Professional Documents
Culture Documents
Formato Bien
Formato Bien
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
Trabajo de titulación
TIPO: Proyecto de investigación
AUTOR:
YUNGAICELA SAGÑAY VÍCTOR ANDRÉS
Riobamba – Ecuador
2022
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
Trabajo de titulación
TIPO: Proyecto de investigación
Riobamba – Ecuador
2022
© 2021, Yungaicela Sagñay Víctor Andrés
Se autoriza la reproducción total o parcial, con fines académicos, por cualquier medio o
procedimiento, incluyendo la cita bibliográfica del documento, siempre y cuando se reconozca
el derecho de Autor.
i
Yo, Víctor Andrés Yungaicela Sagñay, declaro que el presente trabajo de titulación es de mi
autoría y los resultados del mismo son auténticos. Los textos en el documento que provienen de
otras fuentes están debidamente citados y referenciados.
Como autor asumo la responsabilidad legal y académica de los contenidos de este trabajo de
titulación; el patrimonio intelectual pertenece a la Escuela Superior Politécnica de Chimborazo.
Riobamba,…………..de 2022
ii
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
Firma Fecha
iii
DEDICATORIA
iv
AGRADECIMIENTO
v
TABLA DE CONTENIDO
INDICE DE TABLAS.....................................................................................................ix
ÍNDICE DE GRAFICOS..................................................................................................x
ÍNDICE DE FIGURAS...................................................................................................xii
ÍNDICE DE ANEXOS...................................................................................................xiii
RESUMEN.....................................................................................................................xiii
SUMMARY....................................................................................................................xv
INTRODUCCIÓN.............................................................................................................1
CAPITULO I.....................................................................................................................2
1 MARCO REFERENCIAL........................................................................................2
1.1 Antecedentes......................................................................................................2
1.2 Planteamiento del Problema..............................................................................3
1.3 Formulación del problema.................................................................................4
1.4 Justificación.......................................................................................................4
1.4.1 Justificación teórica............................................................................................4
1.5 Objetivos............................................................................................................4
1.5.1 Objetivo General.................................................................................................4
1.5.2 Objetivos específicos...........................................................................................4
1.6 Bases Teóricas...................................................................................................5
1.6.1 Análisis de datos funcionales.............................................................................5
1.6.2 Dato Funcional...................................................................................................5
1.6.3 Variable funcional..............................................................................................5
1.6.4 Datos funcionales atípicos..................................................................................5
1.6.5 Estadísticas descriptivas funcionales.................................................................6
1.6.6 Bases....................................................................................................................7
1.6.7 Bases Fourier......................................................................................................7
1.6.8 Splines.................................................................................................................8
1.6.9 B-Splines.............................................................................................................8
1.6.10 Suavizado............................................................................................................9
1.6.11 Remuestreo de Bootstrap....................................................................................9
1.6.12 Análisis Clúster...................................................................................................9
1.7 Bases conceptuales..........................................................................................10
1.7.1 Radiación..........................................................................................................10
1.7.2 Radiación gamma.............................................................................................11
1.7.3 Efectos de la radiación en los ecosistemas......................................................12
1.7.4 Radiación ionizante..........................................................................................12
1.7.5 Dosis absorbida.................................................................................................12
vi
1.7.6 Dosis equivalente..............................................................................................12
1.7.7 Dosis efectiva.....................................................................................................12
1.7.8 Límite de dosis...................................................................................................13
1.7.9 Síntomas inmediatos en la salud......................................................................13
1.7.10 Detección de la radiación gamma....................................................................14
1.7.11 Interacciones de rayos Gamma con la materia...............................................15
1.7.12 Latitud...............................................................................................................15
1.7.13 Espectrometría gamma.....................................................................................15
1.7.14 Software Estadístico R......................................................................................16
CAPITULO II..................................................................................................................17
2 MARCO METODOLÓGICO.................................................................................17
2.1 Tipo de la Investigación..................................................................................17
2.2 Diseño de la investigación no experimental....................................................17
2.2.1. Localización de estudio.....................................................................................17
2.2.2. Población de estudio.........................................................................................18
2.2.3. Método de muestreo..........................................................................................18
2.2.4. Tamaño de la muestra......................................................................................18
2.2.5. Técnica de recolección de datos.......................................................................19
2.2.6. Identificación de variables................................................................................19
2.2.7. Modelo estadístico.............................................................................................19
2.3 Variables en estudio........................................................................................19
3 CAPÍTULO III........................................................................................................20
3.1 MARCO DE RESULTADOS Y DISCUSIÓN DE RESULTADOS.............20
2.7.3 Construcción de la base de datos.....................................................................20
3.2 Selección de base y numero de funciones.......................................................20
3.3 Calidad de ajuste..............................................................................................21
3.4 Determinación de outliers funcionales............................................................23
3.4.1 Outliers funcionales de ALAUSI.....................................................................23
3.4.2 Outliers funcionales de CHAMBO..................................................................25
3.4.3 Outliers funcionales de CHUNCHI.................................................................27
3.4.4 Outliers funcionales de COLTA.......................................................................29
3.4.5 Outliers funcionales de CUMANDA................................................................31
3.4.6 Outliers funcionales de GUANO......................................................................33
3.4.7 Outliers funcionales de PALLATANGA..........................................................35
3.4.8 Outliers funcionales de PENIPE.....................................................................37
3.4.9 Outliers funcionales de RIOBAMBA...............................................................39
3.5 Análisis Descriptivo Funcional.......................................................................41
3.5.1 Alausí.................................................................................................................41
3.5.2 Chambo.............................................................................................................42
vii
3.5.3 Chunchi.............................................................................................................43
3.5.4 COLTA..............................................................................................................44
3.5.5 CUMANDA.......................................................................................................44
3.5.6 GUAMOTE.......................................................................................................45
3.5.7 GUANO.............................................................................................................46
3.5.8 PALLATANGA.................................................................................................46
3.5.9 PENIPE.............................................................................................................47
3.5.10 RIOBAMBA......................................................................................................48
3.6 REMUESTREO DE BOOSTRAP..................................................................48
3.7 ANÁLISIS CLUSTER....................................................................................50
3.7.1 Número óptimo de clusters...............................................................................50
3.7.1 Composición de los clusters..............................................................................52
3.7.2 La variable hora de inicio en el análisis de clusters........................................53
3.8 Caracterización de los clusters........................................................................54
3.8.1 Clúster 1 (Verde)...............................................................................................54
3.8.2 Clúster 2 (Rojo).................................................................................................54
3.8.3 Clúster 3 (Negro)..............................................................................................54
CONCLUSIONES...........................................................................................................55
RECOMENDACIONES.................................................................................................57
BIBLIOGRAFÍA.............................................................................................................58
ANEXOS.........................................................................................................................59
viii
INDICE DE TABLAS
ix
ÍNDICE DE GRAFICOS
Gráfico 1-1: Campo eléctrico y campo magnético.........................................................11
Gráfico 2-1: Mapa de la provincia de Chimborazo y sus puntos de muestreo...............18
Gráfico 1-3: Número de Bases B-Spline óptimos..........................................................21
Gráfico 2-3: Calidad de ajuste por RMS........................................................................21
Gráfico 3-0: Curvas funcionales optimizadas de la provincia de Chimborazo..............22
Gráfico 4-3: Curvas suavizadas de dosis de gamma en los 10 cantones de Chimborazo.
.........................................................................................................................................22
Gráfico 5-3: Functional Bagplot de Alausí....................................................................24
Gráfico 6-3: Rainbow plot de Alausí.............................................................................24
Gráfico 7-3: HDRplot de Alausí....................................................................................24
Gráfico 8-3: Functional Bagplot de Chambo.................................................................25
Gráfico 9-3: Rainbow plot de Chambo..........................................................................26
Gráfico 10-3: HDR plot de Chambo..............................................................................26
Gráfico 11-3: Functional Bagplot de Chunchi...............................................................27
Gráfico 12-3: Rainbow plot de Chunchi........................................................................28
Gráfico 13-3: HDR plot de Chunchi..............................................................................28
Gráfico 14-3: Functional Bagplot de Colta....................................................................29
Gráfico 15-3: Rainbow plot de Colta.............................................................................30
Gráfico 16-3: HDR plot de Colta...................................................................................30
Gráfico 17-3: Functional Bagplot de Cumandá.............................................................31
Gráfico 18-3: Rainbow plot de Cumandá.......................................................................32
Gráfico 19-3: HDR plot de Cumandá.............................................................................32
Gráfico 20-3: Functional Bagplot de Guano..................................................................33
Gráfico 21-3: Rainbow plot de Guano...........................................................................34
Gráfico 22-3: HDR plot de Guano.................................................................................34
Gráfico 23-3: Functional Bagplot de Pallatanga............................................................35
Gráfico 24-3: Rainbow plot de Pallatanga.....................................................................36
Gráfico 25-3: HDR plot de Pallatanga...........................................................................36
Gráfico 26-3: Functional plot de Penipe........................................................................37
Gráfico 27-3: Rainbow plot de Penipe...........................................................................38
Gráfico 28-3: HDR plot de Penipe.................................................................................38
Gráfico 29-3: Functional Bagplot de Riobamba............................................................40
Gráfico 30-3: Functional Bagplot de Riobamba............................................................40
Gráfico 31-3: HDR plot de Riobamba...........................................................................41
Gráfico 32-3: Media y Desviación Funcional de Alausí................................................42
Gráfico 33-3: Media y Desviación Funcional de Chambo.............................................43
Gráfico 34-3: Media y Desviación Funcional de Chunchi.............................................43
Gráfico 35-3: Media y Desviación Funcional de Colta..................................................44
Gráfico 36-3: Media y Desviación Funcional de Cumandá...........................................45
Gráfico 37-3: Media y Desviación Funcional de Guamote............................................45
Gráfico 38-3: Media y Desviación Funcional de Guano................................................46
Gráfico 39-3: Media y Desviación Funcional de Pallatanga..........................................47
Gráfico 40-3: Media y Desviación Funcional de Penipe...............................................47
Gráfico 41-3: Media y Desviación Funcional de Riobamba..........................................48
Gráfico 42-3: Banda de confianza del cantón Alausi.....................................................48
Gráfico 43-3: Banda de confianza del cantón Chambo..................................................48
Gráfico 44-3: Banda de confianza del cantón Chunchi..................................................49
Gráfico 45-3: Banda de confianza del cantón Colta.......................................................49
x
Gráfico 46-3: Banda de confianza del cantón Cumandá................................................49
Gráfico 47-3: Banda de confianza del cantón Guamote.................................................49
Gráfico 48-3: Banda de confianza del cantón Guano.....................................................49
Gráfico 49-3: Banda de confianza del cantón Penipe....................................................49
Gráfico 50-3: Banda de confianza del cantón Pallatanga...............................................49
Gráfico 51-3: Banda de confianza del cantón Riobamba...............................................49
Gráfico 51-3: K-MEANS para todas las observaciones agrupadas en 4 clusters..........50
Gráfico 51-3: K-MEANS para todas las observaciones agrupadas en 3 clusters..........51
Gráfico 53-3: Numeración de las curvas en el Mapa Clúster de la provincia de
Chimborazo.....................................................................................................................51
Gráfico 55-3: Caracterización grafica de los clusters....................................................54
xi
ÍNDICE DE FIGURAS
Figura 1-1: Muestra la emisión de rayos gamma a la cara del detector.........................15
xii
ÍNDICE DE ANEXOS
Anexo B: Codigo en R
xiii
RESUMEN
El objetivo del estudio fue analizar el comportamiento de la dosis de radiación gamma en los 10
cantones de la provincia de Chimborazo, mediante análisis de datos funcionales haciendo uso de
la recolección de datos realizada por el Grupo de Investigación-Desarrollo para el ambiente y
Cambio Climático GIDAC de la Escuela Superior Politécnica de Chimborazo en el año 2021.
Las bases fueron ordenadas correctamente para la disposición de los datos. Se utilizó el análisis
de datos funcionales, una técnica estadística relativamente nueva, que se basa en la
transformación de los datos comunes en curvas. el RMS (root mean square) igual a 0.007 nos
indica que existe un buen ajuste en el modelo. A través de la función de optim.basis de R se
identificó como optimo el suavizado B-spline con 43 bases. Para la calidad de los resultados, se
realizó un intenso análisis de outliers o datos atípicos, a través de 4 distintos métodos:
functional bagplot, rainbow plot, HDR plot, y deph.trim.out. se identificó curvas atípicas en
todos los cantones, a excepción de Guamote. El análisis de clusters, mediante la función
fun.fem(), del paquete fda.usc, tiene como objetivo identificar características similares de cada
cantón de la provincia. Se obtuvo 3 grupos con patrones de comportamientos similares. La
principal característica que hace que un grupo difiera de otro, es el rango de absorción de dosis
de radiación gamma. Colta, Guano, Pallatanga y Riobamba presenta los niveles más altos de
dosis de radiación gamma, entre 0,06 Sv a 0,09 Sv, se encuentran al noroeste de la provincia de
Chimborazo, con los cantones. Los niveles bajos de dosis de radiación gamma, entre 0,02 Sv a
0,04 Sv, se presentaron los cantones de Cumandá y Guamote. Las dosis de radiación gamma
pueden producir en el ser humano desde síntomas leves a incluso la muerte, en la provincia de
Chimborazo se registran niveles seguros de este tipo de fenómeno.
xiii
xiv
SUMMARY
xv
INTRODUCCIÓN
Muchas veces al escuchar la terminología “rayos gamma” se nos viene a la mente la palabra
peligro, debido a su relación con la energía nuclear y los lamentables accidentes que han
ocurrido a través de la historia, como uno de los ejemplos más sonados tenemos el de la central
nuclear de Chernóbil. Pero no olvidemos que nuestro planeta Tierra posee una radioactividad
natural, y, sin embargo, la raza humana ha emergido y ha prosperado como especie.
Para lograr estos objetivos, en el presente trabajo utilizamos el programa estadístico R. Esta
investigación está formada por cuatro capítulos: El capítulo I describe los antecedentes,
planteamientos y justificación del problema y los objetivos. Seguidamente en el capítulo II
muestra la fundamentación teórica de los rayos gamma y las técnicas y métodos estadísticos con
datos funcionales. El capítulo III detalla la metodología aplicada a los datos. El capítulo IV
muestra los resultados obtenidos. Y finalmente las conclusiones, recomendaciones, referencias
bibliográficas y Anexos.
CAPITULO I
1 MARCO REFERENCIAL
1.1 Antecedentes
El análisis funcional de datos, a pesar de que en las últimas dos décadas ha cobrado gran
importancia el campo científico, es una herramienta de la estadística relativamente nueva. Inició
sus pasos en los años 60 del siglo XX, y como muchas otras ciencias, se ha ido optimizando con
la velocidad y manejo de grandes volúmenes de datos proporcionados por las computadoras
desde la década de 1990, hasta la popularidad del Big Data en la actualidad. Los padres del
análisis funcional de datos, por así llamarlos, son los profesores Ramsey y Silverman (Ramsay
& Silverman, 2005). Introdujeron una nueva herramienta para el tratado de los datos en el
análisis multivariante, que consiste en dejar de utilizar las observaciones en forma de vectores, y
a su vez utilizarla en forma de una función. A su vez, adaptar técnicas de la estadística clásica y
modelarlas para su correcto funcionamiento con el manejo de las funciones (Giraldo, 2007).
Como cualquier otro instrumento estadístico, se busca una forma de representación de los datos
que sea entendible, tanto para el investigador y para el lector (Millán, 2017).
Existen muchos estudios utilizando análisis de datos funcionales, pero debemos destacar el de
(Giraldo, et al., 2010) que basó la aplicación del análisis funcional de datos relacionado con
ciencias ambientales, llegando a realizar una predicción basada en la correlación de curvas, en
estaciones meteorológicas a través de Canadá. (Peñafiel, 2021) realizó un estudio con la
finalidad de identificar el comportamiento de cultivos de quinua en la provincia de Chimborazo,
con la ayuda de imágenes satelitales, vio similitudes y encontró relaciones altamente
proporcionales con el clima de la zona y las distintas parcelas del cultivo, concluyendo que la
planta se adapta mejor a climas más húmedos.
(Escudero, et al., 2016) estudió los distintos comportamientos de los periodos climáticos en la
región interandina, a través de curvas funcionales, en el año 2011, donde a través de splines
cúbicos analiza la radiación solar global. Asimismo, recomienda la detección de outliers para
una mayor certera en los resultados del estudio.
El otro estudio denominado como: “Aplicación del análisis estadístico de datos funcionales al
estudio del patrón de movimiento del raquis lumbar y de la pelvis durante la flexión y la
extensión del tronco en personas sanas” (Fuster, 2021) se estudia el patrón de movimiento
lumbopélvico en un grupo de personas a través del análisis funcional de datos.
Debido al alto costo de los equipos, la recolección de información sobre dosis de radiación no es
algo muy frecuente en el Ecuador, pero gracias a la ESPOCH y al Grupo de Investigación-
Desarrollo para el ambiente y Cambio Climático (GIDAC), se logró monitorear estos
fenómenos a lo largo de la provincia. La gran mayoría, al pensar en radiación gamma, asocia
netamente a los laboratorios y centros de salud que están preparados con sus respectivos
equipos. Sin embargo, existe la radiación gamma natural proveniente del espacio. No todos los
lugares en la Tierra tienen un mismo nivel de radioactividad. Un claro ejemplo es la India que la
radioactividad es 10 veces mayor que algunos países de Europa. Se considera que Los Alpes y
zonas que se encuentren en cordilleras presentan un nivel relativamente alto de radioactividad,
por diversos factores, como la composición de su suelo y granito. Como conocemos, el
continente sudamericano posee una cadena montañosa, la cual atraviesa 7 países distintos, entre
uno de ellos Ecuador, denominada la Cordillera de los Andes.
1.4 Justificación
1.5 Objetivos
En el análisis funcional de datos, sin importar haber aparecido a mediados del siglo pasado, ha
experimentado un gran desarrollo en la era actual. Los datos funcionales los consideramos la
unidad prima de información. En pocas palabras, cualquier tipo de observación que cambia
constantemente se la puede considerar como dato funcional. (Plazola, 2013, p. 19)
La filosofía básica del análisis funcional de datos es pensar en términos de datos observables.
Las secuencias de casos deben tratarse como entidades individuales que consisten en notas. El
término significa una función en relación con los datos observados. La estructura interna de los
datos en lugar de su forma explícita (Ramsay & Silverman, 2005, p. 38).
La definición universal del análisis de datos funcionales es un poco engañosa. Como definición
más sencilla, decimos que es una de las variables o unidades de importancia transformadas en
un conjunto de datos, que se pueden visualizar normalmente como una curva. Los datos
funcionales se pueden considerar como un análisis estadístico de curvas de muestra. (Kokoszka
& Reimherr, 2017, p. 1)
Una variable de función aleatoria X es una variable aleatoria que tiene valores en un espacio
dimensional infinito. Los datos funcionales representan un conjunto de observaciones
{ X 1 , … , X n } de X según (Ferraty & Vieu, 2006, p. 6). También son conocidos como datos de
curva.
Una variable aleatoria X que toma valores en el espacio funcional ε , se la conoce como variable
funcional. Comúnmente los datos funcionales se presentan de manera discreta en un conjunto de
observaciones no necesariamente equidistantes (Castillo, et al., 2015).
Como en el análisis descriptivo clásico, el análisis de datos funcionales debe detectar curvas
atípicas, aunque las técnicas de detección de outliers es un campo relativamente nuevo. Existen
varias formas para que se presenten outliers, como los errores de medición o la mala calibración
de los equipos usados. Las observaciones funcionales se pueden presentar como outliers
aislados, que se muestran de manera poco usual durante un breve momento, y como outliers
persistentes, que se comporta de manera inusual por un tiempo más extenso. (Fuster, 2021)
También se considera como datos atípicos funcionales aquellas puntuaciones
“significativamente” pequeñas en profundidad, que difieren en magnitud o forma del resto de
las curvas. La mediana funcional de la muestra de curvas, tiene el mayor valor de profundidad.
Por esta razón, el análisis de profundidad es uno de los métodos más eficaces para detectar
atípicos. Actualmente existen múltiples instrumentos para visualizar datos funcionales como el
gráfico de arcoíris, bagplots y boxplots, que sirven como métodos gráficos de análisis. Son muy
útiles ya que facilitan el hallazgo de características que podrían no ser vistos con el uso de
estadísticos, como lo es la detección de outliers funcionales con gran velocidad de cálculo y una
gran precisión (Millán, 2017, pp. 49-53).
Para la representación de las principales características del conjunto de datos comenzamos con
un análisis descriptivo y exploratorio, algunos descriptores funcionales (Ramsay & Silverman,
2005, p. 22) se presentan a continuación.
Sea x i ( t ) i=1 ,2 , … . , N un conjunto de curvas o datos funcionales, la media, varianza,
covarianza y correlación funcional están proporcionadas por las siguientes ecuaciones (Plazola,
2013, p. 32):
Media funcional:
x (t)= N
−1
∑ xi ( t ) ,
i
Varianza funcional:
Var x ( t )=( N −1)
−1
∑ ( x i ( t )−x ( t ) )2
i
Función de covarianzas
Cov ( t 1 ,t 2 )=(N−1)
−1
∑ [(x i ( t 1) −x ( t 1 ) )][ xi ( t 2 )−x (t 2)¿ ]
i
Función de correlación:
Cov x (t 1 ,t 2)
Corr x ( t 1 , t 2) = ,
√Var x (t1 )Var x (t 2)
Función de correlación cruzada:
Cov x , y (t 1 , t 2 )
Corr x, y ( t 1 ,t 2 )=
√ Var x (t 1)Var x (t 2)
1.6.6 Bases
Las reglas de Fourier rara vez se usan, son funciones que se usan para estimar datos periódicos
y sus funciones base principales son funciones de seno y coseno. La serie de Fourier como
función periódica está definida por:
f ( t )=c0 + c1 sen ( wt ) +c 2 cos ( wt )+ 3sen ( 2 wt ) +4 cos ( 2 wt ) +…
2π
w=
T
Dónde: T define el periodo de oscilación
Por su estructura de adición se puede usar como una expansión de bases, definido como:
1
∅0 ( t ) =
√T '
1
∅ 2 r−1 ( t ) = sen ( rwt )
√ T
2
1
∅ 2 r ( t )= cos (rwt )
√T /2
para r =1, … , L/2, donde L es un entero par. La frecuencia señala el período y la duración del
intervalo |J|=2 ¿es asumido por lo tanto |J|=1 ¿ La base de Fourier definida con anterioridad
es una base ortonormal. La gran popularidad de esta base se basa parcialmente en la posibilidad
de un cálculo veloz del coeficiente por el algoritmo de transformación de Fourier rápida (Fast
Fourier Transformation FFT).
m
D ∅ 0 ( t )=0 , m≥ 1
(
Dm ∅ 2 r−1 (t )= ( rw )m sen rwt +
mπ
2w )
, m≥ 0
m m
(
D ∅ 2 r ( t ) =(rw ) cos rwt +
mπ
2w )
, m≥ 0
1.6.8 Splines
La función Spline se usa muy a menudo cuando desea aproximar una serie de datos acíclicos.
Estas funciones polinómicas se organizan en un período de tiempo o espacio T. El primer paso
para definir un segmento es dividir el intervalo de tiempo en el que se aproxima la función de
interés en L sub intervalos separados por valores. Estos valores se denominan nudos. En cual-
quier intervalo, la rebanada es un polinomio de grado m. (Plazola, 2013, p. 22)
De manera muy frecuente, una función Spline es explícita por el orden de los segmentos polino-
miales y el orden de la secuencia de los nodos τ (Ramsay & Silverman, 2005, p. 49).
La base más utilizada para aproximar funciones Spline es la B-Splines desarrollada por Boor.
Esta clases de bases están disponibles en una gran variedad de software incluyendo R, otras ba-
ses de funciones Splines son las funciones potencias, de base truncada, M-Spline y Spline natu-
rales. (Boor , 2001, p. 34)
1.6.9 B-Splines
Según (Boor , 2001), el método recursivo para construir los B-Splines es el siguiente: al princi-
pio iniciamos con una secuencia de nodos, es decir , una secuencia que no decrece t = (ti) de
N+2 valores reales llamados “nodos” tal que:
t 0 ≤ t 1 ≤ … ≤t N+1
Donde k veces, donde k señala el grado de la base B-Spline. El índice i de los nodos se pude
reajustar , desde el ultimo t −k , es cuando, los N +2(k +1) , los nodos auemntados t i son identifi-
cados por i=0 , … , N +2 k +1.
Aunque existan diversos métodos de suavización, este es el método más común, por lo que los
diferentes softwares de análisis de datos optan por implementarlo, tal como lo hace R, que opti-
miza la técnica para el gran volumen de datos (Morillo, 2009, p. 10).
1.6.10 Suavizado
En este punto se desarrollarán los pasos básicos que se deben seguir para un correcto análisis
clúster. Lo primero que se debe hacer para llevar a cabo un correcto análisis clúster será realizar
una correcta elección de las variables que van a describir a los diferentes individuos (curvas).
Una de los temas importantes a tener en cuenta sobre la elección de variables es ver si realmente
son notables para el tipo de clasificación a la que se quiere llegar. Como se ha dicho
anteriormente, el analista no tiene ninguna información sobre los posibles grupos a formar. Por
lo que es provechoso saber de antemano que tipo de clasificación se quiere obtener como
resultado e intentar recopilar la información acorde a este. En el segundo paso se llevar a cabo
la elección del sistema de asociación entre individuos, es decir, una disposición que permita
medir la proximidad de los individuos. Generalmente esta medida de proximidad viene dada en
requisitos de distancias, aunque también se pueden utilizar medidas de similitud. En el siguiente
punto se desarrollarán con más detalle las medidas más utilizadas. El tercer paso consistirá en
seleccionar el análisis cluster adecuada para el estudio. Debido a la existencia de numerosos y
diversos métodos, es importante elegir un método acorde con los datos que tenemos para
realizar el estudio. Esta elección dependerá de la naturaleza de los datos y de los objetivos a los
que se quiera llegar. En la práctica, es conveniente no dedicarse solamente a un solo método,
sino realizar el estudio con varias posibilidades y de este modo poder contrastar los resultados y
poder llegar a conclusiones más fiables. Por último, habrá que validar e interpretar los
resultados. Esta etapa podría ser da las más importantes, ya que va a ser donde se expongan las
conclusiones y recomendaciones definitivas del análisis. Existen diferentes métodos para validar
los resultados dependiendo de los métodos llegados a cabo (Ibañez, 2018).
Desde principios de la década de 1960 se han realizado numerosos estudios sobre el efecto de la
radiación gamma en los ecosistemas. Estos estudios fueron impulsados por la carrera armamen-
tista entre la Unión Soviética y los Estados Unidos A mediados del siglo pasado se ha populari -
zado los estudios sobre la radiación gamma y su efecto en los seres humanos y ecosistemas. Una
gran razón de este interés, fue la guerra fría y la necesidad de armas y nuevas aplicaciones para
el beneficio de cada potencia mundial. A través de diversos experimentos realizados en zonas
naturales, se vio el gran daño que puede ocasionar la radiación gamma en distintos tipos de ve-
getación, y como es capaz de afectar las células vivas (Stalter & Howarth, 2012).
La radiación ionizante expulsa su energía por medio de ondas electromagnéticas con un mayor
alcance de frecuencia y una onda de longitud corta comparada con la no ionizante, siendo capaz
de romper enlaces covalentes en las distintas moléculas. La radiación gamma presenta un nivel
más alto de energía, debido a lo poco extensas que son sus ondas por lo que le es más fácil la
penetración en distintos elementos. Las radiaciones ionizantes se utilizan en gran parte del
campo de la medicina, principalmente en la medicina nuclear y laboratorios. (Rojas, 2009)
Una vez que la radiación penetra un material, una cantidad de energía se invierte por cada
electrón. Si consideramos la energía con la que fue penetrado el material y a la vez lo que este
haya absorbido, lo denominamos dosis absorbida. La dosis absorbida se mide con
Julio/Kilogramo. (Carrasco, 2003)
Cuando la irradiación afecta más a un órgano q a otro debido a los efectos radioinducidos,
hablamos de la dosis efectiva. Se denota con la letra H. Para su cálculo se multiplica la dosis
equivalente por un factor de ponderación de tejido. También se mide en Sv (Carrasco, 2003).
Los límites de dosis son medidas calculadas por profesionales de la radiología a lo largo de los
años, que recomiendan que nunca deben ser sobrepasados. Los límites de dosis están referidos
al periodo de un año oficial, y están contempladas tanto las personas expuestas constantemente
y los ciudadanos comunes.
Como en la estructura de la capa de electrones del átomo, el núcleo también se caracteriza por
niveles de energía discretos la transición entre estos niveles se puede realizar mediante la
emisión o absorción de radiación electromagnética de la energía correcta, es decir, con una
energía igual a la diferencia de energía entre los niveles que participan en la transición. Las
energías de estos fotones, que van desde unos pocos cientos de keV hasta unos pocos MeV,
caracterizan la alta energía de unípede los núcleos. Estos fotones de alta energía se han
denominado por lo largo de la historia, rayos gamma. Muestran líneas espectrales características
del núcleo emisor. La mayoría de fuentes gamma se colocan en estados excitados como
resultado de la desintegración beta, aunque los estados nucleares excitados a menudo también se
crean en las reacciones nucleares. La detección de rayos gamma es un proceso indirecto, los
fotones de rayos gamma no tienen carga intrínseca, por lo tanto, no crean ionización, por el que
pasan directamente, la manera de medir esos fotones es críticamente dependiente de hacer que
el fotón experimente una interacción donde transfiere todo o parte de su energía a un electrón en
el material absorbente. Los fotones incidentes crean primero electrones rápidos estos tendrán
una energía maxima igual a la energia de la misma manera que cualquier otro electron rápido.
Debido al hecho de que los fotones son invisibles para el detector, un detector debe tener un par
de funciones especificas, la primera es actuar como un medio en el que se tendrá una muy alta
probabilidad de que un rayo gamma incidente interactue dentro de ese medio, la segunda
funcion es para detectar con mayor precisión los electrones rápidos que se crean. (Raya, 2021,
p. 4)
Figura 2-2: Muestra la emisión de rayos gamma a la cara del detector.
Fuente: (Raya,2021)
Un rayo gamma puede interactuar con la materia en una de las tres siguientes formas: absorción
Fotoeléctrica, dispersión compton y producción de pares. Las diferentes interacciones cambian
su probabilidad de ocurrencia dependiendo de la energía del rayo gamma y el numero atómico
del material penetrado. Los rayos gamma son mucho más penetrantes en la materia que las
partículas cargadas (Raya, 2021, p. 5).
1.7.12 Latitud
La radiación solar que incide sobre la superficie terrestre se comporta de la misma manera. Así,
aquellas regiones de la Tierra en las que los rayos solares inciden de forma más perpendicular a
la superficie, reciben mayor cantidad de energía por metro cuadrado y por tanto adquirirán
mayor temperatura. Por el contrario, las zonas en las que la radiación solar incidente presenta
mayor inclinación, tienen que repartir la misma cantidad de energía en un área mayor,
calentándose en menor medida por unidad de superficie (Rodríguez, et al., 2004).
La espectrometria gamma es una tecnica que consiste en la obtencion del espectro de las
radiaciones gamma emitidas por los radionucleoides o isotopos radioactivos. Se basa en en la
respuesta de un teledetector, y tiene la ventaja de ser una tecnica multielemental y no
destructiva.
Entre las técnicas analíticas nucleares, la espectrometría gamma es de las más importantes, por
realizar un análisis simultaneo de muchos elementos y no secuencial como la absorción
atómica. Puede caracterizar un radionúclido natural o artificial por su espectro de energías único
para identificarlo, o cuantificarlo, para lo cual hay que establecer una curva de calibración en
energías, Eγ = f (canal)
El software estadístico R es una herramienta computacional de software libre que se utiliza para
el análisis de datos a través de varias librerías y paquetes, que aporta cada miembro de la comu-
nidad sin ningún tipo de costo. La gran variedad de técnicas estadísticas hace de R, un instru-
mento indispensable para el manejo de información en la actualidad, debido a la inmensa canti-
dad de datos con los que se trabaja.
CAPITULO II
2 MARCO METODOLÓGICO
Según el tipo de investigación es cuantitativa debido a que se estudia las variable dosis de
radiación gamma y cómo se comporta en la provincia de Chimborazo, el objetivo de estudio es
aplicada ya que se centra en la solución de un problema en el ecosistema; los valores que se van
a manipular son no experimentales debido a que la matriz de información procede de una fuente
secundaria; dado el tipo de inferencia es inductiva ya que se utilizó un análisis de curvas
funcionales y según el periodo temporal es transversal dado que la medición fue por un tiempo
único.
El estudio se realizó con los datos de dosis de radiación gamma, recopilada a través de todas las
parroquias de los 10 cantones en la provincia de Chimborazo durante el año 2021.
El primer paso en el análisis funcional de datos es hallar el método de base funcional que mejor
se ajuste a las observaciones, y eliminar el ruido producido por la calibración de los equipos.
Gracias al paquete fda.usc, con la función optim.basis, del software R se pudo optimizar el
número de bases necesarias para el suavizado, el cual dio como resultado se obtuvo un total de
43 bases funcionales. Para los datos de temperatura diaria se utilizó las bases de funciones B-
splines, debido a que es uno de los métodos más eficaces a la hora de trabajar con grandes
cantidades de datos.
Gráfico 2-3: Número de Bases B-Spline óptimos
Realizado por: Yungaicela Vìctor,2022
Al contar ya con los datos funcionales, a través de un proceso por B-Spline, se procedió a
aceptar la calidad del ajuste obtenido. A través dela función plotfit.fd, se obtuvo el RMS(root
mean square), que es una medida de las diferencias entre los valores predichos por un modelo y
las observaciones. Esta medida tiene como característica que siempre va a presentar un valor
positivo y su ajuste perfecto es 0.
Para encontrar posibles curvas atípicas (outliers) se utilizaron distintos métodos gráficos, tales
como, functional bagplot, HDR boxplot, y plot arcoíris, se realizaron las tres gráficas para crear
una tabla comparativa. Se aplicó también una función de R no grafica titulada
outliers.depth.trim.
En el plot arco iris se muestra en color negro la curva de la mediana, y en color magenta los
atípicos, en este caso la curva 76 pertenecientes al punto de muestreo 27, de la parroquia
GUASUNTOS, la curva 32 perteneciente al punto de muestreo 6, de la parroquia SEVILLA, y
la curva 41 perteneciente al punto de muestreo 3, de la parroquia SIBAMBE. En el functional
bagplot, se muestra en color negro la curva de la mediana, en distintos colores las curvas
atípicas halladas, tal como la curva 41 perteneciente al punto de muestreo 3, de la parroquia
SIBAMBE, la curva 49 perteneciente al punto de muestreo 2, de la parroquia MULTITUD, la
curva 53 perteneciente al punto de muestreo 6, de la parroquia MULTITUD, la curva 68
perteneciente al punto de muestreo 4, de la parroquia TOTORAS, la curva 69 perteneciente al
punto de muestreo 2, de la parroquia TOTORAS, y la curva 72 perteneciente al punto de
muestreo 45, de la parroquia GUASUNTOS. En color silver se nota el resto de los datos
funcionales. En el HDR boxplot se visualiza en color negro la curva de la moda, en varios
colores las curvas atípicas halladas, tales como, la curva 41 perteneciente al punto de muestreo
3, de la parroquia SIBAMBE, la curva 49 perteneciente al punto de muestreo 2, de la parroquia
MULTITUD, y la curva 53 perteneciente al punto de muestreo 6, de la parroquia MULTITUD,
la curva 69 perteneciente al punto de muestreo 2, de la parroquia TOTORAS, y la curva 72
perteneciente al punto de muestreo 45, de la parroquia GUASUNTOS, en color silver el
complemento de los datos funcionales. La función del software R, outliers.depth.trim identifica
como atípicos, la curva 49 perteneciente al punto de muestreo 2, de la parroquia MULTITUD,
la curva 53 perteneciente al punto de muestreo 6, de la parroquia MULTITUD, la curva 46
perteneciente al punto de muestreo 1, de la parroquia MULTITUD, y la curva 56 perteneciente a
la parroquia MULTITUD. Se eliminó las curvas atípicas 49 y 53.
Gráfico 6-3: Functional Bagplot de Alausí
Realizado por: Yungaicela, Víctor.2022
Tabla 5-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Alausí
CHAMBO
Functional Bagplot 14
Rainbow plot 6,9,14
HDR plot 14
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022
3.4.3 Outliers funcionales de CHUNCHI
Tabla 6-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Chunchi
CHUNCHI
Functional Bagplot 22,30
Rainbow plot 29,5,30
HDR plot 4,30,22
deph.trim.out 22,30
Realizado por: Yungaicela, Víctor.2022
3.4.4 Outliers funcionales de COLTA
Tabla 7-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Colta
COLTA
Functional Ba- ---------------
gplot
Rainbow plot 30,13,11
HDR plot 11,24,31
deph.trim.out 11
Realizado por: Yungaicela, Víctor.2022
3.4.5 Outliers funcionales de CUMANDA
Tabla 8-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Colta
CUMANDÁ
Functional Ba- 6,11
gplot
Rainbow plot 3,9,11
HDR plot 11
deph.trim.out 11
Realizado por: Yungaicela, Víctor.2022
3.4.6 Outliers funcionales de GUANO
Tabla 9-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Guano
GUANO
Functional Ba- 30,32
gplot
Rainbow plot 15,25,30
HDR plot 3,5,30,32
deph.trim.out -----------
Realizado por: Yungaicela, Víctor.2022
3.4.7 Outliers funcionales de PALLATANGA
Tabla 10-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Guano
PALLATANGA
Functional Ba- 7,10
gplot
Rainbow plot 11,2,10
HDR plot 10
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022
3.4.8 Outliers funcionales de PENIPE
Tabla 11-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Penipe
PENIPE
Functional Bagplot 2,3,16,24,25,29,30
Rainbow plot 38,27,3
HDR plot 2,3,24,29
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022
3.4.9 Outliers funcionales de RIOBAMBA
3.5.1 Alausí
Se observa los valores medios de la dosis de radiación gamma del cantón Alausí, presentan un
valor de dosis gamma promedio en el año 2021 de 0.06 Sv. El valor de dosis de radiación no se
incrementa, ni presenta cambios extraños. La desviación estándar funcional mostro variabilidad
al inicio del muestreo, debido a la calibración del equipo. Después se estabilizo. Presenta poca
variabilidad con un valor de 0.01 sd, es decir los valores de dosis de radiación están muy
próximos a la media.
Gráfico 33-3: Media y Desviación Funcional de Alausí
Realizado por: Yungaicela, Víctor.2022
3.5.2 Chambo
Se observa los valores medios de la dosis de radiación gamma del cantón Chambo, presentan un
valor de dosis gamma promedio en el año 2021 de 0.04 Sv. El valor de dosis de radiación tiende
a variar entre 0.04 Sv y 0.05 Sv. La desviación estándar funcional mostro un poco de
variabilidad, el pico más alto se muestra a partir de los 150 segundos. Presenta variabilidad
moderada con un valor inferior a 0.1 sd.
Gráfico 34-3: Media y Desviación Funcional de Chambo
Realizado por: Yungaicela, Víctor.2022
3.5.3 Chunchi
Se observa los valores medios de la dosis de radiación gamma del cantón Chunchi, presentan un
valor de dosis gamma promedio en el año 2021 de 0.05 Sv. La desviación estándar funcional
mostro un poco de variabilidad, Presenta variabilidad moderada con un valor inferior a 0.1 sd.
Al principio presenta un comportamiento extraño debido a la calibración de los equipos.
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón Colta,
la dosis promedio llega a 0,05 Sv. mientras que la desviación estándar funcional presenta poca
variabilidad con valores que oscilan alrededor de 0.01 sd.
3.5.5 CUMANDA
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Cumandá, la dosis promedio llega a 0,03 Sv. mientras que la desviación estándar funcional
presenta poca variabilidad con valores que oscilan entre 0.005 sd y 0.01 sd.
Gráfico 37-3: Media y Desviación Funcional de Cumandá
Realizado por: Yungaicela, Víctor.2022
3.5.6 GUAMOTE
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Guamote, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta gran variabilidad comparado con el resto de los cantones, con valores que oscilan entre
0.0 sd y 0.02 sd.
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Cumandá, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta poca variabilidad con respecto de la media, con valores que oscilan entre 0.01 sd y
0.015 sd.
3.5.8 PALLATANGA
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Pallatanga, la dosis promedio llega a 0,04 Sv. mientras que la desviación estándar funcional
presenta mínima variabilidad con respecto de la media, con valores que oscilan alrededor de
0.01 sd. Se observa un repunte de variabilidad al final de los 500 segundos.
Gráfico 40-3: Media y Desviación Funcional de Pallatanga
Realizado por: Yungaicela, Víctor.2022
3.5.9 PENIPE
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Penipe, la dosis promedio llega a 0,04 Sv. mientras que la desviación estándar funcional
presenta mínima variabilidad con respecto de la media, con valores que oscilan alrededor de
0.01 sd.
En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Riobamba, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta mínima variabilidad con respecto de la media, con valores que oscilan alrededor de
0.01 sd.
Para hallar la optimización adecuada del remuestreo de bootstrap para cada cantón de la
provincia de Chimborazo, se utilizó el paquete fda.usc del software R. A través del comando
fdatabootstrap, se obtuvo la banda de confianza de Bootstrap, un estimador de la media
funcional y el porcentaje total de absorción.
Gráfico 43-3: Banda de confianza del cantón Gráfico 44-3: Banda de confianza del cantón
Alausi Chambo
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
Gráfico 45-3: Banda de confianza del cantón Gráfico 46-3: Banda de confianza del cantón
Chunchi Colta
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
Gráfico 47-3: Banda de confianza del cantón Gráfico 48-3: Banda de confianza del cantón
Cumandá Guamote
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
Gráfico 49-3: Banda de confianza del cantón Gráfico 51-3: Banda de confianza del cantón
Guano Pallatanga
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
Gráfico 50-3: Banda de confianza del cantón Gráfico 52-3: Banda de confianza del cantón
Penipe Riobamba
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
En este análisis, utilizamos el método gráfico, con el que encontramos conclusiones para hallar
el numero óptimo de clusters haciendo una comparativa con otros análisis gráficos llevados a
cabo con diferente número k . El gráfico 51-3 se realizó con k =4 clusters, Observamos como
los datos tienden a formar una recta, descartando cualquier tipo de agrupación, por lo que
decidimos reducir el número de clusters a k =3.
El gráfico 52-3 se realizó con k =3 clusters, Observamos como los clusters son más
heterogéneos entre ellos. Se hace evidente que es más coherente llevar a cabo el estudio del
comportamiento de las observaciones agrupándolas en tres clusters solamente, ya que quedan
mejor explicadas.
Gráfico 54-3: K-MEANS para todas las observaciones agrupadas en 3 clusters
Realizado por: Yungaicela, Víctor.2022
Estudiando esta tabla se observa que en el clúster número uno (verde) se incluyen todos
los siguientes cantones:
ALAUSI tiene sus observaciones divididas entre los clusters número 2 y 3, por esta
razón se puede afirmar que el comportamiento de Alausí es diferente a los cantones
pertenecientes al clúster 1.
CHUNCHI tiene sus observaciones divididas en los clusters 2 y 3, por esta razón se
puede afirmar que el comportamiento de Chunchi es diferente a los cantones que tiene
un comportamiento de clúster 1.
GUAMOTE presenta un comportamiento dividido para los clusters 1 y 2, por esta razón
se puede afirmar que su comportamiento es diferente a los cantones que comparten el
clúster 3.
GUANO en su mayoría presenta un comportamiento de clúster 3, por esta razón se
puede afirmar que el comportamiento de Guano es diferente a los cantones que tiene un
comportamiento de los clusters 1 y 2.
El CLUSTER 1 presenta una característica, sus datos fueron en su mayoría tomados por
la tarde, le sigue en la mañana y la gran minoría al medio día.
Se define como dato funcional la dosis de radiación gamma recopilada por 8,33 segundos, es
decir durante 500 segundo. Mediante la función min.basis() de R, se identificó que el suavizado
B-spline es el óptimo para este estudio, dando así 43 bases B-spline cubico para el suavizado de
curvas Con un ajuste de calidad igual a 0,007 , gracias al RMS, vemos que el análisis es
factible.
Los valores atípicos afectan la finalidad del estudio estadístico, y el análisis de datos funcionales
no está excepto. En consecuencia, es fundamental para el analista detectar ouliers para
excluirlos del estudio. Se halló curvas atípicas a través de cuatro métodos, para luego proceder a
su comparación y eliminar dependiendo de su mayor frecuencia, Se eliminó los outliers de todos
los cantones a excepción de Guamote que no presento ninguno. Penipe y Riobamba fueron los
cantones con más outliers de la provincia.
Aplicar una buena toma de datos, tener cuidado en los equipos de medición, ya que, por
problemas de calibración, se genera datos atípicos, lo que conlleva a dar interpretaciones
erróneas de los resultados.
Motivar a los estudiantes a utilizar nuevas técnicas estadísticas, como el análisis de datos
funcionales, ya que tiene herramientas muy eficaces para el procesamiento de los datos, y más
cuando hablamos de grandes cantidades de datos.
Notación en el
Cantón Parroquia Fecha Punto Hora de Inicio
mapa
ALAUSÍ Alausí 1 5/7/2021 52 6:54:15
ALAUSÍ Alausí 2 5/7/2021 20 7:45:40
ALAUSÍ Pistishi 3 1/8/2021 7 8:17:04
ALAUSÍ Alausí 4 5/7/2021 2 8:18:04
ALAUSÍ Achupallas 5 12/7/2021 5 8:40:40
ALAUSÍ Pistishi 6 1/8/2021 4 8:48:45
ALAUSÍ Achupallas 7 12/7/2021 7 8:53:21
ALAUSÍ Alausí 8 5/7/2021 17 8:56:44
ALAUSÍ Pistishi 9 1/8/2021 3 9:04:53
ALAUSÍ Achupallas 10 12/7/2021 6 9:06:40
ALAUSÍ Alausí 11 5/7/2021 29 9:20:26
ALAUSÍ Pistishi 12 1/8/2021 6 9:20:44
ALAUSÍ Achupallas 13 12/7/2021 9 9:27:27
ALAUSÍ Pistishi 14 1/8/2021 5 9:35:48
ALAUSÍ Achupallas 15 12/7/2021 11 9:53:41
ALAUSÍ Alausí 16 5/7/2021 50 10:04:11
ALAUSÍ Achupallas 17 12/7/2021 12 10:08:26
ALAUSÍ Alausí 18 5/7/2021 69 10:46:59
ALAUSÍ Alausí 19 5/7/2021 68 11:03:11
ALAUSÍ Alausí 20 5/7/2021 101 11:22:43
ALAUSÍ Alausí 21 5/7/2021 81 11:36:28
ALAUSÍ Sevilla 22 1/8/2021 10 11:44:46
ALAUSÍ Alausí 23 5/7/2021 99 11:49:14
ALAUSÍ Tixan 24 1/8/2021 18 11:52:42
ALAUSÍ Alausí 25 5/7/2021 91 12:06:03
ALAUSÍ Tixan 26 1/8/2021 16 12:07:55
ALAUSÍ Tixan 27 1/8/2021 24 12:20:55
ALAUSÍ Tixan 28 1/8/2021 23 12:33:02
ALAUSÍ Sevilla 29 1/8/2021 11 12:42:16
ALAUSÍ Tixan 30 1/8/2021 22 12:46:06
ALAUSÍ Sevilla 31 1/8/2021 6 12:55:30
ALAUSÍ Tixan 32 1/8/2021 9 13:00:45
ALAUSÍ Sevilla 33 1/8/2021 3 13:09:05
ALAUSÍ Tixan 34 1/8/2021 6 13:12:15
ALAUSÍ Sevilla 35 1/8/2021 2 13:21:49
ALAUSÍ Tixan 36 1/8/2021 10 13:28:33
ALAUSÍ Sevilla 37 1/8/2021 8 13:35:05
ALAUSÍ Tixan 38 1/8/2021 11 13:41:15
ALAUSÍ Tixan 39 1/8/2021 13 13:54:19
ALAUSÍ Sibambe 40 11/7/2021 3 14:00:43
ALAUSÍ Sibambe 41 11/7/2021 6 14:19:45
ALAUSÍ Multitud 42 21/6/2021 4 14:43:48
ALAUSÍ Pistishi 43 1/8/2021 2 14:48:17
ALAUSÍ Sibambe 44 11/7/2021 10 14:55:34
ALAUSÍ Multitud 45 21/6/2021 1 15:00:10
ALAUSÍ Pistishi 46 1/8/2021 3 15:01:33
ALAUSÍ Sibambe 47 11/7/2021 15 15:08:32
ALAUSÍ Multitud 48 21/6/2021 2 15:14:39
ALAUSÍ Pistishi 49 1/8/2021 8 15:14:49
ALAUSÍ Sibambe 50 11/7/2021 16 15:20:36
ALAUSÍ Pistishi 51 1/8/2021 7 15:26:41
ALAUSÍ Sibambe 52 11/7/2021 20 15:35:58
ALAUSÍ Pistishi 53 1/8/2021 10 15:37:59
ALAUSÍ Multitud 54 21/6/2021 10 15:46:02
ALAUSÍ Sibambe 55 11/7/2021 23 15:47:48
ALAUSÍ Sibambe 56 11/7/2021 26 16:01:11
ALAUSÍ Totoras 57 1/8/2021 9 16:02:48
ALAUSÍ Pistishi 58 1/8/2021 9 16:10:17
ALAUSÍ Multitud 59 21/6/2021 11 16:14:01
ALAUSÍ Totoras 60 1/8/2021 14 16:15:00
ALAUSÍ Sibambe 61 11/7/2021 28 16:20:39
ALAUSÍ Multitud 62 21/6/2021 12 16:30:18
ALAUSÍ Pistishi 63 1/8/2021 12 16:34:00
ALAUSÍ Totoras 64 1/8/2021 8 16:35:30
ALAUSÍ Sibambe 65 11/7/2021 19 16:43:31
ALAUSÍ Totoras 66 1/8/2021 4 17:00:54
ALAUSÍ Totoras 67 1/8/2021 2 17:22:01
ALAUSÍ Totoras 68 1/8/2021 1 17:35:55
ALAUSÍ Guasuntos 69 12/7/2021 32 17:39:02
ALAUSÍ Guasuntos 70 12/7/2021 45 17:39:02
ALAUSÍ Guasuntos 71 12/7/2021 50 18:10:12
ALAUSÍ Totoras 72 1/8/2021 12 18:11:41
ALAUSÍ Guasuntos 73 12/7/2021 49 18:21:29
ALAUSÍ Guasuntos 74 12/7/2021 27 18:35:08
ALAUSÍ Totoras 75 1/8/2021 10 18:35:12
ALAUSÍ Guasuntos 76 12/7/2021 23 18:47:32
ALAUSÍ Guasuntos 77 12/7/2021 14 18:59:10
ALAUSÍ Guasuntos 78 12/7/2021 16 19:10:39
ALAUSÍ Guasuntos 79 12/7/2021 12 19:22:59
ALAUSÍ Guasuntos 80 12/7/2021 9 19:35:52
ALAUSÍ Guasuntos 81 12/7/2021 5 19:50:48
ALAUSÍ Guasuntos 82 12/7/2021 2 20:08:59
CHAMBO Chambo 83 17/7/2021 13 10:27:12
CHAMBO Chambo 84 17/7/2021 14 10:37:43
CHAMBO Chambo 85 17/7/2021 30 10:56:31
CHAMBO Chambo 86 17/7/2021 42 11:09:00
CHAMBO Chambo 87 17/7/2021 54 11:28:33
CHAMBO Chambo 88 17/7/2021 58 11:38:16
CHAMBO Chambo 89 17/7/2021 60 11:48:25
CHAMBO Chambo 90 17/7/2021 61 12:10:38
CHAMBO Chambo 91 17/7/2021 66 12:33:54
CHAMBO Chambo 92 17/7/2021 89 13:49:45
CHAMBO Chambo 93 17/7/2021 104 14:02:28
CHAMBO Chambo 94 17/7/2021 116 14:16:52
CHAMBO Chambo 95 17/7/2021 147 14:26:57
CHUNCHI Chunchi 96 6/7/2021 54 8:56:53
CHUNCHI Chunchi 97 6/7/2021 74 9:12:41
CHUNCHI Chunchi 98 6/7/2021 77 9:25:29
CHUNCHI Chunchi 99 6/7/2021 75 9:39:12
CHUNCHI Llagos 100 11/7/2021 6 9:58:17
CHUNCHI Chunchi 101 6/7/2021 65 9:59:50
CHUNCHI Llagos 102 11/7/2021 3 10:15:26
CHUNCHI Llagos 103 11/7/2021 4 10:15:26
CHUNCHI Llagos 104 11/7/2021 9 10:42:34
CHUNCHI Llagos 105 11/7/2021 8 10:57:09
CHUNCHI Chunchi 106 6/7/2021 57 11:01:46
CHUNCHI Chunchi 107 6/7/2021 53 11:16:03
CHUNCHI Llagos 108 11/7/2021 10 11:17:30
CHUNCHI Chunchi 109 6/7/2021 42 11:32:46
CHUNCHI Chunchi 110 6/7/2021 30 11:53:43
CHUNCHI Chunchi 111 6/7/2021 26 12:24:22
CHUNCHI Chunchi 112 6/7/2021 11 12:37:16
CHUNCHI Chunchi 113 6/7/2021 17 12:50:33
CHUNCHI Compud 114 11/7/2021 6 12:58:11
CHUNCHI Chunchi 115 6/7/2021 36 13:04:00
CHUNCHI Compud 116 11/7/2021 5 13:14:29
CHUNCHI Compud 117 11/7/2021 4 13:26:34
CHUNCHI Compud 118 11/7/2021 7 13:40:11
CHUNCHI Compud 119 11/7/2021 1 14:02:11
CHUNCHI Chunchi 120 6/7/2021 19 14:03:19
CHUNCHI Gonzol 121 11/7/2021 4 16:18:50
CHUNCHI Gonzol 122 11/7/2021 2 16:35:18
CHUNCHI Gonzol 123 11/7/2021 6 16:48:44
CHUNCHI Gonzol 124 11/7/2021 7 17:02:24
CHUNCHI Gonzol 125 11/7/2021 22 17:33:33
CHUNCHI Gonzol 126 11/7/2021 13 17:49:59
CHUNCHI Gonzol 127 11/7/2021 11 18:14:42
CHUNCHI Gonzol 128 11/7/2021 9 18:26:36
CHUNCHI Gonzol 129 11/7/2021 12 18:40:32
COLTA Cañi 130 4/8/2021 3 10:25:12
COLTA Cañi 131 6/8/2021 6 10:36:11
COLTA Columbe 132 30/6/2021 21 10:46:52
COLTA Cañi 133 7/8/2021 7 10:48:11
COLTA Cañi 134 5/8/2021 4 10:59:56
COLTA Columbe 135 30/6/2021 20 11:03:56
COLTA Cañi 136 8/8/2021 8 11:11:39
COLTA Columbe 137 30/6/2021 15 11:20:47
COLTA Cañi 138 3/8/2021 2 11:24:09
COLTA Columbe 139 30/6/2021 12 11:39:16
COLTA Columbe 140 30/6/2021 6 12:15:18
COLTA Columbe 141 30/6/2021 1 12:42:45
COLTA Columbe 142 30/6/2021 3 12:58:19
COLTA Columbe 143 30/6/2021 5 13:13:58
COLTA Pangor 144 27/6/2021 4 14:50:55
COLTA Pangor 145 27/6/2021 2 15:08:09
COLTA Colta 146 1/7/2021 42 15:11:21
COLTA Santiago de Quito 147 30/6/2021 18 15:36:54
COLTA Pangor 148 27/6/2021 6 15:37:51
COLTA Pangor 149 27/6/2021 7 15:54:47
COLTA Pangor 150 27/6/2021 21 16:09:24
COLTA Santiago de Quito 151 30/6/2021 15 16:10:02
COLTA Pangor 152 27/6/2021 22 16:24:46
COLTA Colta 153 1/7/2021 25 16:29:33
COLTA Santiago de Quito 154 30/6/2021 13 16:43:50
COLTA Colta 155 1/7/2021 22 16:57:45
COLTA Santiago de Quito 156 30/6/2021 7 17:00:15
COLTA Colta 157 9/7/2021 73 17:06:29
COLTA Colta 158 9/7/2021 87 17:21:42
COLTA Santiago de Quito 159 30/6/2021 5 17:22:15
COLTA Colta 160 9/7/2021 65 17:39:48
COLTA Colta 161 1/7/2021 12 17:55:05
COLTA Colta 162 1/7/2021 11 18:10:45
COLTA Colta 163 1/7/2021 46 18:55:16
COLTA Colta 164 1/7/2021 55 19:59:31
COLTA Colta 165 1/7/2021 58 20:20:35
CUMANDÁ Cumandá 166 5/7/2021 218 7:59:36
CUMANDÁ Cumandá 167 21/6/2021 5 9:29:26
CUMANDÁ Cumandá 168 25/6/2021 65 10:04:57
CUMANDÁ Cumandá 169 28/6/2021 94 10:11:05
CUMANDÁ Cumandá 170 23/6/2021 47 10:40:59
CUMANDÁ Cumandá 171 1/7/2021 178 11:00:31
CUMANDÁ Cumandá 172 2/7/2021 195 11:19:58
CUMANDÁ Cumandá 173 30/6/2021 158 11:38:59
CUMANDÁ Cumandá 174 29/6/2021 125 11:56:38
CUMANDÁ Cumandá 175 22/6/2021 20 13:10:47
CUMANDÁ Cumandá 176 26/6/2021 80 17:27:02
CUMANDÁ Cumandá 177 3/7/2021 199 17:45:10
CUMANDÁ Cumandá 178 4/7/2021 209 18:24:54
GUAMOTE Guamote 179 8/8/2021 23 10:34:24
GUAMOTE Guamote 180 8/8/2021 25 12:32:13
GUAMOTE Guamote 181 8/8/2021 18 12:47:09
GUAMOTE Guamote 182 8/8/2021 3 12:14:19
GUANO San José de Chazo 183 15/8/2021 6 11:26:07
GUANO San José de Chazo 184 15/8/2021 7 11:36:41
GUANO San José de Chazo 185 15/8/2021 10 11:47:19
GUANO San José de Chazo 186 15/8/2021 11 11:57:25
GUANO San José de Chazo 187 15/8/2021 12 12:07:33
GUANO San José de Chazo 188 15/8/2021 13 12:18:04
GUANO San José de Chazo 189 15/8/2021 15 12:28:49
GUANO San José de Chazo 190 15/8/2021 16 12:39:27
GUANO San José de Chazo 191 15/8/2021 20 12:50:00
GUANO San Gerardo 192 15/7/2021 1 13:44:08
GUANO San Andrés 193 15/7/2021 1 13:48:10
GUANO San Gerardo 194 15/7/2021 4 13:54:35
GUANO San Gerardo 195 15/7/2021 5 14:05:02
GUANO San Andrés 196 15/7/2021 2 14:06:26
GUANO San Gerardo 197 15/7/2021 6 14:15:21
GUANO San Isidro de Patalú 198 13/8/2021 3 14:17:46
GUANO San Gerardo 199 15/7/2021 8 14:25:22
GUANO San Isidro de Patalú 200 13/8/2021 5 14:27:41
GUANO San Andrés 201 15/7/2021 7 14:27:57
GUANO San Gerardo 202 15/7/2021 9 14:35:50
GUANO San Isidro de Patalú 203 13/8/2021 6 14:38:03
GUANO San Andrés 204 15/7/2021 31 14:44:46
GUANO San Gerardo 205 15/7/2021 12 14:46:32
GUANO San Isidro de Patalú 206 13/8/2021 7 14:48:14
GUANO San Gerardo 207 15/7/2021 13 14:56:37
GUANO San Isidro de Patalú 208 13/8/2021 8 14:58:02
GUANO Ilapo 209 17/8/2021 1 15:01:56
GUANO San Andrés 210 15/7/2021 33 15:03:03
GUANO San Isidro de Patalú 211 13/8/2021 9 15:08:40
GUANO San Andrés 212 15/7/2021 37 15:16:41
GUANO San Isidro de Patalú 213 13/8/2021 11 15:18:58
GUANO Ilapo 214 17/8/2021 6 15:21:58
GUANO San Andrés 215 15/7/2021 38 15:31:40
GUANO Ilapo 216 17/8/2021 8 15:32:15
GUANO Ilapo 217 17/8/2021 9 15:42:21
GUANO San Andrés 218 15/7/2021 39 15:44:56
GUANO La Providencia 219 17/8/2021 3 15:49:16
GUANO Ilapo 220 17/8/2021 10 15:52:37
GUANO San Andrés 221 15/7/2021 40 16:00:45
GUANO Ilapo 222 17/8/2021 12 16:02:42
GUANO La Providencia 223 17/8/2021 4 16:04:13
GUANO San Andrés 224 15/7/2021 41 16:21:29
GUANO La Providencia 225 17/8/2021 6 16:30:02
GUANO San Andrés 226 15/7/2021 44 16:35:03
GUANO La Providencia 227 17/8/2021 8 16:40:29
GUANO La Providencia 228 17/8/2021 9 16:50:56
GUANO San Andrés 229 15/7/2021 46 16:53:40
GUANO La Providencia 230 17/8/2021 10 17:01:04
GUANO San Andrés 231 15/7/2021 53 17:15:25
GUANO Santa Fé de Galán 232 13/8/2021 1 18:03:54
GUANO Santa Fé de Galán 233 13/8/2021 2 19:04:03
GUANO Santa Fé de Galán 234 13/8/2021 3 19:39:29
GUANO Santa Fé de Galán 235 13/8/2021 4 19:58:29
GUANO Santa Fé de Galán 236 13/8/2021 7 20:15:30
PALLATAN-
GA Pallatanga 237 27/6/2021 11 7:16:59
PALLATAN-
GA Pallatanga 238 27/6/2021 6 7:33:44
PALLATAN-
GA Pallatanga 239 27/6/2021 19 7:55:30
PALLATAN-
GA Pallatanga 240 27/6/2021 24 8:10:52
PALLATAN-
GA Pallatanga 241 27/6/2021 28 9:30:50
PALLATAN-
GA Pallatanga 242 27/6/2021 32 10:11:37
PALLATAN-
GA Pallatanga 243 27/6/2021 38 10:28:15
PALLATAN-
GA Pallatanga 244 27/6/2021 39 10:43:25
PALLATAN-
GA Pallatanga 245 27/6/2021 40 11:10:36
PALLATAN-
GA Pallatanga 246 27/6/2021 42 12:11:32
PALLATAN-
GA Pallatanga 247 27/6/2021 50 12:42:40
PENIPE Matus 248 14/8/2021 1 10:17:58
PENIPE Matus 249 14/8/2021 7 10:47:47
PENIPE Matus 250 14/8/2021 9 10:57:52
PENIPE Matus 251 14/8/2021 11 11:07:36
PENIPE Matus 252 14/8/2021 12 11:18:04
PENIPE Bayushig 253 23/7/2021 1 11:38:43
PENIPE Bilbao 254 23/7/2021 1 11:39:30
PENIPE Bilbao 255 23/7/2021 2 11:51:26
PENIPE Bilbao 256 23/7/2021 3 12:03:48
PENIPE Bayushig 257 23/7/2021 9 12:11:52
PENIPE Bilbao 258 23/7/2021 4 12:16:35
PENIPE Bayushig 259 23/7/2021 13 12:24:07
PENIPE Bayushig 260 23/7/2021 15 12:24:34
PENIPE Bilbao 261 23/7/2021 5 12:29:38
PENIPE Bilbao 262 23/7/2021 6 12:43:21
PENIPE Bayushig 263 23/7/2021 20 13:21:00
PENIPE Bayushig 264 23/7/2021 24 13:40:46
PENIPE Bayushig 265 23/7/2021 28 13:50:08
PENIPE Bayushig 266 23/7/2021 29 13:59:07
PENIPE Puela 267 14/8/2021 2 14:11:41
PENIPE Puela 268 14/8/2021 6 14:32:59
PENIPE Puela 269 14/8/2021 8 14:54:26
PENIPE Puela 270 14/8/2021 9 15:05:00
PENIPE La Candelaria 271 27/7/2021 1 15:28:43
PENIPE La Candelaria 272 27/7/2021 3 15:36:14
PENIPE La Candelaria 273 27/7/2021 6 15:51:37
PENIPE La Candelaria 274 27/7/2021 7 16:09:31
PENIPE La Candelaria 275 27/7/2021 8 16:24:44
PENIPE El Altar 276 27/7/2021 1 18:00:43
PENIPE El Altar 277 27/7/2021 3 18:10:34
PENIPE El Altar 278 27/7/2021 4 18:26:40
PENIPE El Altar 279 27/7/2021 6 18:38:13
PENIPE El Altar 280 27/7/2021 7 18:49:58
PENIPE El Altar 281 27/7/2021 11 19:01:29
PENIPE El Altar 282 27/7/2021 12 19:12:57
PENIPE El Altar 283 27/7/2021 19 19:24:15
PENIPE Bayushig 284 23/7/2021 4 11:55:32
PENIPE Bayushig 285 23/7/2021 21 13:30:00
PENIPE Puela 286 14/8/2021 3 14:22:21
PENIPE El Altar 287 27/7/2021 20 19:35:55
RIOBAMBA Calpi 288 3/8/2021 72 8:48:42
RIOBAMBA Calpi 289 3/8/2021 43 9:35:36
RIOBAMBA Calpi 290 3/8/2021 25 9:52:29
RIOBAMBA Flores 291 9/8/2021 12 9:57:29
RIOBAMBA Calpi 292 3/8/2021 51 10:08:02
RIOBAMBA Flores 293 9/8/2021 10 10:10:48
RIOBAMBA Calpi 294 3/8/2021 55 10:21:56
RIOBAMBA Flores 295 9/8/2021 4 10:24:39
RIOBAMBA Calpi 296 3/8/2021 59 10:36:17
RIOBAMBA Flores 297 9/8/2021 5 10:38:23
RIOBAMBA Flores 298 9/8/2021 13 10:51:39
RIOBAMBA Lícan 299 4/8/2021 46 11:01:20
RIOBAMBA Flores 300 9/8/2021 2 11:04:07
RIOBAMBA Flores 301 9/8/2021 8 11:16:28
RIOBAMBA Lícan 302 4/8/2021 43 11:18:44
RIOBAMBA Púngala 303 10/8/2021 1 11:31:43
RIOBAMBA Quimiag 304 5/8/2021 35 11:35:34
RIOBAMBA Lícan 305 4/8/2021 51 11:38:57
RIOBAMBA Púngala 306 10/8/2021 5 11:45:07
RIOBAMBA Punín 307 9/8/2021 41 11:47:06
RIOBAMBA Quimiag 308 5/8/2021 38 11:47:38
RIOBAMBA Lícan 309 4/8/2021 36 11:55:32
RIOBAMBA Púngala 310 10/8/2021 10 11:57:28
RIOBAMBA Punín 311 9/8/2021 33 12:01:36
RIOBAMBA Quimiag 312 5/8/2021 21 12:02:55
RIOBAMBA Punín 313 9/8/2021 21 12:13:25
RIOBAMBA Quimiag 314 5/8/2021 33 12:16:36
RIOBAMBA Púngala 315 10/8/2021 12 12:22:09
RIOBAMBA Punín 316 9/8/2021 20 12:26:52
RIOBAMBA Quimiag 317 5/8/2021 27 12:30:09
RIOBAMBA Púngala 318 10/8/2021 16 12:34:33
RIOBAMBA Lícan 319 4/8/2021 8 12:35:44
RIOBAMBA Punín 320 9/8/2021 15 12:39:06
RIOBAMBA Quimiag 321 5/8/2021 28 12:41:09
RIOBAMBA Púngala 322 10/8/2021 24 12:48:39
RIOBAMBA Punín 323 9/8/2021 16 12:52:47
RIOBAMBA Lícan 324 4/8/2021 26 12:54:54
RIOBAMBA Quimiag 325 5/8/2021 9 12:57:54
RIOBAMBA Púngala 326 10/8/2021 23 13:02:18
RIOBAMBA Punín 327 9/8/2021 22 13:06:34
RIOBAMBA Lícan 328 4/8/2021 27 13:08:42
RIOBAMBA Púngala 329 10/8/2021 34 13:14:52
RIOBAMBA Quimiag 330 5/8/2021 16 13:16:23
RIOBAMBA Punín 331 9/8/2021 36 13:20:24
RIOBAMBA Lícan 332 4/8/2021 79 13:27:02
RIOBAMBA Púngala 333 10/8/2021 37 13:27:25
RIOBAMBA Quimiag 334 5/8/2021 14 13:28:34
RIOBAMBA Punín 335 9/8/2021 18 13:34:11
RIOBAMBA Lícan 336 4/8/2021 80 13:42:39
RIOBAMBA Quimiag 337 5/8/2021 7 13:44:20
RIOBAMBA Lícan 338 4/8/2021 81 13:56:18
RIOBAMBA Punín 339 9/8/2021 7 13:59:43
RIOBAMBA Punín 340 9/8/2021 3 14:14:09
RIOBAMBA Licto 341 10/8/2021 61 14:15:15
RIOBAMBA Lícan 342 4/8/2021 61 14:15:46
RIOBAMBA Cubijies 343 5/8/2021 36 14:19:45
RIOBAMBA Licto 344 10/8/2021 64 14:28:59
RIOBAMBA Lícan 345 4/8/2021 84 14:31:36
RIOBAMBA Cubijies 346 5/8/2021 21 14:34:27
RIOBAMBA Licto 347 10/8/2021 55 14:42:41
RIOBAMBA Cubijies 348 5/8/2021 23 14:45:42
RIOBAMBA Licto 349 10/8/2021 57 14:54:44
RIOBAMBA Cubijies 350 5/8/2021 17 15:00:09
RIOBAMBA Licto 351 10/8/2021 56 15:08:07
RIOBAMBA Cubijies 352 5/8/2021 14 15:11:21
RIOBAMBA Licto 353 10/8/2021 35 15:21:07
RIOBAMBA Cubijies 354 5/8/2021 10 15:24:49
RIOBAMBA San Juan 355 3/8/2021 9 15:32:01
RIOBAMBA Licto 356 10/8/2021 12 15:33:33
RIOBAMBA Cubijies 357 5/8/2021 13 15:36:21
RIOBAMBA San Juan 358 3/8/2021 10 15:45:19
RIOBAMBA Licto 359 10/8/2021 14 15:46:06
RIOBAMBA Cubijies 360 5/8/2021 7 15:51:24
RIOBAMBA San Juan 361 3/8/2021 13 15:57:14
RIOBAMBA Licto 362 10/8/2021 15 15:58:25
RIOBAMBA Cubijies 363 5/8/2021 5 16:04:35
RIOBAMBA San Juan 364 3/8/2021 12 16:08:19
RIOBAMBA Licto 365 10/8/2021 18 16:10:11
RIOBAMBA Licto 366 10/8/2021 41 16:25:04
RIOBAMBA San Juan 367 3/8/2021 28 16:35:16
RIOBAMBA Licto 368 10/8/2021 52 16:38:00
RIOBAMBA San Juan 369 3/8/2021 33 16:47:56
RIOBAMBA Licto 370 10/8/2021 20 16:51:27
RIOBAMBA San Juan 371 3/8/2021 35 17:00:33
RIOBAMBA San Juan 372 3/8/2021 34 17:13:03
RIOBAMBA San Juan 373 3/8/2021 36 17:27:11
RIOBAMBA San Juan 374 3/8/2021 40 17:41:23
RIOBAMBA San Juan 375 3/8/2021 41 17:53:55
RIOBAMBA San Juan 376 3/8/2021 47 18:07:01
RIOBAMBA Calpi 377 3/8/2021 2 18:33:27
RIOBAMBA Calpi 378 3/8/2021 16 18:54:22
RIOBAMBA Calpi 379 3/8/2021 9 19:07:57
RIOBAMBA Calpi 380 3/8/2021 14 19:19:41
RIOBAMBA Calpi 381 3/8/2021 19 19:32:36
RIOBAMBA Punín 382 9/8/2021 12 13:48:41
RIOBAMBA Cubijies 383 5/8/2021 1 16:19:35
RIOBAMBA Calpi 384 3/8/2021 38 9:10:19
RIOBAMBA Calpi 385 3/8/2021 39 9:23:35