Relación entre calidad del aire, indicadores socioeconómicos y calidad de vida en países de Suramérica en los últimos 23 años.
En este proyecto se analizó la relación existente entre la calidad del aire (PM2.5 y CO2, variables socioeconómicas (PIB anual, GINI, % Población en Riesgo de Pobreza y Balanza Comercial) y calidad de vida (IDH), en los países de Sudamérica con data estadística de los últimos 23 años (2000-2023). La...
- Autores:
-
Teran Zambrano, Julieth Paola
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad Libre
- Repositorio:
- RIU - Repositorio Institucional UniLibre
- Idioma:
- OAI Identifier:
- oai:repository.unilibre.edu.co:10901/31518
- Acceso en línea:
- https://hdl.handle.net/10901/31518
- Palabra clave:
- Calidad del aire
Variables socioeconómicas
Calidad de vida
Modelo de regresión lineal generalizado
Redes neuronales por clasificador Bayesiano
Air quality
Socioeconomic variables
Quality of life
Generalized linear regression model
Neural networks with Bayesian classifier
Relación entre calidad del aire, indicadores socioeconómicos y calidad de vida en países de Suramérica en los últimos 23 años
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| Summary: | En este proyecto se analizó la relación existente entre la calidad del aire (PM2.5 y CO2, variables socioeconómicas (PIB anual, GINI, % Población en Riesgo de Pobreza y Balanza Comercial) y calidad de vida (IDH), en los países de Sudamérica con data estadística de los últimos 23 años (2000-2023). La prueba de Kruskal-Wallis indicó que Brasil y Argentina son los países con mayor emisión de CO2, mientras que Trinidad y Tobago y Venezuela son los mayores emisores de material particulado. La relación entre los contaminantes y las variables descritas se estudió mediante la elaboración de modelos de regresión lineal generalizado. Para PM2.5 se encontró que hay relación con cada variable, obteniéndose valores p por debajo de 0.05 para cada una, y un valor de R-cuadrado igual a 92.35%. Respecto al CO2, se observó que la variable GINI no guarda relación alguna con el contaminante, mientras que las demás variables sí; se obtuvo para este caso un R-cuadrado igual a 98.94%. Lo anterior permitió concluir que, a partir de estos dos modelos, es posible predecir la cantidad de emisiones en un país específico durante un año determinado. Por último, se entrenó dos redes neuronales por clasificador Bayesiano. Para el PM2.5se obtuvo un porcentaje global de buen pronóstico de 94.34% y para CO2 de 97.87%, respecto a la correcta clasificación de valores altos de cada contaminante. Demostrando que el conjunto de datos que se tienen es suficientemente bueno para predecir como será la emisión de un país en un determinado año. |
|---|
