Universidad de Santiago de Chile Facultad de Ingeniería Departamento de Geografía

Universidad de Santiago de Chile
Facultad de Ingeniería
Departamento de Geografía
Ingeniería (E) en Ambiente
PERCEPCIÓN DEL PROBLEMA DE LOS RESIDUOS SOLIDOS
Asignatura: Manejo de Residuos Sólidos
Introducción
Actualmente todos sabemos que los residuos (llámese basura) son nocivos para la salud y el medio ambiente,
pero ¿Podemos medir realmente el impacto que nos provoca?. ¿Qué hacemos nosotros por disminuir nuestra
cantidad de residuos?. Estimaciones indican que América Latina y el Caribe producen entre 0,5 y un
kilogramos de basura por día, lo que se traduce en otras palabras la generación mensual de 80 a 100
kilogramos de desperdicio (2), en función de lo anterior podemos generarnos muchas interrogantes sobre lo
que es un residuo, el tipo de manejo que se le da y todas las materias relacionadas desde la producción de
basuras hasta su depositación.
Analizando el texto de Martnes (1), notamos la importancia de la opinión de los habitantes sobre un tema tan
importante y trascendente como es la basura (residuos). Si bien la realidad de nuestro país es muy distinta a
las ciudades alemanas de Mannheim, Boeblingen y Main−Tauber−Kreis, la caracterización básica de un
residuo será la misma: en cuanto a su clasificación por estado, origen y manejo (3), por lo consiguiente es
valido aplicar y conocer la opinión de los habitantes de cualquier comunidad que se vea afectada, directa o
indirectamente, por los residuos.
La importancia del conocimiento de la opinión de los habitantes de cualquier zona, sea rural o urbana, toma
importancia en los procesos de planificación de dichas regiones, aunque esta toma marcada importancia en al
ámbito táctico−político, con lo cual se generan los planes de trabajo comunales.
Poder cuantificar el conocimiento y la opinión de un amplio sector, beneficia la aplicación de planes y
políticas medioambientales, con lo cual existe una reutilización eficiente de los recursos, priorizando los
recursos en las posibles debilidades y amenazas que presente el sistema, tomando una actitud expectante
frente a las oportunidades de desarrollo y manteniendo las fortalezas del sistema (Análisis FODA).
El propósito de dicha investigación es conocer ¿Cuánto sabemos o creemos saber? Sobre le tema de los
residuos, y además, que es lo que sabemos.
Análisis Multivariado
Según la clasificación realizada por Kendall (4) en el estudio propio del campo multivariado se pueden
utilizarse diferentes enfoques, para cada una de las situaciones que se presentan al obtener los datos, dentro de
estos los más importantes son:
a) Simplificación de la estructura de datos. Genera una manera simplificada de representar el universo de
estudio. Esto se logra bajo la transformación (combinación lineal o no lineal) de un conjunto de variables
independientes o en su defecto de u conjunto menor.
1
b) Clasificación. Se puede ubicar las observaciones dentro de grupos o bien concluir que los individuos están
dispersos aleatoriamente en el multiespacio, además, pueden agruparse variables.
c) Análisis de la interdependencia. Como objetivo central se examina la interdependencia entre cada una de
las variables, la cual abarca desde la independencia total hasta la colinealidad cuando una de ellas es
combinación lineal de alguna de las otras, o en términos más generales cuando es una función de otra (f(x)).
d) Análisis de la dependencia. Se seleccionan del conjunto ciertas variables y se estudia su dependencia de las
restantes, como en el análisis de regresión múltiple o en análisis de regresión canónica.
e) Formulación y prueba de hipótesis. A partir de un conjunto de datos es posible encontrar modelos que
permitan formular hipótesis en función de parámetros estimables. La prueba de este nuevo modelo requiere
una nueva recopilación de datos a fin de poder garantizar la necesaria independencia y validez de las
conclusiones.
En los casos de poblaciones univariadas, casi siempre es posible caracterizar completamente la distribución de
probabilidades a partir de dos parámetros: la media y la varianza. La inferencia estadística exige, entonces,
tomar una muestra aleatoria y calcular los mejores estimadores de estos dos parámetros. El análisis termina
con la interpretación de estos dos parámetros.
Sin embargo, en el caso multivariado es que se estudias una población p variada, es decir un conjunto de
individuos donde se han observado o medido p características o propiedades, se dispondrá de p medias, p
varianzas y (1/29p(p−1) covarianzas, las cuales deben ser estimadas a la vez interpretadas.
En si el modelo va adquiriendo complejidad a medida que se van relacionando cada uno de los parámetros, el
interés no debe ser en cada uno de los parámetros, sólo se deben analizar los que representen fielmente a la
muestra con lo que el modelo real se va simplificando de la mejor manera posible, con lo cual se puede
realizar una interpretación comprensible acerca de la estructura original mediante la muestra efectivamente
observada.
Cada situación requiere una evaluación particular para utilizar el método de análisis multivariado más
adecuado, el cual permitirá extraer la máxima información posible del conjunto de datos, lo que a su vez
garantizara la validez de su aplicación.
Para la mente humana acostumbrada a pensar y a representar el espacio en dos dimensiones, o a lo sumo en
tres, la noción de multiespacios con cuatro, cinco o n dimensiones resulta difícil de comprender. La medición
de varias características de una unidad experimental, ya se da en forma simultanea (5) o con ciertos intervalos
de tiempo, genera una serie de datos que deben ser analizados con técnicas multivariadas. La unidad
experimental puede ser un individuo, una parcela de experimentación, un afinca, un animal, una planta, una
porción de terreno, etc. No existirá una independencia entre las diferentes propiedades utilizadas para
caracterizar una unidad y no será posible asignar en forma aleatoria las características, como en un ensayo
experimental típico. Existirá, sí, independencia entre las unidades experimentales que podrán constituir una
muestra aleatoria de una población mayor.
Entendiendo lo que es un universo multivariado, se comprende de mejor manera por que los métodos
estadísticos multivariados pueden agruparse en dos conjuntos: los que permiten extraer información acerca de
la interdependencia entre las variables que caracterizan a cada uno de los individuos y los que permiten
extraer información acerca de la dependencia entre una muestra aleatoria de una población mayor.
Entre los métodos de análisis multivariado para detectar la interdependencia entre variables y también entre
individuos se incluyen el análisis de factores, el análisis de conglomerados o clusters, el análisis de
correlación canónica, el análisis por componentes principales, el análisis de ordenamiento multidimensional
2
(scaling), y algunos métodos no parámetricos. Los métodos para detectar dependencia comprenden el análisis
de regresión multivariado, el análisis de contingencia múltiple y el análisis discriminante.
En este trabajo examinaremos el método de análisis por componentes principales, dicho método permite la
estructuración de un conjunto de datos multivariados, obtenidos de una población cuya distribución de
probabilidades no necesita ser conocida. Es, además, una técnica matemática que no necesita de un modelo
estadístico para explicar la estructura probabilística de los errores, aunque, si es posible suponer una
distribución multinormal de la población,, o el tamaño de la muestra es tal que puede asumirse
multinormalidad ya sea por el aumento del número de variables consideradas o por el número de individuos
que integran la muestra, podrá encontrarse una significación estadística en los componentes, pues es posible
asociar a cada uno de ellos una medida de confiabilidad.
En el caso multivariado, así como en el univariado, se dispone de ciertos estadísticos que permiten
caracterizar una población y a la ve poder estudiar su comportamiento probabilístico, algunos de estos son
solo una extensión directa de la noción univariada equivalente y otros son propios de las poblaciones y
muestras multivariadas. En el caso de las componentes multivariadas la simplificación de su sistema
multiespacial se simplifica al utilizar matrices para la evaluación de los datos. Para esto se deben manejar
algunos conceptos importantes, como los explicados a continuación.
Un conjunto de datos es una muestra aleatoria multivariada si cada individuo ha sido extraído al azar de una
población de individuos y en el se han medido u observado una serie de características. Para dichos efectos
definimos la matriz de datos multivariados como el siguiente arreglo:
(1
El arreglo anterior tendrá una dimensión de n x p. A partir de la matriz anterior que tiene toda la información
estadística de la muestra es posible realizar algunas funciones, que permitirán extraer conclusiones de los
datos. En el caso univariado se calcula la media para obtener una estimación de la tendencia central de las
observaciones y se calcula la varianza que informa acerca del grado de dispersión de los datos alrededor de
esa media, en el caso multivariado resulta la media, un vector y la varianza.
Dada la matriz anterior podemos definir la media muestra de la j−ésima variable dada por:
(2
De la misma matriz de (1, podemos definir la varianza muestral de la j−ésima variable por:
(3
3
Además, podemos definir la covarianza entre la j−ésima variable y la k−ésima variable por:
j,k= 1,......,p ( 4
la matriz formada por el arreglo de los s(jk) y los s (jj) será la matriz de varianza−covarianza muestral, o
simplemente matriz de covarianza muestral:
(5
A partir de los elementos de la matriz (5 es posible calcula la matriz R, de igual dimensión que 5, y cuyos
elementos son los coeficientes de correlación entre la j−ésima y la k−ésima variable:
(6
Dicha formula también puede ser arreglada en una matriz de Correlación muestral cuya diagonal principal
estará formada por números uno y será simétrica como la matriz de covarianza, por ser r(jk)=r(kj).
(7
La matriz utilizada en (5 es una forma de expresar la dispersión de los datos alrededor de la media. Sin
embargo, a veces es necesario disponer de un escalar que sintetice la esta dispersión.
Teniendo una matriz como en (5, se denominará varianza generalizada al determinante de dicha matriz.
(8
De la misma matriz de (5, se puede denomina variación total a la traza de dicha matriz.
(9
4
Tanto la varianza generalizada como la variación total serán mayores cuanto mayor sea la dispersión de los
datos alrededor de la media sin embargo Mardia et al. (6) sostienen que cada medida refleja aspectos
diferentes de la variabilidad de los datos. La primera desempeña un papel muy importante en la generación de
los estimadores máximos verosímiles, mientras que la segunda se utiliza en el análisis de componentes
principales, aunque ninguno de los dos conceptos tiene un equivalente en el análisis multivariado.
La ventaja de los datos multivariados es que ofrecen la posibilidad de ser expresados por medio de
combinaciones lineales de las variables originales. En un número reducido de combinaciones es posible
sintetizar la mayor parte de la información contenida en los datos originales, sin embrago a veces resulta muy
complicado deducir la distribución exacta de probabilidades, aunque respecto a las combinaciones más
utilizadas se conocen resultados asintóticos.
Componentes Principales
Gracias a este método, uno de los más difundidos, se puede estructurar un conjunto de datos multivariados
obtenidos de una población, cuya distribución de probabilidades no necesita ser conocida. Esta técnica
matemática no requiere de un modelo estadístico para poder explicar la estructura probabilística de los errores,
sin embargo, si debe suponerse que la población muestreada tiene distribución multinormal.
El objetivo de todo análisis de componentes principales es:
ð Generar nuevas variables que puedan expresar la información contenida en el conjunto original de datos.
ð Reducir la dimensionalidad del problema que se está estudiando, como paso previo para un futuro análisis.
ð Eliminar algunas de las variables originales si ellas aportan poca información.
Las nuevas variables generadas se denominan Componentes Principales y poseen características deseadas
estadísticamente, como la independencia y una no correlación. Lo que significa que si las variables originales
están correlacionadas, el análisis por componentes principales no ofrece ventaja alguna. Además, cada
componente principal sintetiza la máxima variabilidad contenida en los datos.
Cuando se estudia un conjunto n de individuos mediante p−variables es posible encontrar nuevas variables
denominadas Y(k), k)1,....,p que sean combinaciones lineales de las variables originales X(j), e imponer a este
sistema ciertas condiciones las que permitirán satisfacer ciertas condiciones con las cuales se darán por
realizados los objetivos de dicho análisis.
Lo anterior implica encontrar (p x p) tales que :
k=1,...,p, ( 10
donde 1(jk) es cada una de esas constantes.
No correlación
Sin pérdida de generalidad y para poder simplificar la presentación, supondremos que E < X(j) > = 0,
j=1,....,p.
Para satisfacer dicha condición de no correlación entre las nuevas variables se requiere que: E < Y(k) Y (m) >
=0, k,m=1,.....,p, k m.
5
Si se reemplaza cada nueva variable por su definición en función de las variables originales se obtendrá:
( 11
dado que 1(jk) y 1(hm) son constantes, su esperanza matemática será la misma constante y, por lo tanto,
pueden intercambiarse operadores con la sumatoria obteniendo una doble sumatoria, aplicando esto a (11,
obtenemos.
( 12
Se ha identificado ola constantes que multiplica a cada valor de al variable original con dos subíndices
diferentes (j y H) para descartar que al introducir el operador esperanza matemática en la ecuación (11, se
generan todos los dobles productos posibles.
Objetivo
Conocer las distintas opiniones que presenta un sector de la comunidad frente a l tema de los residuos, su
caracterización, las diferencias que se observan en los distintos métodos y a la posible crisis de residuos que
nos veríamos involucrados.
Las limitaciones frente a la que nos encontramos, son claras, los residuos no son bien caracterizados como
tales, y en ellos sólo conocemos mayoritariamente la basura, en la cual la clasificación es demasiado amplia.
Otro de los puntos que tendemos a nuestra contra es el poco conocimiento de las actuales tecnologías en el,
tratamiento y deposición de los residuos, en este caso de los municipales.
Metodología
La metodología a utilizar en la esta investigación será la siguiente:
1) Confección de la encuesta tipo
2) Selección de target potencial.
3) Realización de la encuesta.
4) Validación de los datos.
5) Preparación estadística de los datos
6) Resultados, Análisis y Conclusiones.
1. Confección de la encuesta tipo
Debido a que la aplicación de la encuesta difiere tanto para la zona como para el grupo selectivo a la cual se
enfrenta, se deben modificar variables en función de la realidad de cada país, haciéndola lo mas objetiva
posible, y no entrando en una inconsistencia a la hora de realizar una encuesta, y mucho más del tipo social.
6
Lo primero que se debe toma en cuenta en la creación de una encuesta de este tipo es el grupo selectivo al que
ira dirigida, y los tipos de preguntas y posibles respuestas, para este tipo de encuestas se recomiendan
encuestas guiadas, en las cuales el encuestador asista al encuestado, este método utilizado en la confección de
evaluaciones personales, involucra un menor tiempo de ejecución de la encuesta y a la vez garantiza que los
resultados se encaucen en el tema preguntado y no en temas anexos que se puedan generar de cada una de las
preguntas.(3)
Las preguntas son de respuesta corta y precisa con lo que se puede cuantificar mejor y con un peso estadístico
seguro.
A continuación se incluye la encuesta tipo realizada:
Percepción de los residuos sólidos
1. Según su opinión : ¿La cantidad de basuras ha aumentado el último tiempo?
1. _____ Si Pasar A 1.1. 2. ______ No Pasar a 2
1.1 ¿En cuanto cree que a aumentado?:
1_____ El doble
2_____ El triple
3_____ Mucho más
4_____ No sabe
2. ¿Considera que la basura es más peligrosa que antes?
1. _____ Si 2. ______ No
3. Conoce lo que es el reciclaje
1. _____ Si 2. ______ No
4. Utiliza alguna forma para disminuir la cantidad de basura en su hogar, o es un barrio:
1. _____ Si 2. ______ No
5. Ha visto o escuchado hablar sobre algún basurero o vertedero de Santiago:
1. _____ Si 2. ______ No
6. Aceptaría que se pusiera uno cerca de su casa, digamos a una cuadra de su hogar:
1. _____ Si Pasar 7. 2. ______ No 6.1
6.1 ¿Por qué razones no lo haría?
1. Peligro para la salud _______
7
2. Bajaría el valor de su terreno _______
3. Son poco seguros _______
4. Foco de infecciones _______
5. No sabe _______
7. Ha recibido información sobre la basura y los basurales alguna vez:
1. _____ Si 2. ______ No
8. Piensa que se debieran prohibir las sustancias tóxicas que se encuentran en la basura.
1. _____ Si 2. ______ No 0.______ No sabe
II. De las siguientes soluciones en el tema de los residuos como las calificaría en una escala de efectividad:
4
3
2
1
0
Muy efectiva
Efectiva
Indiferente
No Muy efectiva
No sabe, no responde
1. Prohibición de ciertas sustancias en la fabricación de componentes
2. Creación de centros de reciclaje móviles
3. Aumento de regulaciones ambientales
4. Soluciones económicas
5. Beneficios económicos a productores con material reciclado
6. Aumento de materiales reutilizables
7. Mayor educación en las escuelas
8. Bajar precios a elementos que se vendan y que ya estén en desuso
9. Desarrollo de mejores procesos productivos.
10. Mayor vida útil de los productos
11. Desarrollo de productos con generación mínima de residuos
12. Restricciones al consumo
13. Aumento de camiones recolectores
14. Colocación de mas basureros en las calles
15. .Creación de nuevos vertederos
III. Para finalizar solo con fines estadísticos:
1. Edad_______
2. Sexo (1) Masculino (2) Femenino
3. Estudios: (1) Básicos (2) Medios (3) Superiores
8
Analizando la estructura de la encuesta, observamos que la generación de preguntas debe ser lo mas simple
posible, en función de no existir un conocimiento acabado de los posibles encuestados, ni del posible universo
de respuestas a las que se puede llegar, por dicha razón solamente se realizan preguntas con respuesta cerrada,
esto es, preguntas con solo un tipo de respuestas, lo cual brinda una mayor facilidad en el momento de realizar
un análisis y poder cualificar lo cuantificado.
Con respecto a con la encuesta aplicada en los tres condados alemanes, las preguntas no son tan especificas,
debido a que el grupo potencial, como se vera en el punto 2, es muy distinto tanto social y culturalmente,
debemos recordar que Alemania es un país en la plenitud de un desarrollo científico cultural, y nuestro país
esta a años luz de llegar a serlo, razón por al cual la encuesta debemos aplicarla a nuestra realidad.
Target
El target o grupo selectivo, es al conjunto al cual irá dirigida la encuesta, a diferencia de la macro encuesta
alemana, no solo en cuanto a la cantidad si no que también en el tipo selectivo de encuestados, el tipo de
individuos no se puede caracterizar en la encuesta realizada, el grupo selectivo aplicado en esta encuesta es
gente perteneciente a un lugar puntual de Santiago, habitantes de la Municipalidad de Santiago, ya sean
usuarios como residentes, por lo que nos podemos encontrarnos una amplia gama de respuestas y grupos
socioeconómicos, lo cual podría brindar un análisis mucho más detallado. En la tabla 1 podemos observar el
universo de encuestados con algunas divisiones etarias y de sexo, que en practica son mucho más fáciles de
conseguir. Además, se debe entender que la encuesta fue realizada para un universo completamente distinto,
tratando de buscar un target selectivo de gente que no tuviera mucha relación o injerencia directa en temas
medioambientales para no tener un sesgo negativo en los resultados y por ende una alteración de los posibles
valores obtenidos
Realización de la encuesta
Las encuestas fueron realizadas entre los días 13 y 21 de Septiembre de 1999, no contabilizándose la cantidad
de encuestas por ser un dato sin peso estadístico en el recuento final de los datos.
Validación de los datos
Una vez que los datos estuvieron digitados, previas creación de una base de datos donde los contuviera, se
procedió a un nuevos muestreo para evitar posibles errores de digitación y validar datos (agrupar, eliminar,
etc.) para un mejor análisis, con lo que se limpio la base de datos una vez terminada.
Preparación estadística de los datos
Una vez digitados los datos y creada la base de datos sobre la cual se trabajara, los datos fueron analizados y
calculados mediante el paquete estadísticos SPSS 6.0, gracias al cual se pudieron realizar desde análisis
simples de estadística descriptiva (Media, mediana, moda, etc.) hasta análisis de correspondencia y análisis
multivariado con un análisis de componente principales, la cual se clasificara de mejor manera a lo largo del
texto.
La metodología utilizada en cuanto al ámbito estadístico se explicará detalladamente mas adelante.
Resultados
Los resultados se dividirán en dos, la primera parte incluirá los resultados descriptivos, en los cuales se
observara el comportamiento de las variadas respuestas encontradas en la realización de la encuesta, y en la
segunda parte de los, resultados nos detendremos a analizar los resultados desde el punto de vista de los
métodos multivariados y los análisis factorial.
9
Análisis estadístico simple
Dentro del análisis simple de los resultados utilizaremos, los estadísticos descriptivo más simples y los más
utilizados. De las 54 personas encuestadas podemos observar gracias a la tabla 1, la distribución por sexo y
edad de los encuestados, notando una equiparidad entre ambos sexos, no existiendo un balance en la edad,
debido a quemas de un 60% de los encuestados son personas jóvenes.
Tabla 1
Distribución de los encuestados según sexo y edad
Grupo Etario
Menor de 20
años
Entre 20 y 40
años
Entre 40 y 60
años
Mayor de 60
años
Total
Sexo de los encuestados
Masculino
Cantidad % Fila % Col.
Femenino
Cantidad % Fila
% Col.
Total
Cantidad % Fila
4
66,70% 14,30%
2
33,30%
7,70%
6
100,00% 11,10%
19
52,80% 67,90%
17
47,20%
65,40%
36
100,00% 66,70%
4
44,40% 14,30%
5
55,60%
19,20%
9
100,00% 16,70%
1
33,30% 3,60%
2
66,70%
7,70%
3
100,00% 5,60%
28
51,90% 100,00% 26
48,10%
100,00% 54
% Col.
100,00% 100,00%
(Fuente: Elaboración propia)
Otro análisis que toma bastante importancia es conocer el período de formación académica de cada uno de los
encestados, entendiendo como finalizados cada uno de los procesos, utilizando la salvedad que dentro del
grupo de estudios superiores se consideran todo tipo de instituciones, tanto universidades como institutos y
otros, que impartan formación profesional luego de terminada la enseñanza media.
Tabla 2
Distribución de los encuestados según sexo y estudios
Sexo de los encuestados
Masculino
Femenino
Estudios Cantidad % Fila % Columna Cantidad % Fila
Básica
5
50,00% 17,90%
5
50,00%
Media
14
56,00% 50,00%
11
44,00%
Superiores 9
47,40% 32,10%
10
52,60%
Total
28
51,90% 100,00% 26
48,10%
Total
% Columna Cantidad
19,20%
10
42,30%
25
38,50%
19
100,00% 54
% Fila
100,00%
100,00%
100,00%
100,00%
% Columna
18,50%
46,30%
35,20%
100,00%
(Fuente: Elaboración propia)
El principio de realizar una encuesta es verificar que se cumplan alguna relación entre el pasado y el presente
se debe entender el pasado como un espacio recordado y no muy lejano, con esto nos evitamos un sesgo
mayor en las respuestas. Dentro de este punto toma importancia la recordación si la cantidad de basura de
hace un tiempo en comparación con la actual ha aumentado, en este caso se ve que la percepción es la de un
10
aumento palpable en la cantidad de residuos generados.
Tabla 3
Según su opinión: ¿La cantidad de basura ha aumentado el último tiempo?
Si
No
Total
Cantidad
34
20
54
%
63,00%
37,00%
100,00%
En cuanto al aumento de la cantidad de residuos, se observa (Tabla 4) que esta ha aumentado el doble, aunque
un alto porcentaje no recuerda o simplemente cree que los residuos han aumentado pero no se aventura a
predecir o calcular dicho aumento.
Tabla 4
¿En cuanto cree que a aumentado?
El doble
El triple
Mucho más
No sabe
Total
Cantidad
19
7
2
6
34
%
55,90%
20,60%
5,90%
17,60%
100,00%
En cuanto a la peligrosidad de la basura, se puede ver cierta equidad entre las respuestas, aunque por norma se
piensa que los residuos no son peligrosos para el ser humano, tanto en su manejo como en su depositación,
por lo que no es ítem complicado de valorar.
Tabla 5
¿Considera que la basura es más peligrosa que antes?
Si
No
Total
Cantidad
24
30
54
%
44,40%
55,60%
100,00%
En cuanto a las formas actuales o métodos para reducir la cantidad de residuos, los cuales puedan ir desde el
reciclaje, el reutilizamiento de los desechos, u otras técnicas, no se realizan mucho, aunque si existe un
conocimiento, por lo menos de la palabra reciclaje. Lo anterior motiva a pensar que la gran mayoría de la
población sí conoce los términos como reciclaje, se puede deber en gran manera a un bombardeo publicitario,
mas que a medidas que signifiquen un real aprovechamiento de los recursos que existen y que además
escasean, esto se pude ver claramente en las tablas 6 y 7, respectivamente. Lo que, además, se complementa,
con la tabla 8 en la cual se muestra que la población si conoce la existencia de basureros y vertederos, aunque
es de suponer que no sepan claramente su ubicación, y mucho menos su funcionamiento y características de
cada uno de los existentes
11
Tabla 6
Utiliza alguna forma para disminuir la cantidad de basura en su hogar, o en su barrio
Si
No
Total
Cantidad
8
46
54
%
14,80%
85,20%
100,00%
Tabla 7
Conoce lo que es el reciclaje
Si
No
Total
Cantidad
46
8
54
%
85,20%
14,80%
100,00%
Tabla 8
Ha visto o escuchado hablar sobre algún
basurero o vertedero de Santiago
Si
No
Total
Cantidad
50
4
54
%
92,60%
7,40%
100,00%
Si bien existe un conocimiento de los vertederos son muy pocas las personas (22%) que aceptarían la
ubicación de un vertedero cerca de su hogar, en este aspecto se puede observar que el fenómeno NIMBY (Not
in my back yard) es recurrente, la razón de este fenómeno es bastante clara, la instalación de un vertedero
cerca significa, según la encuesta, un aumento de la peligrosidad para la salud de sus habitantes
Tabla 9
Aceptaría que se pusiera uno cerca de su casa,
digamos a una cuadra de su hogar
Si
No
Total
Cantidad
12
42
54
%
22,20%
77,80%
100,00%
Tabla 10
¿Por qué razones no lo haría?
12
Peligro para la salud
Bajaría el valor de su terreno
Son poco seguros
Foco de infecciones
No sabe
Total
Cantidad
21
8
7
3
3
42
%
50,00%
19,00%
16,70%
7,10%
7,10%
100,00%
Finalmente lo anterior mente expuesto sobre la poca información queda demostrado de sobremanera en la
tabla 11, donde se observa que el 87% de la población no ha recibido nunca información sobre el tema de los
residuos (basura). Dicho resultado puede afectar de manera importante el resultado mostrado en la tabla 12,
debido a que una falta de información nos hace pensar que la gran mayoría de los residuos que se generan al
interior de los hogares, tienen un porcentaje de elementos peligrosos.
Tabla 11
Ha recibido información sobre la basura y los basurales alguna vez
Si
No
Total
Cantidad
7
47
54
%
13,00%
87,00%
100,00%
Tabla 12
Piensa que se debieran prohibir las sustancias tóxicas que se encuentran en la basura
Si
No sabe
Total
Cantidad
35
19
54
%
64,80%
35,20%
100,00%
En el ítem de las opiniones sobreefectividad podemos observar, gracias a la tabla 13 las opiniones encontradas
en la aplicación de la encuesta. Se puede notar que la medida de mayor efectividad sería el aumento de
normas ambientales, y en su contraparte la de menor efectividad seria la instauración de soluciones
económicas.
El comportamiento de las demás variables pude observarse en la tabla 13.
Tabla 13
Porcentaje de respuesta sobre efectividad de medidas, frente al
problema de los residuos ambientales
No sabe, No Muy Indiferente Efectiva Muy
Total
no
efectiva
efectiva
13
responde
Prohibición de ciertas sustancias en la fabricación
de componentes
Creación de centros de reciclaje móviles
Aumento de regulaciones ambientales
Soluciones económicas
Beneficios económicos a productores con material
reciclado
Aumento de materiales reutilizables
Mayor educación en las escuelas
Bajar precios a elementos que se vendan y que ya
estén en desuso
Desarrollo de mejores procesos productivos
Mayor vida útil de los productos
Desarrollo de productos con generación mínima
de residuos
Restricciones al consumo
Aumento de camiones recolectores
Colocación de mas basureros en las calles
Creación de nuevos vertederos.
5,60%
35,20% 27,80%
22,20% 9,30%
1,90%
7,40%
0%
7,40% 16,70%
1,90% 11,10%
83,30% 14,80%
68,50% 5,60% 100,00%
33,30% 46,30% 100,00%
1,90% 0%
100,00%
1,90%
25,90% 44,40%
24,10% 3,70%
0%
27,80%
3,70% 9,30%
18,50% 24,10%
70,40% 16,70% 100,00%
22,20% 7,40% 100,00%
18,50%
20,40% 33,30%
18,50% 9,30%
100,00%
3,70%
5,60%
27,80% 22,20%
38,90% 24,10%
40,70% 5,60%
27,80% 3,70%
100,00%
100,00%
11,10%
20,40% 40,70%
25,90% 1,90%
100,00%
1,90%
3,70%
24,10%
25,90%
1,90%
1,90%
14,80%
16,70%
61,10%
74,10%
16,70%
20,40%
100,00%
100,00%
100,00%
100,00%
20,40%
5,60%
44,40%
25,90%
14,80%
14,80%
0%
11,10%
100,00%
100,00%
Análisis de Correspondencia
El análisis de correspondencia es un método multivariado en orden a poder evaluar la conexión entre los
diferentes variables. Dicho método muestra la asociación estadística de diversas formas de tablas con un
modelamiento espacial cuando la conexión entre las categorías puede deducirse de la distancia entre los
puntos. Un método bastante usual es la
La diferencia frente al texto base (1), radica en que el análisis de correspondencia sed realiza en función de la,
clasificación del target de individuos, caracterizándolos y agrupándolos según una código aplicado por
Martens, el cual en el caso de nuestra micro− aplicación no se puede realizar, puesto que incurriríamos en un
mayor tiempo de preparación y manutención, lo que también nos llevaría a incrementar el costo de la
realización de dicho estudio.
Para el caso de las variables seleccionadas observamos en la tabla 14 los valores promedio y las desviaciones
para cada una de las variables. Se debe recordar que las respuestas a cada una de las variables genero un valor
cualitativo, el cual se codifico para poder trabajar con el de forma cuantitativa. En función de esto solo se
evalúan por este método los valores de la segunda parte de la encuesta.
Tabla 14
Variables utilizadas en el análisis de componentes principales
Nombre
Prohibición de ciertas sustancias en la fabricación de
componentes
Creación de centros de reciclaje móviles
Media Mediana
Desviación Coeficiente
Estándar de variación
1,94
2
1,09
1,19
1,80
2
1,22
1,49
14
Aumento de regulaciones ambientales
Soluciones económicas
Beneficios económicos a productores con material reciclado
Aumento de materiales reutilizables
Mayor educación en las escuelas
Bajar precios a elementos que se vendan y que ya estén en
desuso
Desarrollo de mejores procesos productivos
Mayor vida útil de los productos
Desarrollo de productos con generación mínima de residuos
Restricciones al consumo
Aumento de camiones recolectores
Colocación de mas basureros en las calles
Creación de nuevos vertederos.
2,17
1,85
1,87
2,85
2,94
2
2
2
3
3
1,02
1,02
0,99
0,76
0,79
1,05
1,03
0,98
0,58
0,62
1,54
2
1,04
1,08
1,74
2,69
3,09
1,19
2,02
3,00
1,63
2
3
3
1
2
3
2
1,35
0,77
1,15
0,44
0,86
0,64
1,31
1,82
0,60
1,33
0,19
0,74
0,42
1,71
Si calculáramos el porcentaje de cada uno de los Coeficientes de variación, en otras palabras si los
multiplicáramos por 100, obtendríamos valores relativamente altos, lo cual nos indicaría una gran
heterogeneidad entre las opiniones entregadas. Por esa razón se hace necesario conocer cuál o cuáles variables
son las más importantes en el análisis de efectividad. Visto de una manera practica este debería ser el primer
paso al elaborar un plan de residuos sólidos, y focalizar aquellas medidas que no han resultado.
a. Calculo de los valores y vectores propios de la matriz de covarianza.
La matriz covarianza se calculó con las 15 variables utilizando los datos originales, es decir, sin estandarizar
los valores. Dicha matriz se puede observa en la tabla 15.
Tabla 15
Matriz de covarianza
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13
P14
P15
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13 P14 P15
1,186
−0,049 1,486
0,142 −0,154 1,047
−0,046 −0,201 0,252 1,034
−0,045 0,067 −0,129 0,075 0,983
−0,084 −0,068 0,063 −0,06 −0,227 0,581
−0,135 0,083 0,047 0,143 −0,026 −0,027 0,619
0,219 −0,153 0,154 0,307 −0,061 −0,108 0,219 1,084
0,136 0,116 0,119 −0,058 −0,298 0,206 0,136 −0,16 1,818
0,133 0,086 −0,003 0,103 −0,117 0,009 0,19 0,059 0,106 0,597
0,232 0,302 0,079 −0,005 0,088 0,146 −0,032 0,081 −0,334 −0,178 1,331
−0,065 −0,056 0,082 0,047 −0,013 −0,01 0,048 −0,007 0,049 −0,035 −0,206 0,191
−0,018 −0,298 0,186 0,248 0,002 −0,129 0,001 −0,104 −0,222 0,081 0,055 −0,079 0,735
0,151 0,075 0,189 0,038 −0,057 −0,057 −0,038 −0,038 0
0,038 0,283 −0,057 0,075 0,415
−0,153 −0,115 −0,145 −0,15 −0,068 −0,075 −0,191 0,014 0,072 −0,024 −0,286 0,108 −0,11 0,075 1,709
15
No se transcribirán los valores por encima de la diagonal principal, porque S es una matriz simétrica.
Se puede observar que la varianza menor es la observada para la variable P12 (Restricciones al consumo), esto
se explica, además, debido a que dicha variable también presenta una media mucho más baja que las demás
variables. Las covarianzas asumen valores del mismo orden de magnitud que las varianzas, lo que indica una
dependencia entre las variables. Se puede observar varias covarianzas negativas entre algunas variables, con
lo que podemos observar que la implementación de algunas medidas no beneficia a las otras. Mediante lo
anterior se puede comprobar la existencia de independencia entre cada una de las características.
En la tabla 16 se presentan los vectores propios, observamos que el primer componente tien un valor superior
para la variable P12 (Restricciones al consumo), esto indica que la primera combinación lineal refleja la
variación de la restricción al consumo, podemos relacionar cada compnente con una variable, en este caso se
le asociara con aquella que posee el valor mayor en el vector
Tabla 16
Vectores propios de la matriz de covarianza
P1
P10
P11
P12
P13
P14
P15
P2
P3
P4
P5
P6
P7
P8
P9
Vectores Propios
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
−0,422 0,035 0,274 0,055 −0,484 −0,076 −0,417 0,455 −0,039 0,132 −0,068 −0,145 0,23 −0,132 0,083
−0,122 −0,391 0,333 −0,331 −0,139 0,583 −0,137 −0,086 −0,017 0,404 −0,131 0,084 −0,072 0,121 −0,141
−0,651 0,451 0,14 −0,09 0,167 −0,324 0,091 −0,196 0,073 −0,014 −0,129 −0,13 0,242 0,114 −0,235
0,529 −0,434 −0,093 0,174 −0,164 −0,304 0,334 0,135 −0,218 0,223 −0,071 −0,276 0,159 0,199 0,005
−0,487 −0,257 −0,332 0,291 0,265 0,507 0,032 0,001 −0,062 −0,147 0,031 0,063 0,321 0,139 0,147
−0,598 0,134 0,236 0,245 −0,345 0,099 0,4
−0,171 0,022 −0,038 −0,126 −0,213 −0,318 0,059 0,152
0,335 0,037 −0,097 0,341 −0,55 0,092 0,064 −0,538 0,235 0,032 −0,128 0,125 0,238 −0,105 −0,018
0
0,383 0,272 −0,553 −0,158 0,017 0,461 −0,014 −0,074 0,149 0,361 0,16 0,188 0,002 0,126
−0,37 −0,431 0,205 0,404 0,015 −0,271 0,353 0,186 −0,185 0,06 −0,05 0,423 −0,024 −0,1 −0,092
−0,334 −0,613 −0,207 −0,02 0,136 −0,106 0,122 −0,055 0,449 0,215 0,34 −0,206 −0,006 −0,124 −0,028
−0,07 0,193 −0,617 −0,298 −0,063 −0,098 0,183 0,328 0,365 0,163 −0,364 0,18 −0,033 0,055 0,067
0,161 0,1
0,562 0,225 0,553 −0,198 −0,14 −0,165 0,176 0,316 −0,175 0,049 0,049 0,008 0,198
−0,007 −0,531 0,167 −0,584 0,144 −0,007 0,202 −0,145 −0,105 −0,264 −0,354 −0,119 0,11 −0,178 0,056
−0,245 −0,445 −0,024 −0,279 −0,269 −0,5 −0,392 −0,271 0,018 −0,135 0,087 0,191 −0,05 0,196 0,105
0,289 −0,161 0,615 0,065 −0,091 0,109 0,125 0,325 0,452 −0,373 0,03 0,037 0,052 0,128 −0,048
b. Uso de la matriz de correlación
A partir de la matriz de covarianzas es posible calcular la matriz de correlación, dicha matriz se transcribe en
la Tabla 17. Los resultados de los valores propios y la proporción de la variación explicada son representados,
en la Tabla 18, se puede observar que el numero de valores propios es similar a la cantidad de variables
consideradas. En este caso el primer componente solo sintetiza el 13,5 % y entre los cinco primeros
obtenemos más del 50% de la muestra.
Lo anterior se refleja de mejor manera en la Figura 1, donde podemos ver el comportamiento y realizar una
selección visual del método de selección de componentes principales de Cattel.
Tabla 17
16
Matriz de correlación
P1
P10
P11
P12
P13
P14
P15
P2
P3
P4
P5
P6
P1 1
P10 0,15822 1
P11 0,18442 −0,1995 1
P12 −0,13641 −0,10333 −0,40837 1
P13 −0,01908 0,12285 0,05545 −0,21042 1
P14 0,21517 0,0758 0,38078 −0,20078 0,13659 1
P15 −0,10751 −0,02421 −0,1895 0,18811 −0,09473 0,0896 1
P2 −0,03712 0,09088 0,21491 −0,10481 −0,28509 0,09609 −0,07191 1
P3 0,127
−0,00398 0,06659 0,18259 0,21141 0,28618 −0,10812 −0,12352 1
P4 −0,04165 0,13161 −0,00417 0,10521 0,28444 0,05759 −0,113 −0,16178 0,24174 1
P5 −0,04176 −0,15279 0,07668 −0,03061 0,00288 −0,08862 −0,0523 0,0558 −0,12709 0,07416 1
P6 −0,101 0,01542 0,16603 −0,02932 −0,1977 −0,11522 −0,07501 −0,07368 0,0806 −0,0775 −0,30044 1
P7 −0,15778 0,31194 −0,03579 0,14
0,00155 −0,07442 −0,18539 0,08631 0,05856 0,1781 −0,03358 −0,
P8 0,1933 0,07341 0,0678 −0,01534 −0,11703 −0,05627 0,01027 −0,12033 0,14466 0,29046 −0,05925 −0,
P9 0,09281 0,10127 −0,21473 0,0829 −0,19156 0
0,04083 0,07057 0,0866 −0,0423 −0,22321 0,20
Tabla 18
Valores propios y proporción de la variación explicada,
cálculos realizados a partir de la matriz R
Variable
P1
P10
P11
P12
P13
P14
P15
P2
P3
P4
P5
P6
P7
P8
P9
Factor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Eigenvalue
2,0262
1,89195
1,65164
1,44407
1,25487
1,2134
1,09269
0,96281
0,73557
0,67968
0,62238
0,51963
0,45951
0,23325
0,21235
Proporción de
la varianza
Absoluta (%)
13,5
12,6
11
9,6
8,4
8,1
7,3
6,4
4,9
4,5
4,1
3,5
3,1
1,6
1,4
Acumulada (%)
13,5
26,1
37,1
46,8
55,1
63,2
70,5
76,9
81,8
86,4
90,5
94
97
98,6
100
Figura 1
17
Variación explicada para cada componente.
Podemos observar en la quinta componente un punto de inflexión
Tabla 19
Vectores propios de la matriz de correlación
P1
P10
P11
P12
P13
P14
P15
P2
P3
P4
P5
P6
P7
P8
P9
Vectores Propios (Vectores Eigen)
1
2
3
4
0,42187 −0,03541 0,27408
−0,05485
0,12189 0,39071 0,33262
0,33064
0,6509
−0,4511 0,14045
0,09007
−0,52905 0,43437 −0,09322 −0,17447
0,48685 0,25708 −0,33199 −0,29084
0,5982
−0,13357 0,23636
−0,24467
−0,33478 −0,03678 −0,0972
−0,34109
0,00029 −0,38261 0,27231
0,55344
0,37013 0,43109 0,20475
−0,40409
0,33388 0,6128
−0,20695 0,02
0,06982 −0,19303 −0,6168
0,29826
−0,16144 −0,10033 0,56164
−0,22503
0,0069
0,53091 0,16706
0,58374
0,24522 0,4448
−0,02371 0,27896
−0,28857 0,16059 0,61537
−0,06521
5
0,48357
0,13917
−0,16727
0,1639
−0,26498
0,34474
0,55014
0,15828
−0,01514
−0,13599
0,06308
−0,55296
−0,14448
0,26925
0,09069
6
0,07591
−0,58288
0,3235
0,30421
−0,50672
−0,09913
−0,09183
−0,0171
0,27148
0,10567
0,09771
0,19821
0,00663
0,49974
−0,10905
7
−0,41699
−0,13676
0,09082
0,33372
0,03243
0,39985
0,06377
0,46115
0,35345
0,12182
0,1833
−0,14026
0,20177
−0,39187
0,12463
De la tabla anterior observamos que el primer vector propio indica que esta combinación lineal es
aproximadamente un promedio de todas las variables con ponderación relativamente mayor que la P1,
podemos observar que P12 es negativo con respecto a P1 entonces podemos observar que mientras se amplia
la preferencia hacia el desempeño en la pregunta 1 en la pregunta 2 la opinión se va alejando del óptimo
buscado.
Lo anterior se repite en varios casos, y llama la atención la elevada cantidad de casos en que la correlación es
negativa, esto nos puede indicar que cada una de las variables es dependiente de la otra en el sentido de que si
la opinión aumenta por un ítem en especial lo disminuirá en la que presente un r negativo.
Interpretación de los Resultados
En este capítulo analizaremos los resultados obtenidos y a la vez se generaran conclusiones sobre cada uno de
los datos.
Figura 2
Evaluación sobre efectividad de algunas medidas
18
En el caso de los, datos aplicados a estadística discreta, que serán los analizados debido a su mayor
importancia dentro de dicha investigación, podemos observar la figura 2 donde tenemos las distintas
posibilidades de variación dentro del tema de la efectividad de ciertas medidas frente al tema de los residuos.
Dentro del tema del análisis de multicomponentes, la forma más útil de representación en la mostrada en le
figura 3, en la cual podemos observar la distribución de cada una de las variables, y como es su relación entre
si. Mientras más cercanas estén las variables su correlación será mayor, es así como si para una variable se
amplían los esfuerzos por que su evaluación se a mejor, indirectamente otras variables que tengan un r similar
y mayor que cero se verán afectadas de forma positiva, en cambio si su valor es menor que cero se cumplirá
una relación inversa.
Figura 3
Correlación de las variables originales con los dos primeros componentes.
De la figura anterior, observamos que al gráficar las variables originales en función de los dos primeros
componentes, se puede gráficar el comportamiento de casi el 26% de la muestra. Si pudiéramos trazar un
circulo de radio unitario, trazado con centro ene l origen, podemos identificar las variables cuya correlación
con los componentes será mayor, así las que se agrupan cerca del centro tendrán una correlación mucho
menor con las componentes principales. Como la proporción de la variación de cada variable explicada en los
dos primeros componentes principales es la suma de sus correlaciones al cuadrado, las variables mejor
explicadas se ubicaran cerca del círculo y las menos explicadas cerca del origen de coordenadas.
19
Conclusiones
Del análisis final podemos concluir que:
· No existe un grado definido de satisfacción frente a las medidas que se han aplicado frente al problema de
los residuos.
· Existe una falta de educación y apoyo a la gente en temas concernientes a los residuos.
· Las mejoras en procesos productivos dan una imagen de tranquilidad y de seguridad en el tema de los
residuos, se reduce su peligrosidad.
· Los intereses económicos de cada individuo priman a al hora de evaluar las efectividad de las medidas, es así
como se prefieren productos con una vida útil mayor.
· No existe un conocimiento pleno y acabado de técnicas de reciclaje y/o reutilización, lo cual implica que la
educación y la información en ese ámbito ha sido escasa.
· Se infiere que la responsabilidad de los residuos es de las municipalidades, debido a que una medida efectiva
es la instauración de un mayor número de basureros y la dictación de normas ambientales en el área
· Nuestra realidad en los temas ambientales, esta a años luz de los países desarrollados, que miran con
distintos ojos lo que ocurre en sus ciudades, realizando evaluaciones, que tienen como finalidad mejorar sus
propios estándares ambientales, reduciendo la contaminación y aumentando los beneficios a sus gobierno y
por ende a sus habitantes.
Bibliografía
1) Martens, Bernard. Social obstacles to waste management: The solid waste problem in the perception of
different social actors. Journal of Environmental System 25 (1996−97). New York: Baywood Publishing Co.,
Inc., 1996.
2) Zepeda, Francisco ¿Qué hacemos con la Basura?. Tierra América Junio : 1996: 4−5. Santiago : La Nación,
1996
3) Téléperformance France. Guía para el desarrollo de encuestas en telemarketing París: 1996.
4) Kendall, M. G., Multivariate analysis., Londres: Griffin ,1980, Segunda Edición.
5) Pla, Laura E. Análisis multivariado: método de componentes principales. Serie Monografías Científicas
OEA.Washington: julio 1986.
6) Mardia, K. V., J. Kent y J. Bibby. Multivariate analysis. Londres: Academic, 1979.
Indice
Introducción 2
Análisis Multivariado 2
Componentes Principales 7
20
Objetivo 9
Metodología 10
Confección de la encuesta tipo 10
Target 13
Realización de la encuesta 13
Validación de los datos 14
Preparación estadística de los datos 14
Resultados 15
Análisis estadístico simple 15
Análisis de Correspondencia 21
a. Calculo de los valores y vectores propios de la matriz de covarianza. 22
b. Uso de la matriz de correlación 23
Interpretación de los Resultados 27
Conclusiones 29
Bibliografía 30
Indice 31
Indice de figuras 31
Indice de tablas 32
Indice de figuras
Figura 1 25
Variación explicada para cada componente. 25
Figura 2 27
Evaluación sobre efectividad de algunas medidas 27
Figura 3 28
Correlación de las variables originales con los dos primeros componentes. 28
Indice de tablas
21
Tabla 1 15
Distribución de los encuestados según sexo y edad 15
Tabla 2 16
Distribución de los encuestados según sexo y estudios 16
Tabla 3 16
Según su opinión: ¿La cantidad de basura ha aumentado el último tiempo? 16
Tabla 4 16
¿En cuanto cree que a aumentado? 16
Tabla 5 17
¿Considera que la basura es más peligrosa que antes? 17
Tabla 6 17
Utiliza alguna forma para disminuir la cantidad de basura en su hogar, o en su barrio 17
Tabla 7 17
Conoce lo que es el reciclaje 17
Tabla 8 18
Ha visto o escuchado hablar sobre algún 18
basurero o vertedero de Santiago 18
Tabla 9 18
Aceptaría que se pusiera uno cerca de su casa, 18
digamos a una cuadra de su hogar 18
Tabla 10 18
¿Por qué razones no lo haría? 18
Tabla 11 19
Ha recibido información sobre la basura y los basurales alguna vez 19
Tabla 12 19
Piensa que se debieran prohibir las sustancias tóxicas que se encuentran en la basura 19
22
Tabla 13 20
Porcentaje de respuesta sobre efectividad de medidas, frente al 20
problema de los residuos ambientales 20
Tabla 14 21
Variables utilizadas en el análisis de componentes principales 21
Tabla 15 22
Matriz de covarianza 22
Tabla 16 23
Vectores propios de la matriz de covarianza 23
Tabla 17 24
Matriz de correlación 24
Tabla 18 24
Valores propios y proporción de la variación explicada, 24
cálculos realizados a partir de la matriz R 24
Tabla 19 25
Vectores propios de la matriz de correlación 25
32
Percepción del problema de Residuos Sólidos
23