Formato Bien

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
ANÁLISIS ESTADISTICO EXPLORATORIO FUNCIONAL DE LA

RADIACIÓN GAMMA EN LA PROVINCIA DE CHIMBORAZO.
Trabajo de titulación
TIPO: Proyecto de investigación
Presentado para obtener el grado académico de:

INGENIERA EN ESTADÍSTICA
AUTOR:
YUNGAICELA SAGÑAY VÍCTOR ANDRÉS
Riobamba – Ecuador
2022
ANÁLISIS ESTADISTICO EXPLORATORIO FUNCIONAL DE LA

RADIACIÓN GAMMA EN LA PROVINCIA DE CHIMBORAZO.
Trabajo de titulación
TIPO: Proyecto de investigación
Presentado para obtener el grado académico de:

INGENIERA EN ESTADÍSTICA
AUTOR: YUNGAICELA SAGÑAY VÍCTOR ANDRÉS
DIRECTORA: ING. AMALIA ISABEL ESCUDERO VILLA
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
VICTOR ANDRÉS YUNGAICELA SAGÑAY

0604708461
ii
El Tribunal del Trabajo de Titulación, certifica que: El trabajo de investigación: ANÁLISIS

ESTADÍSTICO EXPLORATORIO FUNCIONAL DE LA RADIACIÓN GAMMA EN
LA PROVINCIA DE CHIMBORAZO, realizado por el señor: VÍCTOR ANDRÉS
YUNGAICELA SAGÑAY, ha sido minuciosamente revisado por los Miembros del Tribunal
del Trabajo de Titulación. El mismo que cumple con los requisitos científicos, técnicos,
legales, en tal virtud el Tribunal autoriza su presentación.
Firma Fecha
PRESIDENTE DEL TRIBUNAL __________________ __________________
Ing. Amalia Isabel Escudero Villa

DIRECTOR DEL TRABAJO DE __________________ __________________
TITULACION
Dra. Jenny Orbe

MIEMBRO DE TRIBUNAL __________________ __________________
iii
DEDICATORIA
Este trabajo se lo dedico a Dios y a mi madre.

Víctor Yungaicela
iv
AGRADECIMIENTO
Agradezco a mi familia que siempre me apoya incondicionalmente. A lo largo de mi vida

estudiantil mis maestros han sido una gran influencia, en especial a la Ing. Isabel Escudero y la
Dra. Jenny Orbe quienes tutelaron este trabajo de investigación.
Víctor Yungaicela
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
Tabla 1-1: Síntomas relacionados con la radiación en Sv..............................................13

Tabla 2-1-2: Operalizaciòn de la variable......................................................................19
Tabla 1-3: Provincias y Cantones...................................................................................20
Tabla 2-3:Outliers Funcionales encontrados en cada uno de los métodos utilizados en
Alausí...............................................................................................................................25
Alausí...............................................................................................................................26
Chunchi............................................................................................................................28
Colta................................................................................................................................30
Colta................................................................................................................................32
Guano..............................................................................................................................34
Guano..............................................................................................................................36
Penipe..............................................................................................................................38
Riobamba.........................................................................................................................41
Tabla 10-2: Tabla de composición de clusters...............................................................52
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 A: Aval de GRUPO DE INVESTIGACIÓN GEAA
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.
Palabras clave: <ESTADÍSTICA>, <ANÁLISIS DE DATOS FUNCIONALES>, <CHIMBORA-

ZO>, <RADIACIÓN GAMMA>, <ANÁLISIS DE CLUSTERS>.
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.
Los rayos gamma son consideradas radiaciones electromagnéticas producidas por la

desintegración radiactiva de los núcleos atómicos, ondas, que acompañan a la emisión de
partículas alfa o beta. En la Tierra podemos observar fuentes naturales de rayos gamma tanto en
la desintegración de los radionucleidos como en las interacciones de los rayos cósmicos con la
atmosfera, más raramente los rayos también producen radiación (Rangel, 2016).
A través de la estadística podemos canalizar grandes volúmenes de datos mediante distintos

métodos y técnicas hacia un análisis más idóneo y simplificado de la información, y a la vez una
optimización de la correcta toma de decisiones. El análisis de datos funcionales es una rama de
la estadística, que estudia y analiza la información contenida en curvas, superficies o cualquier
elemento que varíe sobre un espacio continuo. Los objetivos de este tipo de análisis son
esencialmente los mismos que en cualquier otra área de la estadística, entre los que puede
mencionarse son: la obtención de una representación de los datos de tal manera que facilite su
entendimiento y resalte las distintas características, el estudio de posibles patrones de
variabilidad de los datos, la explicación del porqué de las variaciones de un resultado, o bien la
comparación de conjuntos de datos con respecto a cierto tipo de variaciones. (Plazola, 2013)
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 autor (Taguacundo, 2019) , aplica la metodología de datos funcionales con el fin de

identificar distintos comportamientos de la radiación solar, durante los años 2014 al 2017,
donde a través de un análisis de clúster encontró comportamientos similares en diferentes
estaciones meteorológicas.
En el análisis de datos funcionales, la unidad básica es el dato funcional, en general. Por
ejemplo, un conjunto de imágenes de alta resolución es un ejemplo de datos funcionales en un
dominio de dos dimensiones. En la práctica, estos sucesos son recogidos por máquinas que
toman muestras de una determinada variable en distintos puntos del continuo que se considere.
(Ramsey J. and Silverman B. 2013).
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.
1.2 Planteamiento del Problema
La globalización y el avance de la industria ha ocasionado cambios en los factores ambientales

y el Ecuador, al tener regiones tan biodiversas debe buscar una manera de conservar su medio
ambiente. La radiación gamma, en caso de que su dosis de exposición sea la no adecuada, puede
ocasionar daños en cultivos, fauna y también en la población humana, causando todo tipo de
alteraciones genéticas y enfermedades. Este estudio pretende evidenciar el comportamiento de
los rayos gamma en la provincia de Chimborazo, a través de la herramienta estadística de
análisis funcional de datos, aprovechando la cantidad de datos recolectados a través de toda la
provincia de Chimborazo.
1.3 Formulación del problema
¿Cómo se comporta la radiación gamma en la provincia de Chimborazo?
1.4 Justificación
1.4.1 Justificación teórica
La aplicación de herramientas estadísticas permite una mejor explicación del funcionamiento de

distintos tipos de fenómenos, todo esto para una mejor toma de decisiones. El fenómeno de la
radiación gamma, que podría afectar desde la cosecha, el ganado y la misma salud de los
habitantes de una zona, es más que necesario sea estudiado de la manera adecuada.
Por tal motivo la Escuela Superior Politécnica de Chimborazo (ESPOCH) mediante el Grupo de
Investigación-Desarrollo para el ambiente y Cambio Climático (GIDAC) realizo la toma de
datos en campo y proporciono la información necesaria para el análisis estadístico funcional. El
gran beneficiado de esta investigación será el habitante de la provincia de Chimborazo, por
conocer el proceder de este tipo de radiación electromagnética e impacto que tienen en su vida
común.
1.5 Objetivos
1.5.1 Objetivo General
Analizar el comportamiento de los rayos gamma en el tiempo en la provincia de Chimborazo

mediante metodología con datos funcionales.
1.5.2 Objetivos específicos
 Estructurar una base de datos según los requerimientos del análisis.

 Identificar el suavizado óptimo para la base funcional.
 Realizar un análisis estadístico exploratorio funcional de los datos.
 Analizar comportamientos semejantes mediante Clúster con datos funcionales.
1.6 Bases Teóricas.
1.6.1 Análisis de datos funcionales
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)
1.6.2 Dato Funcional
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.
1.6.3 Variable funcional
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).
1.6.4 Datos funcionales atípicos
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).
1.6.5 Estadísticas descriptivas funcionales
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
En el campo de acción los datos funcionales se recopilan y registran de manera intermitente, en

la mayoría de veces es necesario convertir los datos disponibles sin procesar en funciones
viables, posiblemente utilizando varios tipos de modificaciones. Dado lo anterior, la
representación de estos datos como datos funcionales a través de una base ortogonal ofrece
ventajas teóricas y prácticas, utilizamos esta base para transformar los datos discretos en datos
funcionales. Por lo cual se dice, como concepto sencillo de bases, como un grupo de funciones
conocidas { ∅k }k ∈N al punto que cada función puede ser aproximada, tal como demande, a través
de una combinación lineal de K con un K suficientemente grande. A través de este método la
K
observación funcional puede llegar a ser X (t)≈ ∑ c k ∅k (t).
k=1
A veces, simplemente usando interpolación simple, que consiste en un conjunto de datos

contiguos entre sí por segmentos de línea, pero esta estimación puede volverse insuficiente, si se
quiere obtener información de derivadas de funciones.
1.6.7 Bases Fourier
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).
Otra característica importante de la serie de Fourier es la existencia de continuos:
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
Para r =1, … , L/2
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
Nosotros definimos el conjunto de todos los nodos adicionales
t −k =…=t 0 ≤ t 1 ≤ … ≤ t N ≤t N+1=…=t ( N +1)+ k ,
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
El primer inconveniente a la hora de aplicar el análisis de datos funcionales, es encontrar un mo-

delo adecuado. En el campo de acción la mayoría de bases de datos presentan muchos errores,
por lo que debemos adaptarlos a su forma de curva funcional, por lo que es fundamental el co-
rrecto suavizado. (Fuster, 2021, p. 10)
1.6.11 Remuestreo de Bootstrap
Gran Parte de la simulación matemática trabaja con un método de remuestreo denominado

Bootstrap, el cual se encarga de generar un masivo conjunto de muestras obtenidas mediante la
aleatorización. Esta técnica no requiere ningún tipo de supuesto sobre la forma generadora de
datos, por ende, aproxima cualquier distribución en el muestreo de un estadístico. (Meneses, et
al., 2016, p. 6)
1.6.12 Análisis Clúster
Actualmente el manejo, entendimiento y análisis, de datos masivos se ha vuelto más

complicado, y es normal encontrar nuevas técnicas análisis que son datos funcionales, de
manera que la falta de un algoritmo para generar clusters en datos funcionales se vuelve cada
vez más importante. Además, es un aporte importante utilizar la variabilidad que tiene un
individuo y que es representada bajo el enfoque de los datos funcionales (Venegas & Ríos,
2017).
Sin embargo, la elección de una técnica apropiada de agrupamiento es siempre más difícil en la
presencia de outliers, por lo que se debe realizar una limpieza de datos, puesto que unas pocas
observaciones anómalas pueden ser suficientes para crear serios problemas en la búsqueda de
clusters. Por ejemplo, grupos claros se pueden juntar artificialmente y detectar grupos poco
interesantes formados por pocas observaciones atípicas (Garcia-Escudero & Gordaliza, 2005).
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).
1.7 Bases conceptuales

1.7.1 Radiación
Según (Salcedo, 2013) la radiación es la emisión y difusión de energía en forma de partículas y

ondas a través del espacio. La radiación en simples palabras, la llamamos 'paquetes de energía'
que circula en caminos rectos. La 'radiación electromagnética' tiene una característica particular,
que son las variaciones de energía eléctrica y magnética atravesando campos en el espacio y el
tiempo. Un tipo muy especial de radiación es la denominada 'rayos cósmicos', que son partículas
energéticas, conocidas por penetrar el espacio interestelar (Diehl, 2000). Los distintos efectos
secundarios a una exposición severa de radiación, son las diversas enfermedades a órganos vita-
les y estructura ósea, alterando su integridad molecular. Puede ocasionarse a largo o a corto pla -
zo. (Garzón, et al., 2008)
1.7.2 Radiación gamma
La radiación gamma es la muestra de energía a través de ondas electromagnéticas de muy poco

alcance a un nivel de frecuencia mayor con relación a la luz UV. Tiene una naturaleza similar a
la luz perceptible, con la única diferencia de que presenta una longitud de onda muy pequeña y,
por ende, un nivel de energía más alto que la luz (Rangel, 2016). La radiación gamma es algo
muy parecido a los rayos X ya que para ambos le es sencillo atravesar a la materia viva. Tam -
bién conocidos como "fotones", pueden viajar a la velocidad de la luz. Los rayos gamma tienen
una gran capacidad para ionizar la materia y, por lo tanto, pueden perjudicar a las células vivas.
El daño producido en una célula es proporcional al número de ionizantes que produzca el mate-
rial que lo esté recibiendo (Stalter & Howarth, 2012). (Nurilmala, et al., 2016) indica que una
utilización de los rayos gamma es incitar mutación proveniente de la genética que da como re-
sultado el mutante requerido.
Figura 1-1: Campo eléctrico y campo magnético

Fuente: Rojas, Katherine. 2009
El campo de la física es relativamente nuevo, explotado en la década pasada con la revolución
de aplicación en múltiples áreas de la sociedad. La detección de fuentes emisoras de este tipo de
radiación, y desarrollo de modelos teóricos, implementan nuevas tecnologías a través del moni-
toreo, y la estadística ocupa un rol muy importante en el análisis de datos, dando una base sólida
para el desarrollo del conocimiento (Anon., 1995).
1.7.3 Efectos de la radiación en los ecosistemas
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).
1.7.4 Radiación ionizante
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)
1.7.5 Dosis absorbida
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)
1.7.6 Dosis equivalente
Es el producto de la dosis absorbida por un factor de calidad mayor. La unidad de medida es el

Sievert (Sv), que es igual a 100 rems en el sistema cegesimal. Es una unidad muy grande, por
eso en protección radiología se utilizan sus submúltiplos, el milisievert y el microsievert.
También se mide en Julio/Kilogramos. (Carrasco, 2003)
1.7.7 Dosis efectiva
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).
1.7.8 Límite de dosis
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.
1.7.9 Síntomas inmediatos en la salud
Probables síntomas en seres humanos por la radiación acumulada por un día.
Tabla 1-1: Síntomas relacionados con la radiación en Sv

0 - 0,25 Sv Ninguno
0,25 - 1 Sv En algunas personas los
síntomas son Nauseas,
perdidas de apetito, ade-
más, daños en la medula
ósea, ganglios linfáticos
o el bazo.
1 - 3 Sv Náuseas entre leves y
agudas, pérdida de apeti-
to, tipos de infección ,
pérdida de médula ósea
más severa, así como da-
ños en ganglios linfáti-
cos, bazo, con recupera-
ción casi nula.
3 - 6 Sv Náusea severa, hemorra-
gias, tipos de infec-
ción, diarrea, descama-
ción, esterilidad, y muer-
te si no se acude a una
casa de salud próxima.
6 - 10 Sv Mismos síntomas, más
deterioro del sistema
nervioso central. Muerte
muy probable.
Más de 10 Sv Parálisis y muerte.
Fuente: National Institutes of Health
1.7.10 Detección de la radiación gamma
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)
1.7.11 Interacciones de rayos Gamma con la materia
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).
1.7.13 Espectrometría gamma
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 efecto fotoelectrico es el mecanismo de interacción de fotones con la materia es el dominante

cuando la energía de rayos γ es baja. (MEER 2011)
El efecto compton es el mecanismo a medida que la energía de la radiación incidente aumenta,

su longitud de onda decrece y hay una mayor tendencia a interactuar con los electrones
individuales y no con el átomo como en el caso del efecto fotoeléctrico. (MEER 2011)
La produccion de pares es el mecanismo de absorción de la radiación electromagnética por la

materia aparece cuando la energía de los fotones incidentes alcanza al doble de la energía en
reposo de los electrones y consiste en la creación de un par electrón-positrón a partir de un fotón
que desaparece en la interacción. (MEER 2011)
Originando un pulso eléctrico de voltaje proporcional a la energía entregada por el fotón

incidente, el cual se clasifica de acuerdo a su voltaje o energía en los canales correspondientes
para obtener el espectro de emisión de energía de la muestra; éste espectro es analizado
posteriormente a través de un programa de cómputo que clasifica e identifica los fotopícos por
energía, calculando la actividad y la cantidad mínima detectable de radiación presentes en el
medio ambiente de forma natural (Background), de los isótopos presentes en la muestra.
(Loria 1992)
La Figura 3 muestra el diagrama de un sistema de espectrometría gamma, el cual se utiliza en el

análisis de un espectro de energía emitido por los radionuclidos presentes en la muestra
radiactiva. (Loria 1992)
1.7.14 Software Estadístico R
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
2.1 Tipo de la Investigación.
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.
2.2 Diseño de la investigación no experimental.
El Grupo de Investigación-Desarrollo para el ambiente y Cambio Climático (GIDAC) realizo la

toma de muestra en los distintos puntos de la provincia de Chimborazo, además suministro la
información necesaria para el análisis de la presente investigación.
2.2.1. Localización de estudio
La provincia de Chimborazo se encuentra ubicado en el centro del Ecuador, en la región

interandina. Con una extensión de 6500.66 km2. Lugar de grandes montañas y volcanes, como
el volcán Chimborazo, considerado el nevado más alto del Ecuador y también del mundo. Con
una población total de 501.584 habitantes según una proyección realizada por el Instituto
Ecuatoriano de Censos (INEC, 2010). Su principal fuente de recursos es la ganadería y la
agricultura, ya que su ubicación permite que el ecosistema sea abundante en productos como
papas, cebollas, etc. Su división consta de 10 cantones, constituidos por 61 parroquias, 45
rurales y 16 urbanas. El Grupo de Investigación-Desarrollo para el ambiente y Cambio
Climático (GIDAC) recolectó la información en cada una de las parroquias, para su debido
análisis.
Gráfico 2-1: Mapa de la provincia de Chimborazo y sus puntos de muestreo
Elaborado por: Yungaicela Víctor, 2022
2.2.2. Población de estudio
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.
2.2.3. Método de muestreo
Se realizó un muestreo aleatorio simple para la toma de los datos.
2.2.4. Tamaño de la muestra
La muestra se redujo a 500 observaciones, por punto de muestreo de cada parroquia de la

provincia de Chimborazo, con el fin de sintetizar el análisis y el manejo de datos. Toda la
muestra fue tomada a la hora inicio del muestreo.
2.2.5. Técnica de recolección de datos.
La dosis de gamma en los diferentes puntos de muestreo en la provincia de Chimborazo fue

tomada mediante el espectrómetro de rayos gamma RS10, por lo que los datos se obtuvieron por
el método de recolección computacional y fue proporcionado por GIDAC.
2.2.6. Identificación de variables
En el presente trabajo de investigación, la variable de interés para el respecto análisis de datos

funcional, es la dosis de radiación gamma, debido a que es una magnitud que se utiliza en el
campo de la salud, para ver sus efectos en la población.
2.2.7. Modelo estadístico
Se aplicó el análisis de datos funcionales con las librerías disponibles en R, además se

implementó detección de outliers y comparación mediante: Estadísticas descriptivas y Análisis
de clúster, según los requerimientos del problema.
2.3 Variables en estudio.
Tabla 2-2: Operalizaciòn de la variable
Variable Unidad Tipo Escala Descripción

de
medida
Dosis de Sv Cuantitativa Intervalo Unidad de equivalencia de dosis de

radiación Continua radiación ionizante. Es una medida
gamma del efecto sobre la salud de bajos
niveles de radiación ionizante en el
cuerpo humano
Elaborado por: Yungaicela Víctor, 2022
3 CAPÍTULO III
3.1 MARCO DE RESULTADOS Y DISCUSIÓN DE RESULTADOS.
1.7.3 Construcción de la base de datos
Con la información proporcionada de cada uno de los cantones de la provincia de Chimborazo

se realizó una tabla que su respectivo cantón, parroquia, coordenadas geográficas, fecha, punto,
la hora de inicio. Se decidió tomar de cada punto el equivalente a 500 segundos, es decir una
observación por segundo.
Tabla 3-3: Provincias y Cantones

CANTONES PUNTOS
ALAUSÍ 84
CHAMBO 14
CHUNCHI 35
COLTA 37
CUMANDÁ 14
GUAMOTE 4
GUANO 55
PALLATAN-
GA 12
PENIPE 44
RIOBAMBA 101
Realizado por: Yungaicela, Víctor. 2022
3.2 Selección de base y numero de funciones
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
3.3 Calidad de ajuste
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.
Gráfico 3-3: Calidad de ajuste por RMS

Realizado por: Yungaicela, Víctor.2022
En el grafico se concluye que el RMS con un ajuste B-Spline de 43 bases es el óptimo con un
RMS=0,007. A partir de los satisfactorios resultados, se nota una clara presencia de datos
atípicos, por lo que procedimos a localizarlos y retirarlos de la base de datos.
Gráfico 4-0: Curvas funcionales optimizadas de la provincia de Chimborazo

Gráfico 5-3: Curvas suavizadas de dosis de gamma en los 10 cantones de Chimborazo.

3.4 Determinación de outliers funcionales
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.
3.4.1 Outliers funcionales de ALAUSI
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
Gráfico 7-3: Rainbow plot de Alausí

Gráfico 8-3: HDRplot de Alausí

Tabla 4-3:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Alausí
ALAUSI
Functional Bagplot 41,49,53,68,69,72
Rainbow plot 76,32,41
HDR plot 41,49,53,69,72
deph.trim.out 49,53,46,56
3.4.2 Outliers funcionales de CHAMBO
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 14 perteneciente al punto de muestreo 150, de la
parroquia CHAMBO, 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 14 perteneciente al punto de muestreo 150, de la parroquia
CHAMBO, en color silver el complemento de los datos funcionales. 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 6 perteneciente al punto de muestreo 58, la curva 9 perteneciente al punto de muestreo 66
y la curva 14 perteneciente al punto de muestreo 150, pertenecientes a la parroquia CHAMBO.
La función del software R, outliers.depth.trim identifica como atípicos, la curva 4 perteneciente
a la parroquia CHAMBO. Se eliminó la curva atípica 14.
Gráfico 9-3: Functional Bagplot de Chambo

Gráfico 10-3: Rainbow plot de Chambo
Gráfico 11-3: HDR plot de Chambo

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
3.4.3 Outliers funcionales de CHUNCHI
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 22 perteneciente al punto de muestreo 4, de la
parroquia COMPUD, la curva 30 perteneciente al punto de muestreo 21, de la parroquia
GONZOL. En color silver se nota el resto de los datos funcionales. 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 29 perteneciente al punto de muestreo 7, de la parroquia GONZOL, la curva 5
perteneciente al punto de muestreo 6, de la parroquia de LLAGOS, y la curva 30 perteneciente
al punto de muestreo 21, de la parroquia GONZOL. 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 4
perteneciente al punto de muestreo 42, del cantón CHUNCHI, la curva 30 perteneciente al
punto de muestreo 21, de la parroquia GONZOL, y la curva 22 perteneciente al punto de
muestreo 4, de la parroquia COMPUD, en color silver el complemento de los datos funcionales.
La función del software R, outliers.depth.trim identifica como atípicos, la curva 22
perteneciente al punto de muestreo 4, de la parroquia COMPUD, y la curva 30 perteneciente al
punto de muestreo 21, de la parroquia GONZOL. Se eliminó la curva atípica 30.
Gráfico 12-3: Functional Bagplot de Chunchi

Gráfico 13-3: Rainbow plot de Chunchi
Gráfico 14-3: HDR plot de Chunchi

Tabla 6-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Chunchi
CHUNCHI
Functional Bagplot 22,30
HDR plot 4,30,22
deph.trim.out 22,30
3.4.4 Outliers funcionales de COLTA
En el functional bagplot, no se presentaron atípicos. 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 30
perteneciente al punto de muestreo 87, de la parroquia COLTA, la curva 11 perteneciente al
punto de muestreo 10, de la parroquia de COLUMBE, y la curva 13 perteneciente al punto de
muestreo 1, de la parroquia COLUMBE. 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 11
perteneciente al punto de muestreo 10, del cantón COLUMBE, la curva 24 perteneciente al
punto de muestreo 22, de la parroquia PANGOR, y la curva 31 perteneciente al punto de
muestreo 5, de la parroquia SANTIAGO DE QUITO, en color silver el complemento de los
datos funcionales. La función del software R, outliers.depth.trim identifica como atípicos, la
curva 11 perteneciente al punto de muestreo 10, de la parroquia de COLUMBE. Se eliminó la
curva atípica 11.
Gráfico 15-3: Functional Bagplot de Colta

Gráfico 16-3: Rainbow plot de Colta
Gráfico 17-3: HDR plot de Colta

Tabla 7-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Colta
COLTA
Functional Ba- ---------------
gplot
HDR plot 11,24,31
deph.trim.out 11
3.4.5 Outliers funcionales de CUMANDA
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 6 perteneciente al punto 178, de la parroquia
CUMANDÁ, la curva 11 perteneciente al punto de muestreo 59, de la parroquia de
CUMANDÁ.
En color silver se nota el resto de los datos funcionales. 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 3
perteneciente al punto de muestreo 65, de la parroquia CUMANDÁ, la curva 11 perteneciente al
punto de muestreo 59, de la parroquia de CUMANDÁ, la curva 9 perteneciente al punto de
muestreo 125, de la parroquia de CUMANDÁ. 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 11
perteneciente al punto de muestreo 59, de la parroquia de CUMANDÁ, en color silver el
como atípicos, la curva 11 perteneciente al punto de muestreo 59, de la parroquia de
CUMANDÁ. Se eliminó la curva atípica 11.
Gráfico 18-3: Functional Bagplot de Cumandá

Gráfico 19-3: Rainbow plot de Cumandá
Gráfico 20-3: HDR plot de Cumandá

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
3.4.6 Outliers funcionales de GUANO

parroquia ILAPO, y la curva 32 perteneciente al punto de muestreo 11, de la parroquia de SAN
ISIDRO DE PATALÚ. En color silver se nota el resto de los datos funcionales. 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 15 perteneciente al punto de muestreo 6, de la parroquia SAN GERARDO, la
curva 25 perteneciente al punto de muestreo 13, de la parroquia de SAN GERARDO, y la curva
30 perteneciente al punto de muestreo 3, de la parroquia ILAPO. 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 3 perteneciente al punto de muestreo 10, de la parroquia de SAN JOSÉ DE
CHAZO, , la curva 5 perteneciente al punto de muestreo 12, de la parroquia de SAN JOSÉ DE
CHAZO, , la curva 32 perteneciente al punto de muestreo 11, de la parroquia de SAN ISIDRO
DE PATALÚ, y la curva 30 perteneciente al punto de muestreo 3, de la parroquia ILAPO, en
color silver el complemento de los datos funcionales. La función del software R,
outliers.depth.trim no identifico curvas atípicas. Se eliminó la curva atípica 30.
Gráfico 21-3: Functional Bagplot de Guano

Gráfico 22-3: Rainbow plot de Guano
Gráfico 23-3: HDR plot de Guano

Tabla 9-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Guano
GUANO
Functional Ba- 30,32
gplot
HDR plot 3,5,30,32
deph.trim.out -----------
3.4.7 Outliers funcionales de PALLATANGA

parroquia PALLATANGA, y la curva 10 perteneciente al punto de muestreo 35, de la parroquia
PALLATANGA. En color silver se nota el resto de los datos funcionales. 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 11 perteneciente al punto de muestreo 42, de la parroquia PALLATANGA, la curva 2
perteneciente al punto de muestreo 6, de la parroquia de PALLATANGA, y la curva 10
perteneciente al punto de muestreo 35, de la parroquia PALLATANGA. En el HDR boxplot se
visualiza en color negro la curva de la moda, en varios colores las curvas atípicas halladas, tal
como, la curva 10 perteneciente al punto de muestreo 35, de la parroquia PALLATANGA. en
color silver el complemento de los datos funcionales. La función del software R,
outliers.depth.trim identifica como atípicos, la curva 4 perteneciente al punto de muestreo 24, de
la parroquia de PALLATANGA. Se eliminó la curva atípica 10.
Gráfico 24-3: Functional Bagplot de Pallatanga

Gráfico 25-3: Rainbow plot de Pallatanga
Gráfico 26-3: HDR plot de Pallatanga

Tabla 10-2:Outliers Funcionales encontrados en cada uno de los métodos utilizados en Guano
PALLATANGA
Functional Ba- 7,10
gplot
HDR plot 10
deph.trim.out 4
3.4.8 Outliers funcionales de PENIPE

parroquia MATUS, la curva 3 perteneciente al punto de muestreo 3, de la parroquia MATUS,la
curva 16 perteneciente al punto de muestreo 5, de la parroquia BAYUSHIG, la curva 24
perteneciente al punto de muestreo 7, de la parroquia PUELA, la curva 25 perteneciente al
punto de muestreo 8, de la parroquia PUELA, la curva 29 perteneciente al punto de muestreo 4,
de la parroquia LA CANDELARIA, y la curva 30 perteneciente al punto de muestreo 6, de la
parroquia LA CANDELARIA. En color silver se nota el resto de los datos funcionales. 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 38 perteneciente al punto de muestreo 11, de la parroquia EL ALTÁR, la
curva 27 perteneciente al punto de muestreo 1, de la parroquia LA CANDELARIA, y la curva 3
perteneciente al punto de muestreo 3, de la parroquia MATUS. En el HDR boxplot se visualiza
en color negro la curva de la moda, en varios colores las curvas atípicas halladas, tal como, la
curva 2 perteneciente al punto de muestreo 2, de la parroquia MATUS, la curva 3 perteneciente
al punto de muestreo 3, de la parroquia MATUS, la curva 24 perteneciente al punto de muestreo
7, de la parroquia PUELA, y la curva 29 perteneciente al punto de muestreo 4, de la parroquia
LA CANDELARIA, en color silver el complemento de los datos funcionales. La función del
software R, outliers.depth.trim identifica como atípicos, la curva 4 perteneciente al punto de
muestreo 7, de la parroquia MATUS. Se eliminó la curva atípica 2,3,24 y 29.
Gráfico 27-3: Functional plot de Penipe

Gráfico 28-3: Rainbow plot de Penipe

Gráfico 29-3: HDR plot 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
HDR plot 2,3,24,29
deph.trim.out 4
3.4.9 Outliers funcionales de RIOBAMBA

parroquia QUIMIAG, la curva 17 perteneciente al punto de muestreo 31, de la parroquia
QUIMIAG, la curva 34 perteneciente al punto de muestreo 8, de la parroquia LICÁN, la curva
40 perteneciente al punto de muestreo 9, de la parroquia QUIMIAG, la curva 51 perteneciente al
punto de muestreo 39, de la parroquia PÚNGALA, la curva 67 perteneciente al punto de
muestreo 56, de la parroquia LICTO, y la curva 92 perteneciente al punto de muestreo 47, de la
parroquia CALPI. En color silver se nota el resto de los datos funcionales. 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 79 perteneciente al punto de muestreo 5, de la parroquia CUBIJÍES, la curva 17
perteneciente al punto de muestreo 31, de la parroquia QUIMIAG, la curva 89 perteneciente al
punto de muestreo 36, de la parroquia SAN JUAN. En el HDR boxplot se visualiza en color
negro la curva de la moda, en varios colores las curvas atípicas halladas, tal como, la curva 14
perteneciente al punto de muestreo 40, de la parroquia QUIMIAG, la curva 17 perteneciente al
punto de muestreo 31, de la parroquia QUIMIAG, la curva 34 perteneciente al punto de
muestreo 8, de la parroquia LICÁN, la curva 51 perteneciente al punto de muestreo 39, de la
parroquia PÚNGALA, la curva 67 perteneciente al punto de muestreo 56, de la parroquia
LICTO, la curva 88 perteneciente al punto de muestreo 34, de la parroquia SAN JUAN, y la
curva 92 perteneciente al punto de muestreo 47, de la parroquia CALPI. en color silver el
como atípicos, la curva la curva 14 perteneciente al punto de muestreo 40, de la parroquia
QUIMIAG, la curva 17 perteneciente al punto de muestreo 31, de la parroquia QUIMIAG, la
curva 51 perteneciente al punto de muestreo 39, de la parroquia PÚNGALA, la curva 40
perteneciente al punto de muestreo 9, de la parroquia QUIMIAG . Se eliminó las curvas atípicas
14,17,51.
Gráfico 30-3: Functional Bagplot de Riobamba
Gráfico 31-3: Functional Bagplot de Riobamba

Gráfico 32-3: HDR plot de Riobamba

Riobamba
RIOBAMBA
Functional Ba- 14,17,34,40,51,67,92
gplot
HDR plot 14,17,34,51,67,88,92
deph.trim.out 17,51,14,40
3.5 Análisis Descriptivo Funcional
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
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
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.
Gráfico 35-3: Media y Desviación Funcional de Chunchi

3.5.4 COLTA
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.
Gráfico 36-3: Media y Desviación Funcional de Colta

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
3.5.6 GUAMOTE
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.
Gráfico 38-3: Media y Desviación Funcional de Guamote

3.5.7 GUANO
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.
Gráfico 39-3: Media y Desviación Funcional de Guano

3.5.8 PALLATANGA
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
3.5.9 PENIPE
Penipe, la dosis promedio llega a 0,04 Sv. mientras que la desviación estándar funcional
0.01 sd.
Gráfico 41-3: Media y Desviación Funcional de Penipe

3.5.10 RIOBAMBA
Riobamba, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
0.01 sd.
Gráfico 42-3: Media y Desviación Funcional de Riobamba

3.6 REMUESTREO DE BOOSTRAP
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
Chunchi Colta
Cumandá Guamote
Guano Pallatanga
Penipe Riobamba
3.7 ANÁLISIS CLUSTER
Con el fin de profundizar en el estudio de la variabilidad de los datos, realizamos un análisis

clúster en la muestra total de la provincia de Chimborazo. Usando el paquete funfem() del
software R, obtenemos un mapa de dispersión que indican la relación de cada uno de las curvas
muestrales.
3.7.1 Número óptimo de clusters
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.
Gráfico 53-3: K-MEANS para todas las observaciones agrupadas en 4 clusters

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
Gráfico 55-3: Numeración de las curvas en el Mapa Clúster de la provincia de Chimborazo

3.7.1 Composición de los clusters
A continuación, la tabla 10-2 muestra la composición de cada clúster, para ver si en un principio
los clusters discriminan teniendo en cuenta algún aspecto de las observaciones.
Tabla 13-2: Tabla de composición de clusters

Clúster 1 Clúster 2 Clúster 3
Verde Rojo Negro
ALAUSÍ 3 31 48
CHAMBO 1 12 0
CHUNCHI 2 16 16
COLTA 0 8 28
CUMANDÁ 6 1 6
GUAMOTE 2 2 0
GUANO 2 8 44
PALLATANGA 0 3 8
PENIPE 5 13 23
RIOBAMBA 1 13 84
TOTAL 22 107 257
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.
CHAMBO tiene su gran mayoría de observaciones en el clúster 2, por esta razón se

pude afirmar que el comportamiento de Chambo es diferente a los cantones
pertenecientes a los clusters 1 y 3.
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.
COLTA presenta un comportamiento de clúster 3, aunque un moderado

comportamiento de clúster 2. Su comportamiento es totalmente diferente al tipo de
clúster 1.
CUMANDÁ presenta un comportamiento dividido para los clusters 1 y 3, por esta

razón se puede afirmar que su comportamiento es diferente a los cantones que
comparten el clúster 2.
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.
PALLATANGA en su mayoría presenta un comportamiento de clúster 3, por esta razón

se puede afirmar que su comportamiento es diferente a los cantones que tienen una
conducta relacionada a los clusters 1 y 2.
PENIPE en su mayoría presenta un comportamiento de clusters 2 y 3, por esta razón se

puede afirmar que su comportamiento es diferente a los cantones que tienen una
conducta relacionada a los clusters 1 y 2.
RIOBAMBA en su mayoría presenta un comportamiento de cluster 3, por esta razón se

puede afirmar su comportamiento es diferente a los cantones que tiene un
comportamiento de los clusters 1 y 2.
3.7.2 La variable hora de inicio en el análisis de clusters
Tabla 11-2: Tabla de composición de clusters

Clúster 1 Ver- Clúster 2
de Rojo Clúster 3 Negro
MAÑANA 9 35 60
MEDIO DIA 1 16 39
TARDE 11 57 158
TOTAL 22 107 257
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.
El CLUSTER 2 y 3 presenta una característica, sus datos fueron tomados en menor

cantidad en el medio día, al contrario del Clúster 1 que su muestreo al medio día fue
casi nulo.
Cluster 1 Cluster 2 Cluster 3

ALAUSÍ
CHAMBO
CHUNCHI
COLTA
CUMANDÁ
GUAMOTE
GUANO
PALLATAN-
GA
PENIPE
RIOBAMBA
3.8 Caracterización de los clusters
Gráfico 56-3: Caracterización grafica de los clusters

3.8.1 Clúster 1 (Verde).

Son cantones que sus dosis de radiación gamma es la más baja comparada con el resto de
cantones. Su dosis de radiación gamma va entre 0,02 Sv y 0,4 Sv. No existe ningún cantón que
sea exclusivo de este clúster. El cantón Cumandá y el cantón Guamote son los únicos cantones
pertenecientes, aunque comparten con el clúster 3 y 2, respectivamente.
3.8.2 Clúster 2 (Rojo).

Son cantones que su dosis de radiación gamma es intermedia comparada con el resto de
cantones. Su dosis de radiación gamma fluctúa entre 0,04 Sv y 0,6 Sv. Solo el cantón Chambo
es exclusivo de este clúster. El cantón Alausí, Chunchi, y Penipe pertenecen a este cluster, y al
cluster 3. El cantón Guamote pertenecen a este cluster, y al cluster 1.
3.8.3 Clúster 3 (Negro).

Son cantones que sus dosis de radiación gamma es la más alta comparada con el resto de
cantones. Su dosis de radiación gamma va entre 0,06 Sv a 0,9 Sv. Es el clúster que más
cantones exclusivos posee, Colta, Guano, Pallatanga, y Riobamba, Además comparte con
Alausí, Chunchi, y Penipe por el cluster 2. Y con el cantón Cumandá por el cluster 1.
CONCLUSIONES
Con la colaboración del Grupo de Investigación-Desarrollo para el ambiente y Cambio

Climático (GIDAC), se recopilo la información sobre la dosis de radiación gamma en la
provincia de Chimborazo. Por la masiva cantidad de datos recibidos, se afianzo la información
en una sola base, formando una matriz de 400 filas y 500 columnas, donde las filas representa el
punto de muestreo ubicado en la provincia y las columnas la dosis de radiación gamma captado
en ese segundo de tiempo. Esto ayudo a la rapidez del cálculo computacional al momento de
ejecutar los análisis.
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.
A través de análisis descriptivo de datos funcionales, observamos el comportamiento de los 10

cantones de la provincia de Chimborazo, durante el año 2021, mediante el cálculo de las curvas
medias con su respectiva banda de confianza, afirmamos que no se presentaron conductas
extrañas en la dosis de radiación, ya que no supera el 0,1 Sv, pero vale recalcar que se
eliminaron los primeros datos captados por el espectrómetro, ya que debido a su calibración,
mostraban datos extremos, nada acorde a la realidad. Las curvas de desviación típica con el fin
de dar una idea clara del comportamiento, identificando poca variabilidad en todos los cantones.
El análisis de clusters, mediante la función fun.fem(), 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. Observamos que 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 Colta, Guano, Pallatanga y Riobamba. Los niveles medios de
dosis de radiación gamma, entre 0,04 Sv a 0,06 Sv, se presentan en los cantones de Alausí,
Chunchi, y Penipe, también comparten un comportamiento parecido con el grupo 3. Los niveles
bajos de dosis de radiación gamma, entre 0,02 Sv a 0,04 Sv, se presentaron los cantones de
Cumandá y Guamote. Aunque ninguno de estos rangos de dosis supera el 0,25 Sv, que se
necesita para que la población humana comience a sentir síntomas, se hace hincapié que en los
cantones de grandes poblaciones existe una dosis mayor de radiación de gamma. A su vez se
utilizó la variable Hora de inicio del muestreo, para ver si afecta de alguna manera los
resultados antes mencionados, concluyendo que el grupo de menor dosis de radiación gamma,
tiene cerca de cero muestras tomadas al medio día, en comparación de los otros grupos, que
tuvieron muchas más muestras tomadas en ese momento del día.
RECOMENDACIONES
El GIDAC sigua brindando apoyo en proyectos relacionados en bien de la ciudadanía

chimboracense.
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.
Aplicar análisis de clusters para entender mejor el comportamiento de cualquier fenómeno,

debido a que sus métodos gráficos permiten un mejor entendimiento al lector.
BIBLIOGRAFÍA
ANEXOS
Anexo A: Aval de
Anexo A:
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 Alausí 8 5/7/2021 17 8:56:44
ALAUSÍ Pistishi 9 1/8/2021 3 9:04:53
ALAUSÍ Alausí 11 5/7/2021 29 9:20:26
ALAUSÍ Pistishi 12 1/8/2021 6 9:20:44
ALAUSÍ Pistishi 14 1/8/2021 5 9:35:48
ALAUSÍ Alausí 16 5/7/2021 50 10:04:11
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 Totoras 72 1/8/2021 12 18:11:41
ALAUSÍ Totoras 75 1/8/2021 10 18:35:12
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 Pangor 152 27/6/2021 22 16:24:46
COLTA Colta 153 1/7/2021 25 16:29:33
COLTA Colta 155 1/7/2021 22 16:57:45
COLTA Colta 157 9/7/2021 73 17:06:29
COLTA Colta 158 9/7/2021 87 17:21:42
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 Gerardo 192 15/7/2021 1 13:44:08
GUANO San Andrés 193 15/7/2021 1 13:48:10
GUANO San Andrés 196 15/7/2021 2 14:06:26
GUANO San Isidro de Patalú 198 13/8/2021 3 14:17:46
GUANO San Andrés 201 15/7/2021 7 14:27:57
GUANO San Andrés 204 15/7/2021 31 14:44:46
GUANO Ilapo 209 17/8/2021 1 15:01:56
GUANO San Andrés 210 15/7/2021 33 15:03:03
GUANO San Andrés 212 15/7/2021 37 15:16:41
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 San Andrés 224 15/7/2021 41 16:21:29
GUANO San Andrés 226 15/7/2021 44 16:35:03
GUANO San Andrés 229 15/7/2021 46 16:53:40
GUANO San Andrés 231 15/7/2021 53 17:15:25
GUANO Santa Fé de Galán 232 13/8/2021 1 18:03:54
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 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 Punín 307 9/8/2021 41 11:47:06
RIOBAMBA Lícan 309 4/8/2021 36 11:55:32
RIOBAMBA Punín 311 9/8/2021 33 12:01:36
RIOBAMBA Punín 313 9/8/2021 21 12:13:25
RIOBAMBA Punín 316 9/8/2021 20 12:26:52
RIOBAMBA Lícan 319 4/8/2021 8 12:35:44
RIOBAMBA Punín 320 9/8/2021 15 12:39:06
RIOBAMBA Punín 323 9/8/2021 16 12:52:47
RIOBAMBA Lícan 324 4/8/2021 26 12:54:54
RIOBAMBA Punín 327 9/8/2021 22 13:06:34
RIOBAMBA Lícan 328 4/8/2021 27 13:08:42
RIOBAMBA Punín 331 9/8/2021 36 13:20:24
RIOBAMBA Lícan 332 4/8/2021 79 13:27:02
RIOBAMBA Punín 335 9/8/2021 18 13:34:11
RIOBAMBA Lícan 336 4/8/2021 80 13:42:39
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 Licto 347 10/8/2021 55 14:42:41
RIOBAMBA Licto 349 10/8/2021 57 14:54:44
RIOBAMBA Licto 351 10/8/2021 56 15:08:07
RIOBAMBA Licto 353 10/8/2021 35 15:21:07
RIOBAMBA San Juan 355 3/8/2021 9 15:32:01
RIOBAMBA Licto 356 10/8/2021 12 15:33:33
RIOBAMBA Licto 359 10/8/2021 14 15:46:06
RIOBAMBA Licto 362 10/8/2021 15 15:58:25
RIOBAMBA Licto 365 10/8/2021 18 16:10:11
RIOBAMBA Licto 366 10/8/2021 41 16:25:04
RIOBAMBA Licto 368 10/8/2021 52 16:38:00
RIOBAMBA Licto 370 10/8/2021 20 16:51:27
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 Calpi 384 3/8/2021 38 9:10:19
RIOBAMBA Calpi 385 3/8/2021 39 9:23:35

Formato Bien

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Formato Bien

Uploaded by

Copyright:

Available Formats

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

ANÁLISIS ESTADISTICO EXPLORATORIO FUNCIONAL DE LA

Presentado para obtener el grado académico de:

ANÁLISIS ESTADISTICO EXPLORATORIO FUNCIONAL DE LA

Presentado para obtener el grado académico de:

AUTOR: YUNGAICELA SAGÑAY VÍCTOR ANDRÉS

DIRECTORA: ING. AMALIA ISABEL ESCUDERO VILLA

VICTOR ANDRÉS YUNGAICELA SAGÑAY

El Tribunal del Trabajo de Titulación, certifica que: El trabajo de investigación: ANÁLISIS

PRESIDENTE DEL TRIBUNAL __________________ __________________

Ing. Amalia Isabel Escudero Villa

Dra. Jenny Orbe

Este trabajo se lo dedico a Dios y a mi madre.

Agradezco a mi familia que siempre me apoya incondicionalmente. A lo largo de mi vida

Tabla 1-1: Síntomas relacionados con la radiación en Sv..............................................13

Anexo A: Aval de GRUPO DE INVESTIGACIÓN GEAA

Palabras clave: <ESTADÍSTICA>, <ANÁLISIS DE DATOS FUNCIONALES>, <CHIMBORA-

Los rayos gamma son consideradas radiaciones electromagnéticas producidas por la

A través de la estadística podemos canalizar grandes volúmenes de datos mediante distintos

El autor (Taguacundo, 2019) , aplica la metodología de datos funcionales con el fin de

1.2 Planteamiento del Problema

La globalización y el avance de la industria ha ocasionado cambios en los factores ambientales

¿Cómo se comporta la radiación gamma en la provincia de Chimborazo?

1.4.1 Justificación teórica

La aplicación de herramientas estadísticas permite una mejor explicación del funcionamiento de

1.5.1 Objetivo General

Analizar el comportamiento de los rayos gamma en el tiempo en la provincia de Chimborazo

1.5.2 Objetivos específicos

 Estructurar una base de datos según los requerimientos del análisis.

1.6.1 Análisis de datos funcionales

1.6.2 Dato Funcional

1.6.3 Variable funcional

1.6.4 Datos funcionales atípicos

1.6.5 Estadísticas descriptivas funcionales

En el campo de acción los datos funcionales se recopilan y registran de manera intermitente, en

A veces, simplemente usando interpolación simple, que consiste en un conjunto de datos

1.6.7 Bases Fourier

Otra característica importante de la serie de Fourier es la existencia de continuos:

Para r =1, … , L/2

Nosotros definimos el conjunto de todos los nodos adicionales

t −k =…=t 0 ≤ t 1 ≤ … ≤ t N ≤t N+1=…=t ( N +1)+ k ,

El primer inconveniente a la hora de aplicar el análisis de datos funcionales, es encontrar un mo-

1.6.11 Remuestreo de Bootstrap

Gran Parte de la simulación matemática trabaja con un método de remuestreo denominado

1.6.12 Análisis Clúster

Actualmente el manejo, entendimiento y análisis, de datos masivos se ha vuelto más

1.7 Bases conceptuales

Según (Salcedo, 2013) la radiación es la emisión y difusión de energía en forma de partículas y

1.7.2 Radiación gamma

La radiación gamma es la muestra de energía a través de ondas electromagnéticas de muy poco

Figura 1-1: Campo eléctrico y campo magnético

1.7.3 Efectos de la radiación en los ecosistemas

1.7.4 Radiación ionizante

1.7.5 Dosis absorbida

1.7.6 Dosis equivalente

Es el producto de la dosis absorbida por un factor de calidad mayor. La unidad de medida es el

1.7.7 Dosis efectiva

1.7.8 Límite de dosis

1.7.9 Síntomas inmediatos en la salud

Probables síntomas en seres humanos por la radiación acumulada por un día.

Tabla 1-1: Síntomas relacionados con la radiación en Sv

Fuente: National Institutes of Health

1.7.10 Detección de la radiación gamma

1.7.11 Interacciones de rayos Gamma con la materia

PRESIDENTE DEL TRIBUNAL