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
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

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
 ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA

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 CONTENIDOS

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
1.6.13 Software Estadístico R ...................................................................................... 10
1.7 Bases conceptuales ......................................................................................... 11
1.7.1 Radiación .......................................................................................................... 11
1.7.2 Radiación Gamma ............................................................................................ 11

VI
 1.7.3 Efectos de la radiación en los ecosistemas ....................................................... 12
1.7.4 Radiación ionizante .......................................................................................... 12
1.7.5 Dosis absorbida ................................................................................................ 12
1.7.6 Dosis equivalente .............................................................................................. 13
1.7.7 Dosis efectiva .................................................................................................... 13
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 Efectos biológicos de las radiaciones ionizantes .............................................. 15
1.7.13 Relación dosis-efecto ........................................................................................ 15
1.7.14 Efecto de la radiación a nivel celular ............................................................... 16
CAPITULO II ................................................................................................................. 16
2 MARCO METODOLÓGICO................................................................................. 16
2.1 Tipo de investigación ...................................................................................... 16
2.2 Diseño de la investigación no experimental ................................................... 16
2.2.1 Localización de estudio..................................................................................... 17
2.2.2 Población de estudio ......................................................................................... 17
2.2.3 Método de muestreo .......................................................................................... 18
2.2.4 Tamaño de la muestra ....................................................................................... 18
2.2.5 Técnica de recolección de datos ....................................................................... 18
2.2.6 Identificación de variables ................................................................................ 18
2.2.7 Modelo estadístico ............................................................................................ 18
2.2.8 Operacionalización de variables ...................................................................... 18
CAPITULO III ................................................................................................................ 19
3 MARCO DE RESULTADOS Y DISCUSIÓN DE RESULTADOS ..................... 19
3.1 Construcción de la base de datos .................................................................... 19
3.2 Selección de base y número de funciones ...................................................... 20
3.3 Calidad de ajuste ............................................................................................. 21
3.4 Determinación de outliers funcionales ........................................................... 24
3.4.1 Outliers funcionales de ALAUSI ....................................................................... 24
3.4.2 Outliers funcionales de CHAMBO .................................................................... 26
3.4.3 Outliers funcionales de CHUNCHI .................................................................. 27
3.4.4 Outliers funcionales de COLTA ........................................................................ 29
3.4.5 Outliers funcionales de CUMANDÁ ................................................................. 29
3.4.6 Outliers funcionales de GUANO....................................................................... 31
3.4.7 Outliers funcionales de PALLATANGA ............................................................ 33
3.4.8 Outliers funcionales de PENIPE....................................................................... 34
3.4.9 Outliers funcionales de RIOBAMBA................................................................. 36

VII
 3.5 Análisis Descriptivo Funcional ....................................................................... 37
3.5.1 Media y desviación funcional de ALAUSÍ ........................................................ 37
3.5.2 Media y desviación funcional de CHAMBO ..................................................... 37
3.5.3 Media y desviación funcional de CHUNCHI .................................................... 38
3.5.4 Media y desviación funcional de COLTA ......................................................... 38
3.5.5 Media y desviación funcional de CUMANDÁ .................................................. 39
3.5.6 Media y desviación funcional de GUAMOTE................................................... 39
3.5.7 Media y desviación funcional de GUANO ........................................................ 40
3.5.8 Media y desviación funcional de PALLATANGA ............................................. 40
3.5.9 Media y desviación funcional de PENIPE ........................................................ 41
3.5.10 Media y desviación funcional de RIOBAMBA .................................................. 41
3.6 Remuestreo de Boostrap ................................................................................. 42
3.7 Análisis Clúster ............................................................................................... 44
3.7.1 Numero óptimo de clusters ............................................................................... 44
3.7.2 Composición de los clusters .............................................................................. 46
3.8 Caracterización dé los clusters ........................................................................ 47
3.8.1 Clúster 1 (Verde)............................................................................................... 48
3.8.2 Clúster 2 (Rojo)................................................................................................. 48
3.8.3 Clúster 3 (Negro) .............................................................................................. 48
3.8.4 La variable hora de inicio en el análisis de clusters ........................................ 48
CONCLUSIONES .......................................................................................................... 49
RECOMENDACIONES ................................................................................................. 51
BIBLIOGRAFIA ............................................................................................................ 52
ANEXOS ........................................................................................................................ 55

VIII
 INDICE DE TABLAS

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

Tabla 2-3:Outliers encontrados con cada una de las técnicas en Alausí ....................... 24
Tabla 2-3: Outliers encontrados con cada una de las técnicas en Chambo ................... 26
Tabla 3-3: Outliers encontrados con cada una de las técnicas en Chunchi ................... 28
Tabla 4-3:Outliers encontrados con cada una de las técnicas en Colta ......................... 29
Tabla 5-3: Outliers encontrados con cada una de las técnicas en Cumandá ................. 30
Tabla 6-3: Outliers encontrados con cada una de las técnicas en Guano ...................... 31
Tabla 7-3: Outliers encontrados con cada una de las técnicas en Pallatanga ................ 33
Tabla 9-3: Outliers encontrados con cada una de las técnicas en Penipe ...................... 35
Tabla 10-3: Tabla de composición de clusters .............................................................. 46

IX
 ÍNDICE DE GRAFICOS

Gráfico 1-3: Número de Bases B-Spline óptimos ......................................................... 21

Gráfico 2-3: Calidad de ajuste por RMS ....................................................................... 21
Gráfico 3-3: RMS con varios Bsplines. ......................................................................... 22
Gráfico 3-3: Calidad de ajuste por RMS ....................................................................... 22
Gráfico 4-3: Curvas suavizadas de dosis de gamma en los cantones de Chimborazo .. 23
Gráfico 5-3: Functional Bagplot de Alausí .................................................................... 25
Gráfico 6-3: Rainbow plot de Alausí ............................................................................. 25
Gráfico 7-3: HDRplot de Alausí .................................................................................... 25
Gráfico 8-3: Functional Bagplot de Chambo ................................................................. 26
Gráfico 9-3: Rainbow plot de Chambo .......................................................................... 27
Gráfico 10-3: HDR plot de Chambo .............................................................................. 27
Gráfico 11-3: Functional Bagplot de Chunchi ............................................................... 28
Gráfico 12-3: Rainbow plot de Chunchi ........................................................................ 28
Gráfico 13-3: HDR plot de Chunchi .............................................................................. 29
Gráfico 17-3: Functional Bagplot de Cumandá ............................................................. 30
Gráfico 18-3: Rainbow plot de Cumandá ...................................................................... 30
Gráfico 19-3: HDR plot de Cumandá ............................................................................ 31
Gráfico 20-3: Functional Bagplot de Guano ................................................................. 32
Gráfico 21-3: Rainbow plot de Guano........................................................................... 32
Gráfico 22-3: HDR plot de Guano................................................................................. 32
Gráfico 23-3: Functional Bagplot de Pallatanga ........................................................... 33
Gráfico 24-3: Rainbow plot de Pallatanga..................................................................... 34
Gráfico 25-3: HDR plot de Pallatanga........................................................................... 34
Gráfico 26-3: Functional plot de Penipe ........................................................................ 35
Gráfico 27-3: Rainbow plot de Penipe .......................................................................... 35
Gráfico 28-3: HDR plot de Penipe ................................................................................ 36
Gráfico 32-3: Media y Desviación Funcional de Alausí ............................................... 37
Gráfico 33-3: Media y Desviación Funcional de Chambo ............................................ 38
Gráfico 34-3: Media y Desviación Funcional de Chunchi ............................................ 38
Gráfico 35-3: Media y Desviación Funcional de Colta ................................................. 39
Gráfico 36-3: Media y Desviación Funcional de Cumandá .......................................... 39
Gráfico 37-3: Media y Desviación Funcional de Guamote ........................................... 40
Gráfico 38-3: Media y Desviación Funcional de Guano ............................................... 40
Gráfico 39-3: Media y Desviación Funcional de Pallatanga ......................................... 41
Gráfico 40-3: Media y Desviación Funcional de Penipe ............................................... 41
Gráfico 41-3: Media y Desviación Funcional de Riobamba ......................................... 42
Gráfico 42-3: Banda de confianza del cantón Alausi .................................................... 42
Gráfico 43-3: Banda de confianza del cantón Chambo ................................................. 42
Gráfico 44-3: Banda de confianza del cantón Chunchi ................................................. 43
Gráfico 45-3: Banda de confianza del cantón Colta ...................................................... 43
Gráfico 46-3: Banda de confianza del cantón Cumandá ............................................... 43
Gráfico 47-3: Banda de confianza del cantón Guamote ................................................ 43
Gráfico 48-3: Banda de confianza del cantón Guano .................................................... 43
Gráfico 49-3: Banda de confianza del cantón Penipe .................................................... 43
Gráfico 50-3: Banda de confianza del cantón Pallatanga .............................................. 43
Gráfico 51-3: Banda de confianza del cantón Riobamba .............................................. 43

X
Gráfico 51-3: K-MEANS para todas las observaciones agrupadas en 4 clusters .......... 44
Gráfico 51-3: K-MEANS para todas las observaciones agrupadas en 3 clusters .......... 45
Gráfico 53-3: Numeración de las curvas en el Mapa Clúster de la provincia de
Chimborazo ..................................................................................................................... 45
Gráfico 55-3: Caracterización grafica de los clusters .................................................... 47

XI
 ÍNDICE DE FIGURAS
Figura 1-1-1: Campo eléctrico y campo magnético ...................................................... 11
Figura 1-2-1: Muestra la emisión de rayos gamma a la cara del detector ..................... 14

XII
ÍNDICE DE ANEXOS

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>,

<CHIMBORAZO>, <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
{𝑋1 , … , 𝑋𝑛 } 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 𝑥𝑖 (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:
𝑥̅ (𝑡)=𝑁 −1 ∑𝑖 𝑥𝑖 (𝑡),
Varianza funcional:

𝑉𝑎𝑟𝑥 (𝑡) = (𝑁 − 1)−1 ∑ (𝑥𝑖 (𝑡) − 𝑥̅ (𝑡))2

𝑖

Función de covarianzas

𝐶𝑜𝑣(𝑡1 , 𝑡2 ) = (𝑁 − 1)−1 ∑ [(𝑥𝑖 (𝑡1 ) − 𝑥̅ (𝑡1 ))] [𝑥𝑖 (𝑡2 ) − 𝑥̅ (𝑡2 ))]
𝑖

Función de correlación:
𝐶𝑜𝑣𝑥 (𝑡1 , 𝑡2 )
𝐶𝑜𝑟𝑟𝑥 (𝑡1 , 𝑡2 ) = ,
√𝑉𝑎𝑟𝑥 (𝑡1 )𝑉𝑎𝑟𝑥 (𝑡2 )
Función de correlación cruzada:

𝐶𝑜𝑣𝑥,𝑦 (𝑡1, 𝑡2 )
𝐶𝑜𝑟𝑟𝑥,𝑦 (𝑡1 , 𝑡2 ) =
√𝑉𝑎𝑟𝑥 (𝑡1 )𝑉𝑎𝑟𝑥 (𝑡2 )
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 observación funcional
puede llegar a ser 𝑋(𝑡) ≈ ∑𝐾
𝑘=1 𝑐𝑘 ∅𝑘 (𝑡). 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) + 𝑐2 cos(𝑤𝑡) + 3𝑠𝑒𝑛 (2𝑤𝑡) + 4𝑐𝑜𝑠 (2𝑤𝑡) + ⋯

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
∅2𝑟−1 (𝑡) = 𝑠𝑒𝑛(𝑟𝑤𝑡)
√𝑇
2
1
∅2𝑟 (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(𝑎𝑞𝑢𝑖 𝐽 = [0,1]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:

𝐷𝑚 ∅0 (𝑡) = 0, 𝑚 ≥ 1

𝑚𝜋
𝐷𝑚 ∅2𝑟−1 (𝑡) = (𝑟𝑤)𝑚 𝑠𝑒𝑛 (𝑟𝑤𝑡 + ),𝑚 ≥ 0
2𝑤

𝑚𝜋
𝐷𝑚 ∅2𝑟 (𝑡) = (𝑟𝑤)𝑚 cos (𝑟𝑤𝑡 + ),𝑚 ≥ 0
2𝑤

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 cualquier
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
polinomiales 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 bases
de funciones Splines son las funciones potencias, de base truncada, M-Spline y Spline naturales.
(Boor , 2001, p. 34)

1.6.9 B-Splines

Según (Boor , 2001), el método recursivo para construir los B-Splines es el siguiente: al principio
iniciamos con una secuencia de nodos, es decir , una secuencia que no decrece t = (ti) de N+2
valores reales llamados “nodos” tal que:
 𝑡0 ≤ 𝑡1 ≤ ⋯ ≤ 𝑡𝑁+1

Nosotros definimos el conjunto de todos los nodos adicionales

𝑡−𝑘 = ⋯ = 𝑡0 ≤ 𝑡1 ≤ ⋯ ≤ 𝑡𝑁 ≤ 𝑡𝑁+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 𝑡𝑖 son
identificados por 𝑖 = 0, … , 𝑁 + 2𝑘 + 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
optimiza 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

modelo 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
correcto 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).

1.6.13 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
comunidad sin ningún tipo de costo. La gran variedad de técnicas estadísticas hace de R, un
instrumento indispensable para el manejo de información en la actualidad, debido a la inmensa
cantidad de datos con los que se trabaja.
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 vitales
y estructura ósea, alterando su integridad molecular. Puede ocasionarse a largo o a corto plazo.
(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. También
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 material
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
resultado el mutante requerido.

Figura 1-1: Campo eléctrico y campo magnético

Fuente: Rojas, Katherine. 2009
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
armamentista entre la Unión Soviética y los Estados Unidos A mediados del siglo pasado se ha
popularizado 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 vegetación, 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 Espectrometría gamma

La espectrometría gamma es una técnica que consiste en la obtención del espectro de las
radiaciones gamma emitidas por los radionucleoides o isotopos radioactivos. Se basa en en la
respuesta de un tele detector, y tiene la ventaja de ser una técnica 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.
(Rodríguez, et al., 2004)

1.7.6 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)
1.7.7 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)

1.7.8 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).

1.7.9 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.

1.7.10 Síntomas inmediatos en la salud

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

Tabla 1-1:Síntomas en el ser humano 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, además, daños
en la medula ósea, ganglios linfáticos o el
bazo.
1 - 3 Sv Náuseas entre leves y agudas, pérdida de
apetito, tipos de infección , pérdida de
médula ósea más severa, así como daños en
ganglios linfáticos, bazo, con recuperación
casi nula.
3 - 6 Sv Náusea severa, hemorragias, tipos de
infección, diarrea, descamación, esterilidad,
y muerte 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

1.7.11 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 máxima igual
a la energía de la misma manera que cualquier otro electrón rápido. Debido al hecho de que los
fotones son invisibles para el detector, un detector debe tener un par de funciones específicas, la
primera es actuar como un medio en el que se tendrá una muy alta probabilidad de que un rayo
gamma incidente interactúe dentro de ese medio, la segunda función es para detectar con mayor
precisión los electrones rápidos que se crean (Raya, 2021, p. 4).

Figura 2-1: Muestra la emisión de rayos gamma a la cara del detector

Fuente: (Raya,2021)
1.7.12 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).

1.7.13 Efectos biológicos de las radiaciones ionizantes

El efecto dañino de niveles reducidos de radiación en la salud humana ha sido estudiado por
mucho tiempo. Dependiendo de muchos parámetros complejos, cuando la radiación ionizante
transfiere energía a un sistema biológico, provocará uno o más resultados finales. La incidencia
general y/o la severidad del resultado final estarán relacionadas con la dosis absorbida por el
sistema. Para organismos complejos como el humano, hay dos tipos de efectos relacionados con
la dosis: somáticos y genéticos. El daño somático se refiere al daño ocurrido en los tejidos del
individuo irradiado, mientras que el daño genético se refiere al daño que afectará las generaciones
futuras (Nuñez, 2008, p. 1).

1.7.14 Relación dosis-efecto

Los efectos somáticos: involucran primariamente a las células diploides. El efecto somático se
manifestará en el individuo que absorbe la dosis de radiación, pudiendo clasificarse en dos tipos:
efectos de relativa certeza (efectos determinísticos) y los que ocurren al azar o estocásticos
(efectos no determinísticos). Los efectos determinísticos involucran altas dosis sobre porciones
grandes del cuerpo. Los efectos determinísticos se pueden categorizar en efectos tempranos y
tardíos. Los efectos tempranos ocurren dentro del primer año de la exposición y están relacionados
con el número de células muertas, la reparación del daño producido y la tasa de recambio de la
línea celular irradiada. Algunos ejemplos incluyen el eritema, la caída del pelo, la neumonitis
rádica y la enfermedad de radiación. Los efectos determinísticos tempranos pueden ser alterados
fraccionando la dosis o administrándola en una infusión continua pero lentamente; en general un
tejido puede soportar una dosis mucho mayor si ésta es fraccionada. o Los efectos tardíos ocurren
luego del año de recibida la dosis, están relacionados con el daño inicial producido por la dosis y
el deterioro debido a los mecanismos de reparación. Algunos ejemplos incluyen la queratosis, la
fibrosis pulmonar y las cataratas. Los efectos determinísticos tardíos son menos influenciados por
fraccionamiento de la dosis y serán proporcionales a la dosis total. Los efectos no determinísticos
ocurren a niveles bajos de exposición a la radiación, en cuyo caso el daño será estocástico o
estadístico en naturaleza: es posible predecir la proporción de una población dada de personas
expuestas que será afectada, pero imposible predecir precisamente qué individuo en particular
sucumbirá. No existe una dosis umbral demostrable y el daño se presenta como un pequeño
incremento en la incidencia normal o espontánea y se expresa luego de un largo período de
latencia (Nuñez, 2008, p. 1).

1.7.15 Efecto de la radiación a nivel celular

La radio sensibilidad del tejido depende de varios factores. De acuerdo con los primeros
radiobiólogos, la respuesta del tejido a la radiación es función de: el número de células
indiferenciadas en el tejido, el número de células mitóticas activas, la cantidad de tiempo que las
células permanecen activas en proliferación. No está claro por qué la falta de diferenciación
celular resulta en radio sensibilidad. Ha sido demostrado que las células indiferenciadas o en
proceso de diferenciación son fácilmente destruidas por la radiación. Cuanto más tiempo las
células permanecen en proliferación activa, mayor es la sensibilidad a la radiación (Nuñez, 2008,
p. 2).

CAPITULO II

2 MARCO METODOLÓGICO

2.1 Tipo de 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.

Figura 3-2: Mapa de la provincia de Chimborazo con 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.

2.2.8 Operacionalización de variables

Tabla 1-2: Variable operalizada.
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 del
gamma efecto sobre la salud de bajos niveles
de radiación ionizante en el cuerpo
humano
Elaborado por: Yungaicela Víctor, 2022
CAPITULO III

3 MARCO DE RESULTADOS Y DISCUSIÓN DE RESULTADOS

3.1 Construcción de la base de datos

Con la información proporcionada por el GIDAC, primero se ordenó las bases de datos, ya que,
como toda tecnología recolectora de datos, presenta ciertos inconvenientes, que el investigador
es encargado de resolverlas. La base de datos consta de 7 variables cualitativas informativas que
son cantón, parroquia, coordenada X, coordenada Y, fecha, punto de muestreo, y la hora en que
se comenzó el proceso de muestreo. A continuación, los datos recolectados de la dosis de
radiación perteneciente a cada punto, con un total de 500 segundos. Se optó por esa cantidad de
segundos, porque desde ese punto la curva funcional ya nos brinda resultados fiables, además del
coste computacional y la rapidez de los cálculos en R.

Tabla 1-3: Construcción de la base de datos

Cantón Parroquia X Y Fecha Punto Hora de Inicio Segundo 1 Segundo 2 … Segundo 500

ALAUSÍ Alausí 739543 9756498 5/7/2021 52 6:54:15 0,08 0,07 0,07

ALAUSÍ Alausí 739259 9756414 5/7/2021 44 7:28:33 0,12 0,01 0,05
ALAUSÍ Alausí 739487 9756688 5/7/2021 20 7:45:40 0,05 0,05 0,05
ALAUSÍ Pistishi 765269 9818578 1/8/2021 7 8:17:04 0,04 0,04 0,05
ALAUSÍ Alausí 739360 9757213 5/7/2021 2 8:18:04 0,06 0,07 0,02
ALAUSÍ Achupallas 748143 9747552 12/7/2021 5 8:40:40 0,11 0,01 0,07

ALAUSÍ Pistishi 735774 9750995 1/8/2021 4 8:48:45 0,02 0,05 0,06

ALAUSÍ Achupallas 748186 9747532 12/7/2021 7 8:53:21 0,10 0,07 0,09
ALAUSÍ Alausí 739360 9757213 5/7/2021 17 8:56:44 0,08 0,07 0,06
ALAUSÍ Pistishi 735915 9750948 1/8/2021 3 9:04:53 0,02 0,04 0,03
ALAUSÍ Achupallas 748255 9747539 12/7/2021 6 9:06:40 0,14 0,08 0,07

ALAUSÍ Alausí 739164 9756736 5/7/2021 29 9:20:26 0,04 0,06 0,05

ALAUSÍ Pistishi 736047 9751071 1/8/2021 6 9:20:44 0,04 0,08 0,06
ALAUSÍ Achupallas 748171 9747358 12/7/2021 9 9:27:27 0,03 0,01 0,05
ALAUSÍ Pistishi 736108 9750961 1/8/2021 5 9:35:48 0,01 0,02 0,04
ALAUSÍ Achupallas 748256 9747353 12/7/2021 11 9:53:41 0,05 0,08 0,05
ALAUSÍ Alausí 739543 9756498 5/7/2021 50 10:04:11 0,05 0,11 0,07
ALAUSÍ Achupallas 748013 9747362 12/7/2021 12 10:08:26 0,03 0,01 0,08
ALAUSÍ Alausí 739492 9756230 5/7/2021 69 10:46:59 0,04 0,10 0,08
ALAUSÍ Alausí 739324 9756229 5/7/2021 68 11:03:11 0,05 0,07 0,07
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
RIOBAMBA Calpi 750342 9818835 3/8/2021 14 19:19:41 0,05 0,09 0,06
RIOBAMBA Calpi 750444 9818685 3/8/2021 19 19:32:36 0,01 0,06 0,06
 RIOBAMBA Punín 760927 9804871 9/8/2021 12 13:48:41 0,09 0,11 0,09
RIOBAMBA Cubijies 767928 9818702 5/8/2021 1 16:19:35 0,14 0,11 0,09
RIOBAMBA Calpi 751254 9818128 3/8/2021 38 9:10:19 0,06 0,06 0,07
RIOBAMBA Calpi 751322 9818092 3/8/2021 39 9:23:35 0,01 0,04 0,04
Realizado por: Yungaicela, Víctor. 2022

La tabla 2-3 muestra un resumen general de los cantones y su totalidad de muestras tomadas en
cada uno de ellos.

Tabla 2-3: Cantones y puntos de muestra

CANTONES PUNTOS
ALAUSÍ 84
CHAMBO 14
CHUNCHI 35
COLTA 37
CUMANDÁ 14
GUAMOTE 4
GUANO 55
PALLATANGA 12
PENIPE 44
RIOBAMBA 101
Realizado por: Yungaicela, Víctor. 2022

Debido a que el equipo de recolección de la información presento problemas de calibración de

decidió eliminar los primeros segundos de la muestra, en todos los puntos. Existían puntuaciones
demasiadas altas que ya no eran consideradas normales, solo por los primeros segundos, después
el equipo trabajo de manera correcta. Es importante darnos cuenta de este tipo de situaciones a la
hora de tratar la base datos, ya que esto distorsiona los resultados finales.

3.2 Selección de base y número 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 dosis de radiación gamma 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 1-3: 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 2-3: 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.

Con la ayuda de la función 𝑝𝑙𝑜𝑡𝑓𝑖𝑡. 𝑓𝑑( ) se puede observar algunos ejemplos RMS, con bspline
15,17,21,25,27,35,37,41, el mejor RMS sigue siendo el número de bases optimo igual a 43.

Gráfico 3-3: RMS con varios Bsplines.

Realizado por: Yungaicela, Víctor.2022

Gráfico 4-3: Calidad de ajuste por RMS

Realizado por: Yungaicela, Víctor.2022
Gráfico 5-3: Curvas suavizadas de dosis de gamma en los cantones de Chimborazo
Realizado por: Yungaicela Vìctor,2022
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.

Tabla 1-3:Outliers encontrados con cada una de las técnicas 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
Realizado por: Yungaicela, Víctor.2022

Gráfico 6-3: Functional Bagplot de Alausí

Realizado por: Yungaicela, Víctor.2022

Gráfico 7-3: Rainbow plot de Alausí

Realizado por: Yungaicela, Víctor.2022

Gráfico 8-3: HDRplot de Alausí

Realizado por: Yungaicela, Víctor.2022
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.

Tabla 2-3: Outliers encontrados con cada una de las técnicas en Chambo
CHAMBO
Functional Bagplot 14
Rainbow plot 6,9,14
HDR plot 14
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022

Gráfico 9-3: Functional Bagplot de Chambo

Realizado por: Yungaicela, Víctor.2022
 Gráfico 10-3: Rainbow plot de Chambo
Realizado por: Yungaicela, Víctor.2022

Gráfico 11-3: HDR plot de Chambo

Realizado por: Yungaicela, Víctor.2022

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.

Tabla 3-3: Outliers encontrados con cada una de las técnicas en Chunchi
CHUNCHI
Functional Bagplot 22,30
Rainbow plot 29,5,30
HDR plot 4,30,22
deph.trim.out 22,30
Realizado por: Yungaicela, Víctor.2022

Gráfico 12-3: Functional Bagplot de Chunchi

Realizado por: Yungaicela, Víctor.2022

Gráfico 13-3: Rainbow plot de Chunchi

Realizado por: Yungaicela, Víctor.2022
 Gráfico 14-3: HDR plot de Chunchi
Realizado por: Yungaicela, Víctor.2022

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.

Tabla 4-3:Outliers encontrados con cada una de las técnicas en Colta

COLTA
Functional Bagplot ---------------
Rainbow plot 30,13,11
HDR plot 11,24,31
deph.trim.out 11
Realizado por: Yungaicela, Víctor.2022

3.4.5 Outliers funcionales de CUMANDÁ

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 complemento de los datos
funcionales. La función del software R, outliers.depth.trim identifica como atípicos, la curva 11
perteneciente al punto de muestreo 59, de la parroquia de CUMANDÁ. Se eliminó la curva atípica
11.
Tabla 5-3: Outliers encontrados con cada una de las técnicas en Cumandá
CUMANDÁ
Functional Bagplot 6,11
Rainbow plot 3,9,11
HDR plot 11
deph.trim.out 11
Realizado por: Yungaicela, Víctor.2022

Gráfico 15-3: Functional Bagplot de Cumandá

Realizado por: Yungaicela, Víctor.2022

Gráfico 16-3: Rainbow plot de Cumandá

Realizado por: Yungaicela, Víctor.2022
 Gráfico 17-3: HDR plot de Cumandá
Realizado por: Yungaicela, Víctor.2022

3.4.6 Outliers funcionales de GUANO

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 30 perteneciente al punto de muestreo 3, de la
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.

Tabla 6-3: Outliers encontrados con cada una de las técnicas en Guano
GUANO
Functional Bagplot 30,32
Rainbow plot 15,25,30
HDR plot 3,5,30,32
deph.trim.out -----------
Realizado por: Yungaicela, Víctor.2022
Gráfico 18-3: Functional Bagplot de Guano
Realizado por: Yungaicela, Víctor.2022

Gráfico 19-3: Rainbow plot de Guano

Realizado por: Yungaicela, Víctor.2022

Gráfico 20-3: HDR plot de Guano

Realizado por: Yungaicela, Víctor.2022
3.4.7 Outliers funcionales de PALLATANGA

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 7 perteneciente al punto de muestreo 38, de la
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.

Tabla 7-3: Outliers encontrados con cada una de las técnicas en Pallatanga
PALLATANGA
Functional Bagplot 7,10
Rainbow plot 11,2,10
HDR plot 10
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022

Gráfico 21-3: Functional Bagplot de Pallatanga

Realizado por: Yungaicela, Víctor.2022
 Gráfico 22-3: Rainbow plot de Pallatanga
Realizado por: Yungaicela, Víctor.2022

Gráfico 23-3: HDR plot de Pallatanga

Realizado por: Yungaicela, Víctor.2022

3.4.8 Outliers funcionales de PENIPE

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 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 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.

Tabla 8-3: Outliers encontrados con cada una de las técnicas en Penipe
PENIPE
Functional Bagplot 2,3,16,24,25,29,30
Rainbow plot 38,27,3
HDR plot 2,3,24,29
deph.trim.out 4
Realizado por: Yungaicela, Víctor.2022

Gráfico 24-3: Functional plot de Penipe

Realizado por: Yungaicela, Víctor.2022

Gráfico 25-3: Rainbow plot de Penipe

Realizado por: Yungaicela, Víctor.2022
 Gráfico 26-3: HDR plot de Penipe
Realizado por: Yungaicela, Víctor.2022

3.4.9 Outliers funcionales de RIOBAMBA

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 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 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 complemento de los datos funcionales. La
función del software R, outliers.depth.trim identifica 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.

Tabla 10-3: Outliers encontrados con cada una de las técnicas en Riobamba
RIOBAMBA
Functional Bagplot 14,17,34,40,51,67,92
Rainbow plot 79,89,17
HDR plot 14,17,34,51,67,88,92
deph.trim.out 17,51,14,40
Realizado por: Yungaicela, Víctor.2022

3.5 Análisis Descriptivo Funcional

3.5.1 Media y desviación funcional de 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 27-3: Media y Desviación Funcional de Alausí

Realizado por: Yungaicela, Víctor.2022

3.5.2 Media y desviación funcional de 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 28-3: Media y Desviación Funcional de Chambo

Realizado por: Yungaicela, Víctor.2022

3.5.3 Media y desviación funcional de 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 29-3: Media y Desviación Funcional de Chunchi

Realizado por: Yungaicela, Víctor.2022

3.5.4 Media y desviación funcional de 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 30-3: Media y Desviación Funcional de Colta
Realizado por: Yungaicela, Víctor.2022

3.5.5 Media y desviación funcional de CUMANDÁ

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 31-3: Media y Desviación Funcional de Cumandá

Realizado por: Yungaicela, Víctor.2022

3.5.6 Media y desviación funcional de GUAMOTE

En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Guamote, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta gran variabilidad comparado con el resto de los cantones, con valores que oscilan entre
0.0 sd y 0.02 sd.
 Gráfico 32-3: Media y Desviación Funcional de Guamote
Realizado por: Yungaicela, Víctor.2022

3.5.7 Media y desviación funcional de GUANO

En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Cumandá, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta poca variabilidad con respecto de la media, con valores que oscilan entre 0.01 sd y 0.015
sd.

Gráfico 33-3: Media y Desviación Funcional de Guano

Realizado por: Yungaicela, Víctor.2022

3.5.8 Media y desviación funcional de PALLATANGA

En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Pallatanga, la dosis promedio llega a 0,04 Sv. mientras que la desviación estándar funcional
presenta mínima variabilidad con respecto de la media, con valores que oscilan alrededor de 0.01
sd. Se observa un repunte de variabilidad al final de los 500 segundos.

Gráfico 34-3: Media y Desviación Funcional de Pallatanga

Realizado por: Yungaicela, Víctor.2022

3.5.9 Media y desviación funcional de PENIPE

En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón Penipe,
la dosis promedio llega a 0,04 Sv. mientras que la desviación estándar funcional presenta mínima
variabilidad con respecto de la media, con valores que oscilan alrededor de 0.01 sd.

Gráfico 35-3: Media y Desviación Funcional de Penipe

Realizado por: Yungaicela, Víctor.2022

3.5.10 Media y desviación funcional de RIOBAMBA

En la gráfica se observa los valores medios de la dosis de radiación gamma para el cantón
Riobamba, la dosis promedio llega a 0,06 Sv. mientras que la desviación estándar funcional
presenta mínima variabilidad con respecto de la media, con valores que oscilan alrededor de 0.01
sd. Observas una pequeña anomalía al comienzo del muestreo, debido a la calibración del
espectrómetro.

Gráfico 36-3: Media y Desviación Funcional de Riobamba

Realizado por: Yungaicela, Víctor.2022

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 37-3: Banda de confianza del cantón Gráfico 38-3: Banda de confianza del cantón
Alausi Chambo
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
Gráfico 39-3: Banda de confianza del cantón Gráfico 40-3: Banda de confianza del cantón
Chunchi Colta
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022

Gráfico 41-3: Banda de confianza del cantón Gráfico 42-3: Banda de confianza del cantón
Cumandá Guamote
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022

Gráfico 43-3: Banda de confianza del cantón Gráfico 45-3: Banda de confianza del cantón
Guano Pallatanga
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022

Gráfico 44-3: Banda de confianza del cantón Gráfico 46-3: Banda de confianza del cantón
Penipe Riobamba
Realizado por: Yungaicela, Víctor.2022 Realizado por: Yungaicela, Víctor.2022
3.7 Análisis Clúster

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 Numero 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 47-3: K-MEANS para todas las observaciones agrupadas en 4 clusters

Realizado por: Yungaicela, Víctor.2022

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 48-3: K-MEANS para todas las observaciones agrupadas en 3 clusters
Realizado por: Yungaicela, Víctor.2022

Gráfico 49-3: Numeración de las curvas en el Mapa Clúster de la provincia de Chimborazo

Realizado por: Yungaicela, Víctor.2022
3.7.2 Composición de los clusters

A continuación, la tabla 10-3 muestra la composición de cada clúster, para ver si en un principio
los clusters discriminan teniendo en cuenta algún aspecto de las observaciones.

Tabla 9-3: 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
Realizado por: Yungaicela, Víctor.2022

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 clúster 3, por esta razón se puede

afirmar su comportamiento es diferente a los cantones que tiene un comportamiento de los clusters
1 y 2.

3.8 Caracterización dé los clusters

Tabla 11-3: Tabla de composición de clusters por color

Clúster 1 Clúster 2 Clúster 3
ALAUSÍ
CHAMBO
CHUNCHI
COLTA
CUMANDÁ
GUAMOTE
GUANO
PALLATANGA
PENIPE
RIOBAMBA

A través de la función FUNHDDC, del paquete fda.usc obtuvimos el Grafico 55-3. Para hallar
esta grafica necesitamos encontrar el mejor modelo. Para ello en el parámetro model, elegimos la
opción “All”, que lo que hace es buscarnos el modelo óptimo al cual se ajuste nuestros datos
funcionales. El modelo seleccionado fue el “ABQKDK”, k = 3.

Gráfico 50-3: Caracterización grafica de los clusters

Realizado por: Yungaicela, Víctor.2022
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.

3.8.4 La variable hora de inicio en el análisis de clusters

Se decidió para este estudio utilizar la variable Hora de inicio, para ver si tiene alguna relación a
la hora de agruparse los clusters. Los muestreos se realizaron a lo largo del día, y los separamos
en 3 momentos, mañana, medio día y tarde. La tabla 11-3presenta los resultados.

Tabla 11-3: Tabla de composición de clusters

Clúster 1 Verde Clúster 2 Rojo Clúster 3 Negro
MAÑANA 9 35 60
MEDIO DIA 1 16 39
TARDE 11 57 158
TOTAL 22 107 257
Realizado por: Yungaicela, Víctor.2022

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.
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.
BIBLIOGRAFIA

BOOR , CARL. 2001. A practical guide to splines. Veintisiete. Springer-Verlag New

York : Springer, 2001.

CARRASCO, JOSÉ. 2003. Radiaciones ionizantes y no ionizantes. Aplicaciones y

riesgos. [En línea] 09 de 04 de 2003. [Citado el: 08 de 03 de 2022.]
https://www.academia.edu/30308142/RADIACIONES_IONIZANTES_Y_NO_
IONIZANTES_APLICACIONES_Y_RIESGOS_Actualizado_Abril_2003.

DIEHL, ROLAND. 2000. Gamma-Ray Production and Absorption. [En línea] 21 de 11

de 2000. [Citado el: 08 de 03 de 2022.]
http://integral.esac.esa.int/gamma_ray_astronomy.pdf.

ESTRUCPLAN. 2000. estrucplan. [En línea] 2000. [Citado el: 05 de 03 de 2022.]

https://estrucplan.com.ar/la-radiacion-gamma-y-sus-aplicaciones/.

FERRATY, FRÉDÉRIC Y VIEU, PHILIPPE. 2006. Nonparametric Functional Data

Analysis. Primera. New York : Springer, 2006.

FUSTER, Mª ANGELES. 2021. “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. [En línea] 04 de 06
de 2021. [Citado el: 08 de 03 de 2022.]
https://roderic.uv.es/bitstream/handle/10550/79981/Tesis%20completa%20defin
itiva%2026-06-21.pdf?sequence=1.

GARCIA-ESCUDERO, LUIS Y GORDALIZA, ALFONSO. 2005. A Proposal for

Robust Curve Clustering. [En línea] 24 de 11 de 2005. [Citado el: 10 de 03 de
2022.] https://doi.org/10.1007/s00357-005-0013-8.

GARZÓN, DIEGO, ROA, MÁXIMO Y RAMÍREZ, ANGÉLICA. 2008. Factores que

influyen en el crecimiento endocondral: experimentos y modelos. [En línea] 22
de 06 de 2008. [Citado el: 08 de 03 de 2022.]
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-
215X2008000100006.

GIRALDO, RAMÓN. 2007. Análisis exploratorio de variables regionalizadas. [En

línea] 02 de Junio de 2007. [Citado el: 07 de 03 de 2022.]
https://www.redalyc.org/pdf/899/89930108.pdf.

GIRALDO, RAMÓN, DELICADO, PEDRO Y MATEU, JORGE. 2010. Continuous

Time-Varying Kriging for Spatial Prediction of Functional Data: An
Environmental Application. [En línea] 14 de 03 de 2010. [Citado el: 07 de 03 de
2022.] https://www.researchgate.net/publication/33422356_Continuous_Time-
Varying_Kriging_for_Spatial_Prediction_of_Functional_Data_An_Environment
al_Application.
IBAÑEZ, JULIO. 2018. Análisis cluster aplicado al ambito agronomo para estudiar el
comportamiento de nuevos tipos de compost. [En línea] 22 de 11 de 2018. [Citado
el: 10 de 03 de 2022.]
http://dspace.umh.es/bitstream/11000/6360/1/EST_TFG_Iba%C3%B1ez_Perea_
Julio_Alberto.pdf.

INEC. 2010. Instituto Nacional de Estadística y Censos. [En línea] 2010. [Citado el: 09
de 03 de 2022.] www.ecuadorencifras.gob.ec. .

KOKOSZKA, PIOTR Y REIMHERR, MATTHEW. 2017. Introduction to

Functional Data Analysis. Primera. Boca Raton : Chapman and Hall/CRC, 2017.

MENESES, ANTONIO, ZUÑIGA, LOURDES Y HARO, ARQUIMIDES. 2016.

Metodo Bootstrap propuesto para hipótesis concernientes a la diferencia de
medias en variables independientes. [En línea] 09 de 12 de 2016. [Citado el: 08
de 03 de 2022.]
http://ceaa.espoch.edu.ec:8080/revista.perfiles/faces/Articulos/Perfiles17Art8.pd
f.

MILLÁN, LAURA. 2017. Outliers de datos funcionales para la detección de caudales

anómalos en el sector hidraúlico. [En línea] 01 de 04 de 2017. [Citado el: 07 de
03 de 2022.]
http://repositori.uji.es/xmlui/bitstream/handle/10234/174477/TFM_2017_Millan
_Roures_Laura.pdf?sequence=1.

MORILLO, MARÌA DEL CARMEN. 2009. Estimaciòn penalizada con datos

funcionales. [En línea] 12 de 09 de 2009. [Citado el: 09 de 03 de 2022.]
https://masteres.ugr.es/moea/pages/tfm0809/estimacin-penalizada-con-datos-
funcionales.

NUÑEZ, MARGARITA. 2008. Efectos Biológicos de las Radiaciones - Dosimetría. [En

línea] 03 de 12 de 2008. [Citado el: 10 de 03 de 2022.]
https://www.alasbimn.net/comites/tecnologos/material/Efectos_biologicos_de_l
as_radiaciones.pdf.

NURILMALA, FEBI, Y OTROS. 2016. Somaclonal variation induction of Bogor taro

(Colocasia esculenta) by gamma irradiation. [En línea] 03 de 11 de 2016. [Citado
el: 08 de 03 de 2022.]
https://www.researchgate.net/publication/312008263_Somaclonal_variation_ind
uction_of_Bogor_taro_Colocasia_esculenta_by_gamma_irradiation.

PEÑAFIEL, PABLO. 2021. Análisis estadístico funcional de la reflectancia obtenida

mediante imágenes satelitales y espectroradiometro del cultivo de quinua en
Colta. [En línea] 15 de Junio de 2021. [Citado el: 07 de 03 de 2022.]
http://dspace.espoch.edu.ec/handle/123456789/14809.

PLAZOLA, RODRIGO. 2013. Monitoreo de datos funcionales. [En línea] 22 de 12 de

2013. [Citado el: 10 de 03 de 2022.]
https://cimat.repositorioinstitucional.mx/jspui/bitstream/1008/463/1/TE_1518.pd
f.
RAMSAY, O Y SILVERMAN, W. 2005. Functional Data Analysis. Segunda. New
York : Springer, 2005.

RANGEL, URREA. 2016. Aplicación de la irradiación gamma. [En línea] 08 de 12 de

2016. [Citado el: 06 de 03 de 2022.]
http://www.inin.gob.mx/Transparencia/irradiacion_gamma.cfm.

RAYA, ISAÍ. 2021. Análisis de un espectro de rayos gamma utilizando detectores de

germanio de alta pureza. [En línea] 03 de 11 de 2021. [Citado el: 09 de 03 de
2022.]
http://bibliotecavirtual.dgb.umich.mx:8083/xmlui/bitstream/handle/DGB_UMIC
H/6369/FISMAT-M-2021-1449.pdf?sequence=1.

RODRÍGUEZ, ROSA, CAPA, AGUEDA Y LOZANO, ADELAIDA. 2004.

Meteorología y Climatología. Primera. Madrid : Fundación Española para la
Ciencia y la Tecnología, 2004.

ROJAS, KATHERINE. 2009. Radiación Electromagnética. [En línea] 24 de 04 de 2009.

[Citado el: 08 de 03 de 2022.]
https://repository.upb.edu.co/bitstream/handle/20.500.11912/432/digital_17516.
pdf?sequence=1.

SALCEDO, CARLOS. 2013. Diseño de un detector de rayos x y rayos gamma para

aplicaciones de radiografía industrial. [En línea] 13 de Agosto de 2013. [Citado
el: 06 de 03 de 2022.]
https://tesis.pucp.edu.pe/repositorio/bitstream/handle/20.500.12404/5307/SALC
EDO_CARLOS_DISE%c3%91O_DETECTOR_RAYOS_X_GAMMA_APLIC
ACIONES_RADIOGRAFIA_INDUSTRIAL.pdf?sequence=1&isAllowed=y.

ESCUDERO, AMALIA, Y OTROS. 2016. Spline Cúbico para el Tratamiento

Funcional de la Radiación Solar Global. 10.4067/S0718-07642016000200018 ,
2016, Scielo, Vol. 27, págs. 153-162.

STALTER, RICHARD Y HOWARTH, DIANELLA. 2012. Gamma Radiation. [En

línea] 03 de 2012. [Citado el: 08 de 03 de 2022.]
https://www.researchgate.net/publication/221929415_Gamma_Radiation.

TAGUACUNDO, OSCAR. 2019. Componentes principales funcionales de la radiación

solar global de la provincia de Chimborazo, 2014-2017. [En línea] 15 de
Noviembre de 2019. [Citado el: 08 de 03 de 2022.]
http://dspace.espoch.edu.ec/handle/123456789/13600.

VENEGAS, GUSTAVO Y RÍOS, WILMER. 2017. Método de Cluster Jerárquicos

para Datos Funcionales Multivariados: Una Aplicación en Mercadeo. [En línea]
03 de 06 de 2017. [Citado el: 10 de 03 de 2022.]
https://repository.usta.edu.co/jspui/bitstream/11634/12525/1/2018gustavovenega
s.pdf.
ANEXOS
ANEXO A

CODIGO EN R

###################################
## DATOS FUNCIONALES DOSIS DE GAMMA ##
###################################
## LIBRERIAS NECESARIAS ##
library(readr)
library(fda)

## Loading required package: splines

## Loading required package: Matrix

## Loading required package: fds

## Loading required package: rainbow

## Loading required package: MASS

## Loading required package: pcaPP

## Loading required package: RCurl

## Loading required package: deSolve

##
## Attaching package: 'fda'

## Loading required package: nlme

## This is mgcv 1.8-38. For overview type 'help("mgcv-package")'.

## -------------------------------------------------------------------
---------------
## Functional Data Analysis and Utilities for Statistical Computing
## fda.usc version 2.0.2 (built on 2020-02-17) is now loaded
## fda.usc is running sequentially usign foreach package
## Please, execute ops.fda.usc() once to run in local parallel mode
## Deprecated functions: min.basis, min.np, anova.hetero, anova.onefa
ctor, anova.RPm
## New functions: optim.basis, optim.np, fanova.hetero, fanova.onefac
tor, fanova.RPm
## -------------------------------------------------------------------
---------------

library(rainbow)
library(fdANOVA)
library(readxl)
data <- read_excel("C:/Users/59398/Documents/rgr/datos.xlsx")
datoschimborazo<-data.frame(lapply(data, as.numeric),stringsAsFactors
= FALSE)
FLEXTRK<-as.matrix(datoschimborazo)

## VECTOR CON LOS INSTANTES DE TIEMPO ##

Tiempo_segundos<-seq(1,500,1)
## CREACIÓN DE LAS FUNCIONES BSPLINE Y REPRESENTACIÓN ##
basisobjflex<-create.bspline.basis(c(min(Tiempo_segundos),max(Tiempo_s
egundos)),nbasis = 43)
plot(basisobjflex,main = "")

## OBTENCIÓN DE LOS DATOS FUNCIONALES Y REPRESENTACIÓN ##

## MUESTRA TOTAL ##
gammaChimborazo=Data2fd(Tiempo_segundos,FLEXTRK,basisobjflex)
plot.fd(gammaChimborazo,col="blue",main="",ylab="Radiación Gamma (Sv)"
,xlab="Tiempo (segundos)",ylim = c(0.02,0.3))

##########################
## CALIDAD DEL AJUSTE ##
##########################
## CALIDAD DEL AJUSTE MEDIANTE FNS BASE B-SPLINES ##
for (i in 1:400) {
plotfit.fd(argvals=Tiempo_segundos,FLEXTRK[,i],fdobj=gammaChimborazo
[i],lty=1,lwd=1,col=2)
}

########################
## OUTLIERS ##
########################
## OBTENCIÓN DE OUTLIERS DE FORMA GRÁFICA ##
## LECTURA DE LOS DATOS PARA LOS GRÁFICOS
datosChimborazo2<-read_excel("C:/Users/59398/Documents/rgr/datos.xlsx"
)
datosChimborazo2<-data.frame(lapply(datosChimborazo2, as.numeric),stri
ngsAsFactors =
FALSE)

## PREPARACIÓN DE LOS DATOS PARA LOS GRAFICOS ##

datoschimborazofds=fds(Tiempo_segundos,datosChimborazo2)

## RAINBOW ##
plot(datoschimborazofds,plot.type="depth",plotlegend=TRUE,ylab="Radiac
ión Gamma (Sv)",xlab="Tiempo (segundos)")

## FUNCTIONAL BAGPLOT ##
fboxplot(datoschimborazofds,plot.type="functional",type="bag",ylab="Ra
diación Gamma (Sv)",xlab="Tiempo (segundos)")

## FUNCTIONAL HIGHEST DENSITY REGION (HDR) BOXPLOT ##

fboxplot(datoschimborazofds,plot.type="functional",type="hdr",alpha=c(
0.07,0.5))

## Warning in fts(x, centercurve): Please assign column name for the d

ata matrix.
##################################
## ESTADISTICOS DESCRIPTIVOS ##
##################################
## CALCULO DE LAS MEDIAS Y DESVIACIONES TIPICAS FUNCIONALES ##
## MUESTRA TOTAL ##
mediaalausi=mean.fd(AFDALAU)

desvtipalausi=sd.fd(AFDALAU)

#Chambo
mediachambo=mean.fd(AFDCHAM)

desvtipchambo=sd.fd(AFDCHAM)

#Chunchi
mediachunchi=mean.fd(AFDCHU)

desvtipchunchi=sd.fd(AFDCHU)

#Colta
mediacolta=mean.fd(AFDCOL)

desvtipcolta=sd.fd(AFDCOL)

#Cumanda
mediacumanda=mean.fd(AFDCUM)

desvtipcumanda=sd.fd(AFDCUM)

#Guamote
mediaguamote=mean.fd(AFDGUA)

desvtipguamote=sd.fd(AFDGUA)

#Guano
mediaguano=mean.fd(AFDGUAN)

desvtipguano=sd.fd(AFDGUAN)
#PALLATANGA
mediapallatanga=mean.fd(AFDPAL)

desvtippallatanga=sd.fd(AFDPAL)
#PENIPE
mediapenipe=mean.fd(AFDPEN)

desvtipenipe=sd.fd(AFDPEN)
#RIOBAMBA
mediariobamba=mean.fd(AFDRIO)

desvtipriobamba=sd.fd(AFDRIO)

#
#######CLUSTER

library(funFEM)

res <- funFEM(gammaChimborazo, K=4, model = "DkB", crit = "bic", init

= "kmeans", Tinit = c(), maxit = 500,

eps = 1e-06, disp = TRUE, lambda = 0, graph = TRUE)

# Visualization in the discriminative subspace (projected scores)

par(mfrow=c(1,1))

plot(t(gammaChimborazo$coefs) %*% res$U,col=res$cls,pch=19,main="Discr

iminative space")

# Visualization in the discriminative subspace (projected scores)

par(mfrow=c(1,1))

ggplot(t(gammaChimborazo$coefs) %*% res$U,col=res$cls,pch=12,main="D

iscriminative space")

text(t(gammaChimborazo$coefs) %*% res$U)

res2 = funFEM(gammaChimborazo,K=res$K,model='AkjBk',init='user',Tinit=
res$P,

lambda=0.01,disp=TRUE)

library(funHDDC)

res.uni <-funHDDC(gammaChimborazo, K=3, model="all", threshold=0.2, it

ermax=200, eps=1e-6, init="kmeans",

criterion="bic", algo='EM', d_select="Cattell", init.vector=TR

UE, show=TRUE,

mini.nb=c(5, 10), min.individuals=2, mc.cores=1, nb.rep=1, kee

pAllRes=TRUE,

kmeans.control = list(), d_max=100)

plot(gammaChimborazo,col=res.uni$class)

```

ANEXO B

CODIFICACIÓN EN EL MAPA CLUSTER

Cantón Parroquia Notación en el mapa Fecha Punto

ALAUSÍ Alausí 1 5/7/2021 52

ALAUSÍ Alausí 2 5/7/2021 20
ALAUSÍ Pistishi 3 1/8/2021 7
ALAUSÍ Alausí 4 5/7/2021 2
ALAUSÍ Achupallas 5 12/7/2021 5
ALAUSÍ Pistishi 6 1/8/2021 4
ALAUSÍ Achupallas 7 12/7/2021 7
ALAUSÍ Alausí 8 5/7/2021 17
ALAUSÍ Pistishi 9 1/8/2021 3
ALAUSÍ Achupallas 10 12/7/2021 6
ALAUSÍ Alausí 11 5/7/2021 29
ALAUSÍ Pistishi 12 1/8/2021 6
ALAUSÍ Achupallas 13 12/7/2021 9
ALAUSÍ Pistishi 14 1/8/2021 5
ALAUSÍ Achupallas 15 12/7/2021 11
ALAUSÍ Alausí 16 5/7/2021 50
ALAUSÍ Achupallas 17 12/7/2021 12
ALAUSÍ Alausí 18 5/7/2021 69
ALAUSÍ Alausí 19 5/7/2021 68
ALAUSÍ Alausí 20 5/7/2021 101
ALAUSÍ Alausí 21 5/7/2021 81
ALAUSÍ Sevilla 22 1/8/2021 10
ALAUSÍ Alausí 23 5/7/2021 99
ALAUSÍ Tixan 24 1/8/2021 18
ALAUSÍ Alausí 25 5/7/2021 91
ALAUSÍ Tixan 26 1/8/2021 16
ALAUSÍ Tixan 27 1/8/2021 24
ALAUSÍ Tixan 28 1/8/2021 23
ALAUSÍ Sevilla 29 1/8/2021 11
ALAUSÍ Tixan 30 1/8/2021 22
ALAUSÍ Sevilla 31 1/8/2021 6
ALAUSÍ Tixan 32 1/8/2021 9
ALAUSÍ Sevilla 33 1/8/2021 3
ALAUSÍ Tixan 34 1/8/2021 6
ALAUSÍ Sevilla 35 1/8/2021 2
ALAUSÍ Tixan 36 1/8/2021 10
ALAUSÍ Sevilla 37 1/8/2021 8
ALAUSÍ Tixan 38 1/8/2021 11
ALAUSÍ Tixan 39 1/8/2021 13
ALAUSÍ Sibambe 40 11/7/2021 3
ALAUSÍ Sibambe 41 11/7/2021 6
ALAUSÍ Multitud 42 21/6/2021 4
ALAUSÍ Pistishi 43 1/8/2021 2
ALAUSÍ Sibambe 44 11/7/2021 10
ALAUSÍ Multitud 45 21/6/2021 1
ALAUSÍ Pistishi 46 1/8/2021 3
ALAUSÍ Sibambe 47 11/7/2021 15
ALAUSÍ Multitud 48 21/6/2021 2
ALAUSÍ Pistishi 49 1/8/2021 8
ALAUSÍ Sibambe 50 11/7/2021 16
ALAUSÍ Pistishi 51 1/8/2021 7
ALAUSÍ Sibambe 52 11/7/2021 20
ALAUSÍ Pistishi 53 1/8/2021 10
ALAUSÍ Multitud 54 21/6/2021 10
ALAUSÍ Sibambe 55 11/7/2021 23
ALAUSÍ Sibambe 56 11/7/2021 26
ALAUSÍ Totoras 57 1/8/2021 9
ALAUSÍ Pistishi 58 1/8/2021 9
ALAUSÍ Multitud 59 21/6/2021 11
ALAUSÍ Totoras 60 1/8/2021 14
ALAUSÍ Sibambe 61 11/7/2021 28
ALAUSÍ Multitud 62 21/6/2021 12
ALAUSÍ Pistishi 63 1/8/2021 12
ALAUSÍ Totoras 64 1/8/2021 8
ALAUSÍ Sibambe 65 11/7/2021 19
ALAUSÍ Totoras 66 1/8/2021 4
ALAUSÍ Totoras 67 1/8/2021 2
ALAUSÍ Totoras 68 1/8/2021 1
ALAUSÍ Guasuntos 69 12/7/2021 32
ALAUSÍ Guasuntos 70 12/7/2021 45
ALAUSÍ Guasuntos 71 12/7/2021 50
ALAUSÍ Totoras 72 1/8/2021 12
ALAUSÍ Guasuntos 73 12/7/2021 49
ALAUSÍ Guasuntos 74 12/7/2021 27
ALAUSÍ Totoras 75 1/8/2021 10
ALAUSÍ Guasuntos 76 12/7/2021 23
ALAUSÍ Guasuntos 77 12/7/2021 14
ALAUSÍ Guasuntos 78 12/7/2021 16
ALAUSÍ Guasuntos 79 12/7/2021 12
ALAUSÍ Guasuntos 80 12/7/2021 9
ALAUSÍ Guasuntos 81 12/7/2021 5
ALAUSÍ Guasuntos 82 12/7/2021 2
CHAMBO Chambo 83 17/7/2021 13
CHAMBO Chambo 84 17/7/2021 14
CHAMBO Chambo 85 17/7/2021 30
CHAMBO Chambo 86 17/7/2021 42
CHAMBO Chambo 87 17/7/2021 54
CHAMBO Chambo 88 17/7/2021 58
CHAMBO Chambo 89 17/7/2021 60
CHAMBO Chambo 90 17/7/2021 61
CHAMBO Chambo 91 17/7/2021 66
CHAMBO Chambo 92 17/7/2021 89
CHAMBO Chambo 93 17/7/2021 104
CHAMBO Chambo 94 17/7/2021 116
CHAMBO Chambo 95 17/7/2021 147
CHUNCHI Chunchi 96 6/7/2021 54
CHUNCHI Chunchi 97 6/7/2021 74
CHUNCHI Chunchi 98 6/7/2021 77
CHUNCHI Chunchi 99 6/7/2021 75
CHUNCHI Llagos 100 11/7/2021 6
CHUNCHI Chunchi 101 6/7/2021 65
CHUNCHI Llagos 102 11/7/2021 3
CHUNCHI Llagos 103 11/7/2021 4
CHUNCHI Llagos 104 11/7/2021 9
CHUNCHI Llagos 105 11/7/2021 8
CHUNCHI Chunchi 106 6/7/2021 57
CHUNCHI Chunchi 107 6/7/2021 53
CHUNCHI Llagos 108 11/7/2021 10
CHUNCHI Chunchi 109 6/7/2021 42
CHUNCHI Chunchi 110 6/7/2021 30
CHUNCHI Chunchi 111 6/7/2021 26
CHUNCHI Chunchi 112 6/7/2021 11
CHUNCHI Chunchi 113 6/7/2021 17
CHUNCHI Compud 114 11/7/2021 6
CHUNCHI Chunchi 115 6/7/2021 36
CHUNCHI Compud 116 11/7/2021 5
CHUNCHI Compud 117 11/7/2021 4
CHUNCHI Compud 118 11/7/2021 7
CHUNCHI Compud 119 11/7/2021 1
CHUNCHI Chunchi 120 6/7/2021 19
CHUNCHI Gonzol 121 11/7/2021 4
CHUNCHI Gonzol 122 11/7/2021 2
CHUNCHI Gonzol 123 11/7/2021 6
CHUNCHI Gonzol 124 11/7/2021 7
CHUNCHI Gonzol 125 11/7/2021 22
CHUNCHI Gonzol 126 11/7/2021 13
CHUNCHI Gonzol 127 11/7/2021 11
CHUNCHI Gonzol 128 11/7/2021 9
CHUNCHI Gonzol 129 11/7/2021 12
COLTA Cañi 130 4/8/2021 3
COLTA Cañi 131 6/8/2021 6
COLTA Columbe 132 30/6/2021 21
COLTA Cañi 133 7/8/2021 7
COLTA Cañi 134 5/8/2021 4
COLTA Columbe 135 30/6/2021 20
COLTA Cañi 136 8/8/2021 8
COLTA Columbe 137 30/6/2021 15
COLTA Cañi 138 3/8/2021 2
COLTA Columbe 139 30/6/2021 12
COLTA Columbe 140 30/6/2021 6
COLTA Columbe 141 30/6/2021 1
COLTA Columbe 142 30/6/2021 3
COLTA Columbe 143 30/6/2021 5
COLTA Pangor 144 27/6/2021 4
COLTA Pangor 145 27/6/2021 2
COLTA Colta 146 1/7/2021 42
COLTA Santiago de Quito 147 30/6/2021 18
COLTA Pangor 148 27/6/2021 6
COLTA Pangor 149 27/6/2021 7
COLTA Pangor 150 27/6/2021 21
COLTA Santiago de Quito 151 30/6/2021 15
COLTA Pangor 152 27/6/2021 22
COLTA Colta 153 1/7/2021 25
COLTA Santiago de Quito 154 30/6/2021 13
COLTA Colta 155 1/7/2021 22
COLTA Santiago de Quito 156 30/6/2021 7
COLTA Colta 157 9/7/2021 73
COLTA Colta 158 9/7/2021 87
COLTA Santiago de Quito 159 30/6/2021 5
COLTA Colta 160 9/7/2021 65
COLTA Colta 161 1/7/2021 12
COLTA Colta 162 1/7/2021 11
COLTA Colta 163 1/7/2021 46
COLTA Colta 164 1/7/2021 55
COLTA Colta 165 1/7/2021 58
CUMANDÁ Cumandá 166 5/7/2021 218
CUMANDÁ Cumandá 167 21/6/2021 5
CUMANDÁ Cumandá 168 25/6/2021 65
CUMANDÁ Cumandá 169 28/6/2021 94
CUMANDÁ Cumandá 170 23/6/2021 47
CUMANDÁ Cumandá 171 1/7/2021 178
CUMANDÁ Cumandá 172 2/7/2021 195
CUMANDÁ Cumandá 173 30/6/2021 158
CUMANDÁ Cumandá 174 29/6/2021 125
CUMANDÁ Cumandá 175 22/6/2021 20
CUMANDÁ Cumandá 176 26/6/2021 80
CUMANDÁ Cumandá 177 3/7/2021 199
CUMANDÁ Cumandá 178 4/7/2021 209
GUAMOTE Guamote 179 8/8/2021 23
GUAMOTE Guamote 180 8/8/2021 25
GUAMOTE Guamote 181 8/8/2021 18
GUAMOTE Guamote 182 8/8/2021 3
GUANO San José de Chazo 183 15/8/2021 6
GUANO San José de Chazo 184 15/8/2021 7
GUANO San José de Chazo 185 15/8/2021 10
GUANO San José de Chazo 186 15/8/2021 11
GUANO San José de Chazo 187 15/8/2021 12
GUANO San José de Chazo 188 15/8/2021 13
GUANO San José de Chazo 189 15/8/2021 15
GUANO San José de Chazo 190 15/8/2021 16
GUANO San José de Chazo 191 15/8/2021 20
GUANO San Gerardo 192 15/7/2021 1
GUANO San Andrés 193 15/7/2021 1
GUANO San Gerardo 194 15/7/2021 4
GUANO San Gerardo 195 15/7/2021 5
GUANO San Andrés 196 15/7/2021 2
GUANO San Gerardo 197 15/7/2021 6
GUANO San Isidro de Patalú 198 13/8/2021 3
GUANO San Gerardo 199 15/7/2021 8
GUANO San Isidro de Patalú 200 13/8/2021 5
GUANO San Andrés 201 15/7/2021 7
GUANO San Gerardo 202 15/7/2021 9
GUANO San Isidro de Patalú 203 13/8/2021 6
GUANO San Andrés 204 15/7/2021 31
GUANO San Gerardo 205 15/7/2021 12
GUANO San Isidro de Patalú 206 13/8/2021 7
GUANO San Gerardo 207 15/7/2021 13
GUANO San Isidro de Patalú 208 13/8/2021 8
GUANO Ilapo 209 17/8/2021 1
GUANO San Andrés 210 15/7/2021 33
GUANO San Isidro de Patalú 211 13/8/2021 9
GUANO San Andrés 212 15/7/2021 37
GUANO San Isidro de Patalú 213 13/8/2021 11
GUANO Ilapo 214 17/8/2021 6
GUANO San Andrés 215 15/7/2021 38
GUANO Ilapo 216 17/8/2021 8
GUANO Ilapo 217 17/8/2021 9
GUANO San Andrés 218 15/7/2021 39
GUANO La Providencia 219 17/8/2021 3
GUANO Ilapo 220 17/8/2021 10
GUANO San Andrés 221 15/7/2021 40
GUANO Ilapo 222 17/8/2021 12
GUANO La Providencia 223 17/8/2021 4
GUANO San Andrés 224 15/7/2021 41
GUANO La Providencia 225 17/8/2021 6
GUANO San Andrés 226 15/7/2021 44
GUANO La Providencia 227 17/8/2021 8
GUANO La Providencia 228 17/8/2021 9
GUANO San Andrés 229 15/7/2021 46
GUANO La Providencia 230 17/8/2021 10
GUANO San Andrés 231 15/7/2021 53
GUANO Santa Fé de Galán 232 13/8/2021 1
GUANO Santa Fé de Galán 233 13/8/2021 2
GUANO Santa Fé de Galán 234 13/8/2021 3
GUANO Santa Fé de Galán 235 13/8/2021 4
GUANO Santa Fé de Galán 236 13/8/2021 7
PALLATANGA Pallatanga 237 27/6/2021 11
PALLATANGA Pallatanga 238 27/6/2021 6
PALLATANGA Pallatanga 239 27/6/2021 19
PALLATANGA Pallatanga 240 27/6/2021 24
PALLATANGA Pallatanga 241 27/6/2021 28
PALLATANGA Pallatanga 242 27/6/2021 32
PALLATANGA Pallatanga 243 27/6/2021 38
PALLATANGA Pallatanga 244 27/6/2021 39
PALLATANGA Pallatanga 245 27/6/2021 40
PALLATANGA Pallatanga 246 27/6/2021 42
PALLATANGA Pallatanga 247 27/6/2021 50
PENIPE Matus 248 14/8/2021 1
PENIPE Matus 249 14/8/2021 7
PENIPE Matus 250 14/8/2021 9
PENIPE Matus 251 14/8/2021 11
PENIPE Matus 252 14/8/2021 12
PENIPE Bayushig 253 23/7/2021 1
PENIPE Bilbao 254 23/7/2021 1
PENIPE Bilbao 255 23/7/2021 2
PENIPE Bilbao 256 23/7/2021 3
PENIPE Bayushig 257 23/7/2021 9
PENIPE Bilbao 258 23/7/2021 4
PENIPE Bayushig 259 23/7/2021 13
PENIPE Bayushig 260 23/7/2021 15
PENIPE Bilbao 261 23/7/2021 5
PENIPE Bilbao 262 23/7/2021 6
PENIPE Bayushig 263 23/7/2021 20
PENIPE Bayushig 264 23/7/2021 24
PENIPE Bayushig 265 23/7/2021 28
PENIPE Bayushig 266 23/7/2021 29
PENIPE Puela 267 14/8/2021 2
PENIPE Puela 268 14/8/2021 6
PENIPE Puela 269 14/8/2021 8
PENIPE Puela 270 14/8/2021 9
PENIPE La Candelaria 271 27/7/2021 1
PENIPE La Candelaria 272 27/7/2021 3
PENIPE La Candelaria 273 27/7/2021 6
PENIPE La Candelaria 274 27/7/2021 7
PENIPE La Candelaria 275 27/7/2021 8
PENIPE El Altar 276 27/7/2021 1
PENIPE El Altar 277 27/7/2021 3
PENIPE El Altar 278 27/7/2021 4
PENIPE El Altar 279 27/7/2021 6
PENIPE El Altar 280 27/7/2021 7
PENIPE El Altar 281 27/7/2021 11
PENIPE El Altar 282 27/7/2021 12
PENIPE El Altar 283 27/7/2021 19
PENIPE Bayushig 284 23/7/2021 4
PENIPE Bayushig 285 23/7/2021 21
PENIPE Puela 286 14/8/2021 3
PENIPE El Altar 287 27/7/2021 20
RIOBAMBA Calpi 288 3/8/2021 72
RIOBAMBA Calpi 289 3/8/2021 43
RIOBAMBA Calpi 290 3/8/2021 25
RIOBAMBA Flores 291 9/8/2021 12
RIOBAMBA Calpi 292 3/8/2021 51
RIOBAMBA Flores 293 9/8/2021 10
RIOBAMBA Calpi 294 3/8/2021 55
RIOBAMBA Flores 295 9/8/2021 4
RIOBAMBA Calpi 296 3/8/2021 59
RIOBAMBA Flores 297 9/8/2021 5
RIOBAMBA Flores 298 9/8/2021 13
RIOBAMBA Lícan 299 4/8/2021 46
RIOBAMBA Flores 300 9/8/2021 2
RIOBAMBA Flores 301 9/8/2021 8
RIOBAMBA Lícan 302 4/8/2021 43
RIOBAMBA Púngala 303 10/8/2021 1
RIOBAMBA Quimiag 304 5/8/2021 35
RIOBAMBA Lícan 305 4/8/2021 51
RIOBAMBA Púngala 306 10/8/2021 5
RIOBAMBA Punín 307 9/8/2021 41
RIOBAMBA Quimiag 308 5/8/2021 38
RIOBAMBA Lícan 309 4/8/2021 36
RIOBAMBA Púngala 310 10/8/2021 10
RIOBAMBA Punín 311 9/8/2021 33
RIOBAMBA Quimiag 312 5/8/2021 21
RIOBAMBA Punín 313 9/8/2021 21
RIOBAMBA Quimiag 314 5/8/2021 33
RIOBAMBA Púngala 315 10/8/2021 12
RIOBAMBA Punín 316 9/8/2021 20
RIOBAMBA Quimiag 317 5/8/2021 27
RIOBAMBA Púngala 318 10/8/2021 16
RIOBAMBA Lícan 319 4/8/2021 8
RIOBAMBA Punín 320 9/8/2021 15
RIOBAMBA Quimiag 321 5/8/2021 28
RIOBAMBA Púngala 322 10/8/2021 24
RIOBAMBA Punín 323 9/8/2021 16
RIOBAMBA Lícan 324 4/8/2021 26
RIOBAMBA Quimiag 325 5/8/2021 9
RIOBAMBA Púngala 326 10/8/2021 23
RIOBAMBA Punín 327 9/8/2021 22
RIOBAMBA Lícan 328 4/8/2021 27
RIOBAMBA Púngala 329 10/8/2021 34
RIOBAMBA Quimiag 330 5/8/2021 16
RIOBAMBA Punín 331 9/8/2021 36
RIOBAMBA Lícan 332 4/8/2021 79
RIOBAMBA Púngala 333 10/8/2021 37
RIOBAMBA Quimiag 334 5/8/2021 14
RIOBAMBA Punín 335 9/8/2021 18
RIOBAMBA Lícan 336 4/8/2021 80
RIOBAMBA Quimiag 337 5/8/2021 7
RIOBAMBA Lícan 338 4/8/2021 81
RIOBAMBA Punín 339 9/8/2021 7
RIOBAMBA Punín 340 9/8/2021 3
RIOBAMBA Licto 341 10/8/2021 61
RIOBAMBA Lícan 342 4/8/2021 61
RIOBAMBA Cubijies 343 5/8/2021 36
RIOBAMBA Licto 344 10/8/2021 64
RIOBAMBA Lícan 345 4/8/2021 84
RIOBAMBA Cubijies 346 5/8/2021 21
RIOBAMBA Licto 347 10/8/2021 55
RIOBAMBA Cubijies 348 5/8/2021 23
RIOBAMBA Licto 349 10/8/2021 57
RIOBAMBA Cubijies 350 5/8/2021 17
RIOBAMBA Licto 351 10/8/2021 56
RIOBAMBA Cubijies 352 5/8/2021 14
RIOBAMBA Licto 353 10/8/2021 35
RIOBAMBA Cubijies 354 5/8/2021 10
RIOBAMBA San Juan 355 3/8/2021 9
RIOBAMBA Licto 356 10/8/2021 12
RIOBAMBA Cubijies 357 5/8/2021 13
RIOBAMBA San Juan 358 3/8/2021 10
RIOBAMBA Licto 359 10/8/2021 14
RIOBAMBA Cubijies 360 5/8/2021 7
RIOBAMBA San Juan 361 3/8/2021 13
 RIOBAMBA Licto 362 10/8/2021 15
RIOBAMBA Cubijies 363 5/8/2021 5
RIOBAMBA San Juan 364 3/8/2021 12
RIOBAMBA Licto 365 10/8/2021 18
RIOBAMBA Licto 366 10/8/2021 41
RIOBAMBA San Juan 367 3/8/2021 28
RIOBAMBA Licto 368 10/8/2021 52
RIOBAMBA San Juan 369 3/8/2021 33
RIOBAMBA Licto 370 10/8/2021 20
RIOBAMBA San Juan 371 3/8/2021 35
RIOBAMBA San Juan 372 3/8/2021 34
RIOBAMBA San Juan 373 3/8/2021 36
RIOBAMBA San Juan 374 3/8/2021 40
RIOBAMBA San Juan 375 3/8/2021 41
RIOBAMBA San Juan 376 3/8/2021 47
RIOBAMBA Calpi 377 3/8/2021 2
RIOBAMBA Calpi 378 3/8/2021 16
RIOBAMBA Calpi 379 3/8/2021 9
RIOBAMBA Calpi 380 3/8/2021 14
RIOBAMBA Calpi 381 3/8/2021 19
RIOBAMBA Punín 382 9/8/2021 12
RIOBAMBA Cubijies 383 5/8/2021 1
RIOBAMBA Calpi 384 3/8/2021 38
RIOBAMBA Calpi 385 3/8/2021 39

ANEXO C