Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asignatura:
Modelos de previsión.
Académico:
Integrantes:
Resumen
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.
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
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).
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
3. Objetivos
● 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.
4. Marco teórico.
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.
Fuente 2:http://blog.meteochile.gob.cl/2018/09/20/tipico-chileno-la-vaguada-costera-y-su-lado-mas-desconocido/
Fuente 3: http://fayllar.org/aspectos-meteorolgicos-y-contaminacin-atmosfrica-en-la-regin-m.html
Temperatura
Fuente 4: http://blog.meteochile.gob.cl/2019/06/27/terral-el-calido-viento-que-viene-desde-la-cordillera/
9
Fuente 5: http://fayllar.org/aspectos-meteorolgicos-y-contaminacin-atmosfrica-en-la-regin-m.html
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.
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).
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).
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).
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
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.
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.
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.
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
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.
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.
Donde:
8. Principales resultados
Dónde:
● 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.
● 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.
● 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
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:
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
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
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)
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)
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)
X1 Velocidad del viento transformada 𝑙𝑛(𝑉𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑣𝑖𝑒𝑛𝑡𝑜) ∗ 𝐷𝑖𝑟𝑒𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑣𝑖𝑒𝑛𝑡𝑜
Y MP10N 𝑙𝑛(𝑀𝑃10)
26