban de un 4% a 12% con incrementos de 50
µg/m³ de MP10.” (Ostro BD, 1999).

De lo abordado previamente, se selecciona para objeto de estudio la comuna de Pudahuel,

en donde su indicador de MP10 sobrepasa tanto el límite normativo anual como el de
concentraciones por 24 horas, además, esta comuna de la Región Metropolitana, posee una
densidad poblacional de 1166 habitantes/km², lo que supone una alta cantidad de población
expuesta a inhalar material particulado y con potencialidad de riesgo a su salud.

Pudahuel, por lo demás, presenta “producto de las malas condiciones de ventilación,

especialmente durante episodios tipo A, las mayores concentraciones horarias y diarias de
MP10 dentro de toda la Región Metropolitana lo cual conduce a la aplicación de medidas
especiales de control y reducción de emisiones. Además, el viento en Pudahuel es débil,
cercano a 0 m/s, lo cual dificulta el transporte desde grandes distancias” (Alvarado G, 2010).

6. Alcance del estudio

Noticias como, “Pudahuel registra los peores índices de calidad del aire en nueva
preemergencia” (Emol, 2015), “Pudahuel registra índices de contaminación considerados
malos” (Cooperativa.cl, 2007) o bien, “Pudahuel marca nivel del aire en emergencia” (Tele
 11

13, 2015), son situaciones que día a día marcan a todos los ciudadanos de la comuna y que
generan preocupación debido a los problemas de salud que esto conlleva, además de
problemas medioambientales que afectan tanto al entorno como a la misma población.

La Figura 6, muestra la ubicación de la comuna de Pudahuel, localidad que cuenta con una
superficie de 197 km2 y una población de 230.293 habitantes, según el Censo 2017, y que al
comparar los habitantes del Censo del año 2002 con el del año 2017, se determina un
aumento de la población de un 16.3% respecto a años atrás (Biblioteca del congreso nacional
de Chile, 2017).

Figura 6 Ubicación de la comuna de Pudahuel, RM, Chile

Fuente 6: Google, www.delegacionsantiago.gov.cl

Además, según informe respecto al “Estudio integrado de factores que influyen sobre la
contaminación atmosférica por material particulado respirable de Pudahuel” (Alvarado G,
2010), en esta localidad se han registrado 147 fuentes estacionarias correspondientes
principalmente a grupos electrógenos de respaldo, hornos panificadores (panadería),
calderas de calefacción industriales, terminales de buses, tránsito vehicular, etc. Por lo tanto,
es una de las comunas que efectivamente contribuyen a la generación de MP10 en la ciudad
de Santiago, esto debido a su posición geográfica, topografía, clima, actividad económica,
crecimiento notable de la población, entre otras, registrándose como una de las zonas con
peores registros de calidad de aire.

Todos estos escenarios, generan interés de crear una solución para los habitantes de la
comuna, como para el entorno en sí. Esta solución corresponde a la recopilación de variables
de estudio que afectan a la condición de “mala calidad de aire por MP10”, para establecer un
modelo que indique concentraciones y así poder anticipar una preemergencia o alerta
ambiental, para luego implementar medidas que favorezcan tanto a la población como al
medio ambiente. La influencia de las variables explicativas en el comportamiento del material
particulado han sido validadas y serán seleccionadas por literatura “Estudio integrado de
factores que influyen sobre la contaminación atmosférica por material particulado respirable
de Pudahuel” (Alvarado G, 2010), sin embargo se le aplicarán análisis descriptivos e
inferenciales para ajustar y normalizar los datos estadísticamente y así poder realizar el
modelo explicativo.
 12

Cabe destacar que, en un principio, la modelación será aplicable sólo a la comuna de

Pudahuel, dado que los datos utilizados provienen de las estaciones de monitoreo cercanas
a ésta, sin embargo, si el modelo generado es validado puede potencialmente aplicarse en
otros sectores de Chile, que posean características geomorfológicas y climatológicas
similares a la de estudio. Para localidades con características distintas se podrán crear
modelos a partir de la metodología propuesta.

7. Metodología
El estudio cuenta con cuatro etapas para desarrollar los objetivos planteados. La primera
etapa consiste en la recopilación y selección de información, principalmente de las variables
que influyen en el comportamiento del material particulado en el sector de Pudahuel; la
segunda, corresponde a la creación de una base de datos (BBDD) a partir de información
proporcionada por servicios meteorológicos que miden las variables ambientales a utilizar,
realizando además un tratamiento y adecuación de ésta, para que cumpla las condiciones
necesarias para generar un modelo estadístico de regresión lineal, eliminando datos ausentes
y outliers; la tercera etapa, corresponde al análisis descriptivo de la BBDD y un análisis
inferencial, generando el modelo de regresión, aplicando los test respectivos; como etapa
final, se realiza un análisis concluyente de los resultados estadísticos y el ajuste del modelo
de acuerdo a teoría.

7.1 Recopilación de información

Para el modelo propuesto, las variables explicativas, son extraídas por literatura “Estudio
integrado de factores que influyen sobre la contaminación atmosférica por material particulado
respirable de Pudahuel” (Alvarado G, 2010) y corresponden a dirección y velocidad del viento,
temperatura, presión atmosférica y humedad relativa.

Dentro de la información que se logró obtener del estudio, se consideraron varios puntos
importantes: se pudo dar cuenta de un análisis comparativo realizado entre las variables
meteorológicas en el área urbana de Santiago durante días de episodios tipo A y tipo BPF,
siendo 50 y 38 episodios respectivamente. Además, la estación de Pudahuel presentó 28
veces las concentraciones más altas durante episodios tipo A (56%) y solamente 4 veces
para los episodios tipo BPF (11%).

Alvarado G. realizó un análisis de las condiciones meteorológicas para identificar cuáles son
las variables explicativas que toman mayor relevancia en los días de episodio de
contaminación atmosférica en la comuna, realizando una comparación entre la estación de
Pudahuel con otras estaciones cercanas. Estas variables fueron medidas en las estaciones
de la red MACAM2 para los días de episodio tipo A por el grado de ocurrencia del fenómeno.

Al analizar los resultados, se aprecia en todas las estaciones una relación inversa entre la
velocidad del viento y MP10; cuando la velocidad del viento disminuye, aumentan las
concentraciones de MP10 y, en consecuencia, los episodios del tipo A principalmente, y
cuando la velocidad del viento aumenta, disminuye las concentraciones de MP10. En cambio,
para temperatura, humedad relativa y dirección del viento no se encontró una relación definida
(Alvarado G, 2010).
 13

Cabe destacar que se evidencia que la velocidad del viento en la comuna de Pudahuel es
baja, además, Alvarado considera variables no meteorológicas para la realización de su
modelo.

La información recopilada entrega indicios de cómo deben comportarse las variables dentro
del modelo a generar.

7.2 Análisis y tratamiento de la BBDD

En consecuencia, a la información recopilada, se decide obtener los datos y generar una

BBDD a partir de los monitoreos de las estaciones de la Universidad de Santiago de Chile
(USACH) y de las estaciones ubicadas en Pudahuel a través del Sistema de Información de
Calidad de Aire (SINCA) para los periodos de invierno del 2017, fecha en donde se cuenta
con las peores condiciones de ventilación.

Se procedió a descargar los datos de las variables ambientales necesarias mediante formato
Excel de las estaciones de monitoreo del SINCA (temperatura, dirección del viento, velocidad
y humedad relativa), mientras que de la estación de monitoreo de la USACH se descargó la
presión atmosférica del aire, estación que se encuentra a 1 km de distancia de la comuna de
Pudahuel, ya que las estaciones de la comuna mencionada no poseen mediciones de presión
atmosférica. Los datos obtenidos de la estación USACH se encuentran registrados en
minutos y periodos variables de tiempo, en cambio la estación del SINCA solo cuenta con
registros horarios.

Se decide filtrar ambas BBDD, de acuerdo a horarios que sean representativos de la

información proporcionada, con el fin de obtener una cantidad de datos adecuados para que
la base de datos presente una distribución normal. De esta forma se seleccionan solo los
datos de las horas 00:00 y 12:00.

Una vez con los datos recopilados de ambas estaciones, con las variables ambientales
necesarias, se realizó la unión de los registros de ambas BBDD en un solo Excel,
conformando de manera inicial nuestra BBDD.

De la BBDD creada, se eliminaron todas las filas horarias en donde no hubiese información
de alguna de las variables ambientales, eliminando los datos ausentes. Luego, se revisó cada
columna de variables ambientales con el fin de corroborar que todos los datos fuesen en
concordancia con las condiciones de ocurrencia reales. Así, es que se procedió a la
eliminación de los outliers para la temperatura y para la velocidad del viento.

De esta forma, del total de 2233 datos para invierno de 2017, 187 corresponden a las horas
seleccionadas (00:00 y 12:00). Luego de eliminar datos ausentes queda un total de 144
valores, es decir, la BBDD para los horarios explicitados, cuenta con un 70% de datos
validados.
 14

7.3 Análisis descriptivo.

Luego del tratamiento de los datos, se procede a trabajar los valores dentro del programa IBM
SPSS para el análisis descriptivo e inferencial de la BBDD.

El estudio cuenta con el análisis de las variables explicativas temperatura, humedad relativa,
presión atmosférica, velocidad y dirección del viento, para explicar la variable concentración
de PM10. Se analizó gráficamente las tendencias de las variables para juzgar visualmente la
bondad de ajuste y detectar comportamientos extraños de observaciones individuales,
valores atípicos y decidir qué modelo explicativo aplicar.

Del análisis de las variables explicativas se da cuenta que estas no poseen un

comportamiento normal, lo que al momento de realizar el modelo de regresión lineal múltiple,
no se cumplen los supuestos de linealidad. Por dicho motivo es que se aplica un tratamiento
de normalización de las variables mediante distintas transformaciones con el fin de que los
conjuntos de datos sean simétricos y más cercanos a la distribución normal y por tanto cumplir
los supuestos. Se mencionan las diferentes transformaciones aplicadas a las variables en la
tabla 10.2 presente en el anexo.

De acuerdo a dichas transformaciones, se crean las variables de entrada final al modelo de

acuerdo a lo indicado en la tabla 10.3.

De acuerdo a los análisis iniciales la dirección del viento poseía un coeficiente demasiado
bajo, por lo que no explicaba por sí misma su influencia en la concentración de MP10, sin
embargo esta variable posee una alta colinealidad con la variable velocidad del viento. Es por
esto que la variable de entrada al modelo x1 considera velocidad y dirección del viento en su
conjunto.

La variable de entrada x2, considera una ponderación entre la humedad relativa y la

temperatura, debido a que la primera depende netamente de la temperatura ambiente
asociada, es decir, al disminuir la temperatura ambiente de un cuerpo o sistema gaseoso con
un porcentaje de humedad, el agua se condensa aumentando la cantidad de agua,
elevándose la humedad relativa hasta alcanzar un 100%. El efecto contrario se observa al
aumentar la temperatura, generando una evaporación y disminución de la concentración de
partículas de agua en el aire, por lo que él porcentaje de humedad relativa disminuye.

La variable de entrada x3, considera en su conjunto a la presión atmosférica y la temperatura.

Esta decisión se basa en que estadísticamente, al realizar test de colinealidad ambas
presentan valores elevados del estadístico FIV y valores bajos en su tolerancia, indicando la
dependencia una de otra de acuerdo a lo indicado en la tabla 10.4. Lo anterior va en
concordancia a la teoría de estabilidad atmosférica, la cual indica la relación entre ambas
variables, específicamente el efecto que tiene la temperatura en la densidad de las partículas
de aire, en donde al ocurrir un aumento de la primera, estas partículas se dispersan,
disminuyendo la presión atmosférica local ejercida por la columna de aire.

De esta manera, el modelo generado corresponde a regresión lineal múltiple de la forma:

𝑌 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝛽3𝑥3 + 𝑢

 15

Donde:

● Y es la variable explicada correspondiente a la concentración de MP10.

● 𝛽0, 𝛽1, 𝛽2 𝑦 𝛽3 son los parámetros de la regresión Lineal Múltiple.
● x1 es la variable explicativa Velocidad del Viento (transformada).
● x2 es la variable explicativa Humedad Relativa (transformada).
● x3 es la variable explicativa Presión Atmosférica (transformada).
● u corresponde al error estimado de las variables que no fueron consideradas dentro
del estudio.

8. Principales resultados

Tabla 8.1 Coeficientes del modelo.

Tabla 8.2 Estadísticos del test de ANOVA.

 16

Tabla 8.3 Coeficientes del modelo.

Tabla 8.4 Indicadores de Colinealidad.

Tabla 8.5 Prueba de Kolmogorov-Smirnov

 17

Tabla 8.6 Matriz de correlaciones.

Tabla 8.7 Diagnósticos de Colinealidad.

El modelo descrito será:

𝑌 = 5,609 − 0,450 ∗ 𝑥1 − (1,150𝐸 − 5) ∗ 𝑥2 − 0,130 ∗ 𝑥3 + 𝑢

Dónde:

● El valor de β0, corresponde al valor de concentraciones “normales”, es decir, cuando las

variables explicativas son igual a cero (corte al eje y). En este caso, el valor de las
concentraciones de MP10 es de 5,609 microgramos por metro cúbico normal dentro de la
regresión.

● El valor de β1, señala que por cada unidad que aumente la velocidad del viento
transformada, las concentraciones de MP10 disminuyen en 0,450 μg/m3 N.
 18

● El valor de β2, señala que por cada unidad que aumente la humedad relativa transformada,
las concentraciones disminuyen en 1,271E-5 μg/m3 N.

● El valor de β3, señala que por cada unidad atmosférica transformada que aumente,
entonces las concentraciones disminuyen en 0,130 μg/m3 N.

9. Análisis y discusión de los resultados

● En el modelo, se puede apreciar que la variable que más contribuye a la concentración de
MP10 es la velocidad del viento, seguido en menor medida por la presión atmosférica y la
humedad relativa. Respecto a la significancia, la presión atmosférica posee un valor mayor a
0,05, indicando que esta variable no influye directamente en el modelo y por tanto debiera
excluirse de la regresión, sin embargo, se decide mantener debido a que teóricamente, y en
conjunto a la temperatura, generan ambientes que influyen en la dispersión de contaminantes,
en específico la inversión térmica de acuerdo a lo indicado por Garreaud y Rutlland respecto
a la variable temperatura y por Campos respecto a la presión, información contenida en el
marco teórico.

● Para la tabla del resumen del modelo, el coeficiente de determinación R2 tiene un valor de
0,299, es decir, que solo el 29,9% de las variables independientes consideradas, explican la
concentración de MP10 mediante la regresión lineal múltiple. Para que un modelo sea
explicativo, el coeficiente de determinación debe ser mayor a un 70% , es decir, que el valor
obtenido del modelo generado de 0,299 no es suficiente para explicar el fenómeno estudiado
y que una parte de los predictores están contenidos en el error. La razón de esto puede
explicarse debido a que en este estudio no se toman en cuenta predictores que influyen en
las concentraciones de MP10, como las emisiones de las fuentes puntuales y móviles como
variables, ya que no existen registros de esta información en bases de datos debido la
dificultad y los recursos necesarios para el desarrollo y precisión de estas.

● Cabe destacar, que el coeficiente de determinación múltiple nos da indicios de cuánto se

explica la variable respuesta de acuerdo al modelo lineal aplicado y que consecuentemente
un valor alto indicaría que el modelo se ajusta mejor a los datos, sin embargo este coeficiente
no debe analizarse por sí solo, ya que si se cuenta con otros predictores estadísticamente
significativos, aun se puede concluir que existe asociación entre los datos y las variables
predictoras y de respuesta del modelo generado, hecho que se evidencia en el modelo
presentado.

● Es importante de destacar, que para estudios ambientales el coeficiente de determinación

puede no tener valores elevados y el modelo puede ser igualmente aceptado, ya que, si bien
se consideran valores reales, la variabilidad de estas condiciones ambientales dependen de
múltiples factores a la vez y por lo general poseen efecto las unas sobre las otras, por tanto
se permiten precisiones menores al 70% dada la complejidad del asunto.

● Por otra parte, tenemos el coeficiente de correlación R= 0,546, el cual señala que las
variables predictoras mencionadas poseen una correlación de fuerza media del 54,6%. La
correlación, también se sustenta con el valor de Durbin-Watson igual a 1.176, 0 ≤ DW < dL,
rechazando la hipótesis nula de no autocorrelación y aceptando la hipótesis alternativa de
autocorrelación positiva entre las variables, aumentando el error estándar de la estimación de
 19

la regresión. La correlación de Pearson, nos habla de la asociación lineal que hay entre una y
otra variable con una cierta proporción, siendo el estadístico más adecuado cuando las
variables siguen una curva normal. Al analizar la tabla de correlaciones de Pearson, se
observa que la concentración de MP10 posee una correlación significativa con la velocidad
del viento de -0.493, con una significancia menor a 0,000 y por tanto menor a 0,005, esto es
fundamentado por el estudio de Alvarado G, quien establece que la velocidad del viento es el
factor de mayor influencia en la dispersión de material particulado MP10. Por otro lado, el
MP10 posee una correlación significativa con la Humedad relativa de un 0,029, siendo esta
menor a 0,05 y un coeficiente de Pearson de -0,128, siendo un valor cercano a cero, indicando
que estadísticamente hay una relación débil. Finalmente, la significancia entre el MP10 y la
presión atmosférica es de 0,300 lo que indica que no existe correlación entre ambas junto con
el coeficiente de Pearson de -0,087, razón por la cual no debiese ser considerada en el
modelo, pero según Garreaud y Rutlland, teóricamente si existe una correlación (explicado
anteriormente).

● Para el análisis del ANOVA, se formulan las hipótesis: Ho: βi=0 (no existe significancia) y

H1: βi≠0 (existe significancia). El estadístico de Fisher corresponde a F = 19,858 y el p-valor

asociado a F entregado por el software, en la columna Sig, es menor al valor límite que este
entrega (0.001) y por tanto menor que el nivel de significancia α = 0.05. Esto permite rechazar
la hipótesis nula de no linealidad, es decir, existe una relación lineal significativa entre las
variables dependiente e independientes, indicando que el modelo de regresión lineal múltiple
considerado es válido.

● Respecto al contraste de normalidad, se realiza la prueba de Kolmogorov-Smirnov el valor

del estadístico Z (0.717) y el valor del p-valor asociado (0.683). Por lo tanto no se puede
rechazar la hipótesis de normalidad de los residuos.

● Respecto a la homogeneidad de las varianzas para comprobar la homocedasticidad, de

acuerdo a la gráfica 10.5, se observa que la distribución de los residuos no presentan un
patrón de comportamiento que tienda a una función conocida o con un aumento o disminución
marcados, sino que poseen un comportamiento aleatorio, entonces no podemos rechazar la
hipótesis de igualdad de varianzas y por tanto se puede entender que el modelo propuesto
describe adecuadamente los datos. En consecuencia, el modelo cumple el supuesto de
homocedasticidad y por tanto sus errores no poseen heterocedasticidad.

● Respecto a la colinealidad, de acuerdo a lo indicado en la tabla de coeficientes, se muestra

que todas las variables de entrada al modelo presentan una tolerancia superior a 0.10 y una
pequeña VIF, lo que nos indica que inicialmente no presentan colinealidad, sin embargo al
revisar la tabla de diagnósticos de colinealidad encontramos un índice de condición de
35.370, y las variables que superan el umbral de la proporción de la varianza de 0.5 son la
constante y la presión, indicando que esta variable si presenta colinealidad, hecho que se
condice además al analizar la matriz de correlaciones, la cual de acuerdo a las significancias,
se aprecia correlación entre la presión con la humedad relativa y con la velocidad del viento.
En este sentido, el modelo presenta problemas por poseer colinealidad, sin embargo,
específicamente para el modelo generado, esto no supondría un problema, debido a que la
colinealidad se da por la inclusión de potencias de variables predictoras o productos de
variables predictoras (Allison P, 2012).
 20

8 Conclusiones

Respecto al análisis del modelo generado, se da cuenta que presenta indicios de ser un
correcto predictor de las concentraciones de material particulado respirable MP10, debido a
presentar estadísticos que dan cuenta del cumplimiento de los supuestos de linealidad del
modelo generado en relación a sus variables predictoras, sin embargo ciertas condiciones no
se cumplen y por tanto da cuenta de errores.
El hecho más notorio es que el modelo generado sólo logra explicar en un 29.9% las
concentraciones de MP10, sin embargo y de acuerdo a los fundamentos teóricos, para ciertos
temas ambientales se puede aceptar coeficientes de determinación menores, ya que las
variables ambientales dependen de condiciones que, tanto por sí mismas o en su conjunto,
son complejas de determinar, por tal razón es que aún no existen modelos que expliquen la
generación del material particulado (no así para el comportamiento fisicoquímico en el
ambiente o su dispersión).

Cabe señalar, que el grado de fluctuación de las variables ambientales es tal, que los modelos
sobre estos temas, como dispersión o generación de contaminantes no son absolutos, sino
que dependen de las condiciones climatológicas, topográficas, geológicas, entre otros. Esto
a su vez, es otro indicio de que el modelo se logre explicar en un 29.9%, ya que en el modelo
hay condiciones que no son consideradas por la inexistencia de una base de datos específica
al respecto, existiendo BBDD que solo entregan esta información en promedios anuales de
27 ciudades del país en conjunto, no diferenciados por horario y comunas como requieren los
modelos específicos para cada zona. Estas condiciones topográficas y geológicas del lugar,
a su vez se ven afectadas por el comportamiento de las ciudades y su población. Las variables
que no fueron introducidas corresponden a fuentes fijas y móviles de generación, es decir, re
suspensión de polvo (calles sin pavimentar, veredas de tierra, terminales de buses con suelo
sin pavimentar, sitios eriazos, entre otros), consumo de leña y carbón para calefacción
domiciliaria, emisiones asociadas al Aeropuerto Internacional Arturo Mario Benítez (aporte de
emisiones directas de los aviones durante el despegue, así como también emisiones de las
fuentes móviles de traslado hacia y desde el aeropuerto, cruzando Pudahuel), como otras
fuentes locales que han sido detectadas estos últimos años (quema de basura, hornos
clandestinos), y que, podrían explicar de mejor manera el aumento de las concentraciones de
MP10 en la comuna.

Respecto a las variables del modelo, se corrobora teóricamente que son influyentes en el
comportamiento de las concentraciones de MP10, sin embargo estadísticamente se observa
que no hay un cumplimento de esta influencia para todas las variables. Se logra evidenciar lo
indicado por Alvarado G, ya que la variable MP10 y la velocidad del viento demuestran
correlación, favoreciendo la concentración de contaminantes en episodios tipo A en Pudahuel,
específicamente por presentar valores muy bajos, dificultando su dispersión. Se observa
además, que la humedad relativa posee significancia estadística, en cambio la presión no, y
si bien debiese ser eliminada del modelo, por teoría no se puede dejar de lado, sino más bien
incluir otras variables ambientales en el modelo para evaluar la influencia de ello.
 21

En definitiva, para poder generar un modelo que se ajuste más a las condiciones reales, se
recomienda realizar las siguientes acciones:

 Para evitar sesgo, incluir predictores, términos polinómicos y términos de interacción

adecuados en el modelo lineal, ya que la falta de ellos conlleva a “sesgo de
especificación” generando un modelo su especificado. Ello además aumentaría el
poder explicativo del modelo.

 Generar un catastro adecuado de las fuentes puntuales y fijas, ya que de este modo
se puede conocer su influencia, no considerando su efecto en el error.

 Dado que las variables ambientales además dependen del tiempo, puede que una
predicción mediante series de tiempo sea más efectiva, sin embargo, de igual manera
requerirá la existencia de bases de datos específicas.
 22

9. Referencias bibliográficas

Zuñiga, G. M. (2010). Estudio Integrado de Factores que Influyen sobre la contaminación

atmosférica por material particulado respirable de Pudahuel. Santiago:
Universidad de Chile.
Biblioteca del congreso nacional de Chile. (2017). Reportes estadísticos comunales. Obtenido
de reportescomunales.bcn.cl
Campos, D. (20 de Septiembre de 2018). Tipico Chileno: La vaguada costera y su lado más
desconocido. Obtenido de http://blog.meteochile.gob.cl/2018/09/20/tipico-chileno-la-
vaguada-costera-y-su-lado-mas-desconocido/
(1980). Constitución política de la República de Chile.
Cooperativa.cl. (3 de Junio de 2007). Pudahuel registra Índices de contaminación
considerados "malos". Obtenido de
https://www.cooperativa.cl/noticias/pais/medioambiente/contaminacion/pudahuel-
registra-indices-de-contaminacion-considerados-malos/2007-06-03/161346.html
Crespo, J. (27 de Junio de 2019). Terral: El cálido viento que viene desde la cordillera.
Obtenido de http://blog.meteochile.gob.cl/2019/06/27/terral-el-calido-viento-que-
viene-desde-la-cordillera/
Emol. (01 de Julio de 2015). Pudahuel registra los peores índices de calidad del aire en nueva
preemergencia. Obtenido de
https://www.emol.com/noticias/Nacional/2015/07/01/723937/Calidad-del-aire-
Pudahuel-es-la-comuna-con-mayor-contaminacion-durante-jornada-de-
preermegencia.html
Garreaud, R. D., & Rutllant, J. (2006). Factores Meteorológicos de la contaminación
atmosférica en Santiago. Obtenido de Departamento de Geofisica- Universidad de
Chile: http://www.dgf.uchile.cl/rene/PUBS/Libro_CA.pdf
Haro Velastegui, A. X., Limáico Nieto, C. T., Peruhachi Cahueñas, N. P., & Fernández Parra,
M. I. (24 de Marzo de 2018). Evaluación de la estabilidad atmosférica bajo condiciones
físicas y meteorológicas del Altiplano Ecuatoriano. Obtenido de
http://www.scielo.br/pdf/rbmet/v33n2/0102-7786-rbmet-33-02-0336.pdf
IQ Air AirVisual. (2018). World Air Quality report. 16. Obtenido de www.nuevoaire.cl/wp-
content/uploads/2019/04/world-air-quality-report-2018-en-1.pdf
Matus C, P., & Oyarzún G, M. (2019). Revista chilena de pediatría. Impacto del Material
Particulado aéreo (MP 2,5 ) sobre las hospitalizaciones por enfermedades
respiratorias en niños: estudio caso-control alterno. Obtenido de
https://dx.doi.org/10.32641/rchped.v90i2.750
Ministerio del medio ambiente. (28 de Septiembre de 2019). Pronóstico de calidad de aire.
Obtenido de Preguntas fecuentes: http://airechile.mma.gob.cl/faq
Ministerio Secretaría General de la Presidencia. (1994). Ley 19300: Ley sobre Bases
Generales del Medio Ambiente.
Nahm, G. (1 de Marzo de 1997). Scripta Nova. Obtenido de Revista Electrónica de Geografía
y Ciencias Sociales.: http://www.ub.edu/geocrit/sn-1.htm
Organización mundial de la Salud. (2006). Constitución mundial de la salud. Nueva York.
Organización Panamericana de la Salud. (2005). Obtenido de
http://www.bvsde.paho.org/cursoa_meteoro/frame_m.html
Ostro BD. (1999). Environ Health Perspect. Obtenido de Air pollution and Health Effects: A
Study of medical visits among children in Santiago Chile.
 23

Quintana, J., Carrasco, J. F., & Juan, P. (5 de Febrero de 2007). Estudio del desarrollo y
comportamiento de la vaguada costera durante el crucero CIMAR 6. Obtenido de
Dirección Metereológica de Chile: http://www.cona.cl/ctmol2/vol30-
1/articulos/quintana/quintana.pdf
Radio Universidad de Chile. (2 de Mayo de 2017). Diario U Chile. Obtenido de Zonas de
sacrificio: una cultura de vulneración de los derechos ciudadanos:
https://radio.uchile.cl/2017/05/02/zonas-de-sacrificio-una-cultura-de-vulneracion-de-
los-derechos-ciudadanos/
Secretaría Regional Ministerial del Medio Ambiente. (2018). Informe Final para la Gestión de
Episodios Críticos de Contaminación Atmosférica por Material Particulado Respirable
-MP10 y MP2,5-. Región Metropolitana.
SINIA. (2018). Cuarto Reporte del Estado del Medio Ambiente.
Tele 13. (21 de Junio de 2015). Pudahuel marca nivel del aire en emergencia. Obtenido de
https://www.t13.cl/no. ticia/nacional/pudahuel-marca-nivel-del-aire-en-emergencia
Carlomagno, G. (2016). Taller de introducción a las Ciencias de la Atmósfera. 1° Semestre
2016:http://meteo.fisica.edu.uy/Materias/TICA/Teorico2016/TICA_2016_Clase2_atm
osfera.pdf
Georgia
State University. Edición española de HyperPhysics (2017): http://hyperphysics.phy-
astr.gsu.edu/hbasees/Kinetic/relhum.html
Statistical Horizons (2012). When can you safely ignore multicollinearity?. Obtenido de
https://statisticalhorizons.com/multicollinearity
Rodó P. Contraste de Durbin Watson - Qué es, definición y concepto |. Economipedia.
Obtenido de: https://economipedia.com/definiciones/contraste-de-durbin-watson.html
Estadístico de Durbin-Watson - Puntos críticos de dL y du al nivel de significación del 5 % k
corresponde al número de regresores del modelo excluido el término independiente
(es decir, k ∗ = k − 1). Obtenido de:
https://www.ugr.es/~romansg/material/WebEco/01-comunes/dw.pdf
Prueba de Durbin-Watson. La Estadística: Una orquesta hecha instrumento. Obtenido
de:https://jllopisperez.com/2012/12/13/test-de-durbin-watson/
 24

10. Anexos
Tabla 10.1 Principales variables para el estudio

Variables Nemo Unida Descripción Autor

d de
Medid
a

Presión Variable.Presión. mb Se utilizarán los datos horarios (00:00-12:00) desde 21-

Atmosférica transformada 05-2017 hasta 21-09-2017 obtenidos de la Estación de
monitoreo USACH. (Variable Explicativa)

La presión atmosférica es utilizada para Alvarado

identificar la configuración tipo A y BPF. (2010)

Temperatura TemperaturaC °C Se utilizarán los datos horarios (00:00-12:00) desde 21-

05-2017 hasta 21-09-2017 obtenidos de la Estación de
monitoreo Pudahuel, desde el SINCA. (Variable
Explicativa)

Indica la cantidad de energía calorífica Jóvenes

que hay acumulada en el aire en un frente al
momento y lugar determinados. cambio
climático
(2019)

Dirección del Direcciondelviento ° Se utilizarán los datos horarios (00:00-12:00) desde 21-
viento 05-2017 hasta 21-09-2017 obtenidos de la Estación de
monitoreo USACH. (Variable Explicativa)

Es la dirección desde la cual sopla el Tu tiempo

viento, puede ser expresada en grados a (2019)
partir del norte geográfico.

Velocidad del Vel.Viento.transf m/s Se utilizarán los datos horarios (00:00-12:00) desde 21-
viento ormada 05-2017 hasta 21-09-20177 obtenidos de la Estación
de monitoreo USACH. (Variable Explicativa)

Razón del movimiento del viento en Tu tiempo

unidad de distancia por unidad de tiempo. (2019)
 25

MP10 MP10N µg/m³ Se utilizarán los datos horarios (00:00-12:00) desde 21-
05-2017 hasta 21-09-2017 obtenidos de la Estación de
Cerro Navia.

(Variable Explicada)

El material particulado (MP) es un MMA

contaminante atmosférico que (2019)
corresponde a aquellas partículas
líquidas o sólidas que se encuentran en
suspensión, siendo posible clasificarlo
según su diámetro en MP10 (grueso) y
MP2,5 (fino).

Humedad H.Relativa.transf % Cantidad de humedad en el aire Georgia

Relativa ormada comparada con la capacidad de retención State
de humedad que puede tener el aire a University
cierta temperatura. (2017)

Fuente: Elaboración propia

Tabla 10.2 Función de transformación para normalización.

Variable inicial Función de transformación

Presión Atmosférica Logaritmo en base 10

Temperatura Logaritmo natural

Dirección del viento No se modifica

Velocidad del viento Logaritmo natural

Humedad relativa No se modifica

MP10 Logaritmo natural

Tabla 10.3 Función de variables de entrada al modelo

Variable de entrada Ecuación

X1 Velocidad del viento transformada 𝑙𝑛(𝑉𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑣𝑖𝑒𝑛𝑡𝑜) ∗ 𝐷𝑖𝑟𝑒𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑣𝑖𝑒𝑛𝑡𝑜

X2 Humedad relativa transformada (𝐻𝑢𝑚𝑒𝑑𝑎𝑑 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎)2 ∗ 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎

X3 Presión atmosférica transformada 𝑙𝑜𝑔10 (𝑃𝑟𝑒𝑠𝑖ó𝑛 𝑎𝑡𝑚𝑜𝑠𝑓é𝑟𝑖𝑐𝑎) ∗ 𝑙𝑛(𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎)

Y MP10N 𝑙𝑛(𝑀𝑃10)
 26

Tabla 10.4 Coeficientes de colinealidad temperatura – presión atmosférica.

Gráfico 10.1 Función de distribución de MP10N.

 27

Gráfico 10.2 Función de distribución de Humedad Relativa Transformada.

Gráfico 10.3 Función de distribución de Velocidad del Viento Transformada.

 28

Gráfico 10.4 Función de distribución de Variable Presión Transformada.

Gráfico 10.5 Grafico de dispersión de los residuos tipificados del modelo.

 29

Gráfico 10.6 Ajuste de valores a la función lineal múltiple..