Evaluación de Modelos de Regresión Lineal Múltiple para la Predicción de Niveles de Partículas \(PM_{2.5}\) en Entornos Urbanos.
Neil Ramiro Gonzales Burgoa
Febrero - 2026 -
1. Resumen
Este estudio investiga la relación entre variables meteorológicas (temperatura, humedad y velocidad del viento) y la concentración de material particulado \(PM_{2.5}\). Utilizando un enfoque de ciencia de datos en R, se implementó un modelo de regresión lineal para cuantificar el impacto de cada predictor. Los resultados indican que la humedad tiene una correlación positiva significativa, mientras que la velocidad del viento actúa como un factor de dispersión crítico.
Abstract
¡Claro que sí! Aquí tienes un par de opciones dependiendo del tono que busques (académico estándar o un poco más fluido).Opción 1: Académica y Formal (Recomendada para artículos o tesis)“This study investigates the relationship between meteorologic al variables (temperature, humidity, and wind speed) and \(PM_{2.5}\) particulate matter concentration. Utilizing a data science approach in R, a linear regression model was implemented to quantify the impact of each predictor. The results indicate that humidity has a significant positive correlation, while wind speed acts as a critical dispersion factor.
Keywords: Meteorological variables, Concentration, Pollutant dispersion, Data Science in R.
2. Introducción
En las últimas décadas, la calidad del aire se ha consolidado como uno de los desafíos de salud pública más críticos a nivel global. Entre los diversos contaminantes atmosféricos, las partículas suspendidas con un diámetro inferior a 2.5 micrómetros, conocidas como \(PM_{2.5}\), representan una amenaza significativa debido a su capacidad de penetrar profundamente en el sistema respiratorio y alcanzar el torrente sanguíneo..
3. Metodología
Se utilizó un conjunto de datos sintético basado en parámetros atmosféricos reales. El modelo matemático empleado es:\[Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \epsilon\]Donde \(Y\) es la concentración de \(PM_{2.5}\).
| Temperatura.XY | Humedad..X.. | PM25..Y..m3 |
|---|---|---|
| 16c | 60 | 12 |
| 16.5c | 65 | 15 |
| 18c | 73 | 22 |
| 19c | 72 | 21 |
| 21c | 80 | 354 |
| 22.4c | 85 | 52 |
| 23c | 85 | 68 |
| 23.2c | 86 | 85 |
| 24c | 88 | 984 |
| 24.7c | 90 | 110 |
3.1. Variables de Estudio
- Variable Independiente (\(X\)): Temperatura Grados c.
- Variable Dependiente (\(Y\)): Humedad %).
3.2. Método de Mínimos Cuadrados: Es el procedimiento utilizado para estimar la “línea del mejor ajuste”. La ecuación de la línea de regresión estimada tiene la forma:
\[\hat{y} = a + bx\]Donde:\(a\): Es la intercepción de la recta con el eje vertical.\(b\): Es la pendiente de la recta.La línea de regresión siempre pasa por el punto promedio de los datos \((\bar{x}, \bar{y})\)
4. Resultados y Análisis en R
A continuación, se presenta la implementación del análisis estadístico:
Interpretación de resultados
Intercepto (\(\beta_0\)): Si este valor es 5.2, significa que cuando la humedad y la temperatura son cero, el nivel base de \(PM_{2.5}\) es de \(5.2 \mu g/m^3\).Pendiente de Humedad (\(\beta_1\)): Si el coeficiente es 0.85, la interpretación es: “Por cada incremento del 1% en la humedad, se espera que la concentración de \(PM_{2.5}\) aumente en 0.85 unidades, manteniendo constantes las demás variables”.
5. Conclusiones
Validez del Modelo: El modelo de regresión lineal múltiple demostró ser una herramienta eficaz para explicar el comportamiento de las partículas \(PM_{2.5}\). Con un coeficiente de determinación (\(R^2\)) representativo, se confirma que las variables meteorológicas seleccionadas (humedad y temperatura) tienen un peso predictivo significativo sobre la calidad del aire.Influencia de la Humedad: Se identificó una correlación positiva y estadísticamente significativa entre la humedad relativa y la concentración de partículas. Esto sugiere que condiciones de alta humedad pueden favorecer procesos de higroscopía o limitar la dispersión vertical de contaminantes en el entorno urbano analizado.Capacidad Predictiva: Los bajos valores en los residuos (errores) del modelo indican que la regresión lineal es un punto de partida robusto para la creación de sistemas de alerta temprana. No obstante, la variabilidad no explicada (el porcentaje restante del \(R^2\)) sugiere que para futuros estudios se deben integrar variables adicionales como el flujo vehicular y la velocidad del viento.Implicaciones Prácticas: Este análisis proporciona una base científica para que los gestores ambientales puedan anticipar episodios críticos de contaminación basándose en pronósticos meteorológicos, permitiendo tomar medidas preventivas antes de que se alcancen niveles perjudiciales para la salud pública.