Resíduos sólidos

Contaminación. Basura. Reutilización de recursos. Reciclaje. Análisis multivariado

  • Enviado por: Marcel
  • Idioma: castellano
  • País: Chile Chile
  • 32 páginas
publicidad
publicidad

Resíduos sólidos

Universidad de Santiago de Chile

Facultad de Ingeniería

Departamento de Geografía

Ingeniería (E) en Ambiente

Resíduos sólidos

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.

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 (“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:

Resíduos sólidos
( 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:

Resíduos sólidos
( 2

De la misma matriz de (1, podemos definir la varianza muestral de la j-ésima variable por:

Resíduos sólidos
( 3

Además, podemos definir la covarianza entre la j-ésima variable y la k-ésima variable por:

Resíduos sólidos
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:

Resíduos sólidos
( 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:

Resíduos sólidos
( 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).

Resíduos sólidos
( 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.

Resíduos sólidos
( 8

De la misma matriz de (5, se puede denomina variación total a la traza de dicha matriz.

Resíduos sólidos
( 9

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 :

Resíduos sólidos
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.

Si se reemplaza cada nueva variable por su definición en función de las variables originales se obtendrá:

Resíduos sólidos
( 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.

Resíduos sólidos
( 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. 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 _______

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

Muy efectiva

3

Efectiva

2

Indiferente

1

No Muy efectiva

0

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

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.

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

Sexo de los encuestados

Masculino

Femenino

Total

Grupo Etario

Cantidad

% Fila

% Col.

Cantidad

% Fila

% Col.

Cantidad

% Fila

% Col.

Menor de 20 años

4

66,70%

14,30%

2

33,30%

7,70%

6

100,00%

11,10%

Entre 20 y 40 años

19

52,80%

67,90%

17

47,20%

65,40%

36

100,00%

66,70%

Entre 40 y 60 años

4

44,40%

14,30%

5

55,60%

19,20%

9

100,00%

16,70%

Mayor de 60 años

1

33,30%

3,60%

2

66,70%

7,70%

3

100,00%

5,60%

Total

28

51,90%

100,00%

26

48,10%

100,00%

54

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

Total

Estudios

Cantidad

% Fila

% Columna

Cantidad

% Fila

% Columna

Cantidad

% Fila

% Columna

Básica

5

50,00%

17,90%

5

50,00%

19,20%

10

100,00%

18,50%

Media

14

56,00%

50,00%

11

44,00%

42,30%

25

100,00%

46,30%

Superiores

9

47,40%

32,10%

10

52,60%

38,50%

19

100,00%

35,20%

Total

28

51,90%

100,00%

26

48,10%

100,00%

54

100,00%

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 aumento palpable en la cantidad de residuos generados.

Tabla 3

Según su opinión: ¿La cantidad de basura ha aumentado el último tiempo?

Cantidad

%

Si

34

63,00%

No

20

37,00%

Total

54

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?

Cantidad

%

El doble

19

55,90%

El triple

7

20,60%

Mucho más

2

5,90%

No sabe

6

17,60%

Total

34

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?

Cantidad

%

Si

24

44,40%

No

30

55,60%

Total

54

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

Tabla 6

Utiliza alguna forma para disminuir la cantidad de basura en su hogar, o en su barrio

Cantidad

%

Si

8

14,80%

No

46

85,20%

Total

54

100,00%

Tabla 7

Conoce lo que es el reciclaje

Cantidad

%

Si

46

85,20%

No

8

14,80%

Total

54

100,00%

Tabla 8

Ha visto o escuchado hablar sobre algún

basurero o vertedero de Santiago

Cantidad

%

Si

50

92,60%

No

4

7,40%

Total

54

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

Cantidad

%

Si

12

22,20%

No

42

77,80%

Total

54

100,00%

Tabla 10

¿Por qué razones no lo haría?

Cantidad

%

Peligro para la salud

21

50,00%

Bajaría el valor de su terreno

8

19,00%

Son poco seguros

7

16,70%

Foco de infecciones

3

7,10%

No sabe

3

7,10%

Total

42

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

Cantidad

%

Si

7

13,00%

No

47

87,00%

Total

54

100,00%

Tabla 12

Piensa que se debieran prohibir las sustancias tóxicas que se encuentran en la basura

Cantidad

%

Si

35

64,80%

No sabe

19

35,20%

Total

54

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 responde

No Muy efectiva

Indiferente

Efectiva

Muy efectiva

Total

Prohibición de ciertas sustancias en la fabricación de componentes

5,60%

35,20%

27,80%

22,20%

9,30%

100,00%

Creación de centros de reciclaje móviles

1,90%

7,40%

16,70%

68,50%

5,60%

100,00%

Aumento de regulaciones ambientales

7,40%

1,90%

11,10%

33,30%

46,30%

100,00%

Soluciones económicas

0%

83,30%

14,80%

1,90%

0%

100,00%

Beneficios económicos a productores con material reciclado

1,90%

25,90%

44,40%

24,10%

3,70%

100,00%

Aumento de materiales reutilizables

0%

3,70%

9,30%

70,40%

16,70%

100,00%

Mayor educación en las escuelas

27,80%

18,50%

24,10%

22,20%

7,40%

100,00%

Bajar precios a elementos que se vendan y que ya estén en desuso

18,50%

20,40%

33,30%

18,50%

9,30%

100,00%

Desarrollo de mejores procesos productivos

3,70%

27,80%

22,20%

40,70%

5,60%

100,00%

Mayor vida útil de los productos

5,60%

38,90%

24,10%

27,80%

3,70%

100,00%

Desarrollo de productos con generación mínima de residuos

11,10%

20,40%

40,70%

25,90%

1,90%

100,00%

Restricciones al consumo

1,90%

1,90%

20,40%

61,10%

14,80%

100,00%

Aumento de camiones recolectores

3,70%

1,90%

5,60%

74,10%

14,80%

100,00%

Colocación de mas basureros en las calles

24,10%

14,80%

44,40%

16,70%

0%

100,00%

Creación de nuevos vertederos.

25,90%

16,70%

25,90%

20,40%

11,10%

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

Media

Mediana

Desviación Estándar

Coeficiente de variación

Prohibición de ciertas sustancias en la fabricación de componentes

1,94

2

1,09

1,19

Creación de centros de reciclaje móviles

1,80

2

1,22

1,49

Aumento de regulaciones ambientales

2,17

2

1,02

1,05

Soluciones económicas

1,85

2

1,02

1,03

Beneficios económicos a productores con material reciclado

1,87

2

0,99

0,98

Aumento de materiales reutilizables

2,85

3

0,76

0,58

Mayor educación en las escuelas

2,94

3

0,79

0,62

Bajar precios a elementos que se vendan y que ya estén en desuso

1,54

2

1,04

1,08

Desarrollo de mejores procesos productivos

1,74

2

1,35

1,82

Mayor vida útil de los productos

2,69

3

0,77

0,60

Desarrollo de productos con generación mínima de residuos

3,09

3

1,15

1,33

Restricciones al consumo

1,19

1

0,44

0,19

Aumento de camiones recolectores

2,02

2

0,86

0,74

Colocación de mas basureros en las calles

3,00

3

0,64

0,42

Creación de nuevos vertederos.

1,63

2

1,31

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

1,186

P2

-0,049

1,486

P3

0,142

-0,154

1,047

P4

-0,046

-0,201

0,252

1,034

P5

-0,045

0,067

-0,129

0,075

0,983

P6

-0,084

-0,068

0,063

-0,06

-0,227

0,581

P7

-0,135

0,083

0,047

0,143

-0,026

-0,027

0,619

P8

0,219

-0,153

0,154

0,307

-0,061

-0,108

0,219

1,084

P9

0,136

0,116

0,119

-0,058

-0,298

0,206

0,136

-0,16

1,818

P10

0,133

0,086

-0,003

0,103

-0,117

0,009

0,19

0,059

0,106

0,597

P11

0,232

0,302

0,079

-0,005

0,088

0,146

-0,032

0,081

-0,334

-0,178

1,331

P12

-0,065

-0,056

0,082

0,047

-0,013

-0,01

0,048

-0,007

0,049

-0,035

-0,206

0,191

P13

-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

P14

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

P15

-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

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

Vectores Propios

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

P1

-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

P10

-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

P11

-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

P12

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

P13

-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

P14

-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

P15

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

P2

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

P3

-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

P4

-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

P5

-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

P6

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

P7

-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

P8

-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

P9

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

Matriz de correlación

P1

P10

P11

P12

P13

P14

P15

P2

P3

P4

P5

P6

P7

P8

P9

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

-0,04541

1

P8

0,1933

0,07341

0,0678

-0,01534

-0,11703

-0,05627

0,01027

-0,12033

0,14466

0,29046

-0,05925

-0,13559

0,2674

1

P9

0,09281

0,10127

-0,21473

0,0829

-0,19156

0

0,04083

0,07057

0,0866

-0,0423

-0,22321

0,2005

0,12839

-0,11401

1

Tabla 18

Valores propios y proporción de la variación explicada,

cálculos realizados a partir de la matriz R

Proporción de la varianza

Variable

Factor

Eigenvalue

Absoluta (%)

Acumulada (%)

P1

1

2,0262

13,5

13,5

P10

2

1,89195

12,6

26,1

P11

3

1,65164

11

37,1

P12

4

1,44407

9,6

46,8

P13

5

1,25487

8,4

55,1

P14

6

1,2134

8,1

63,2

P15

7

1,09269

7,3

70,5

P2

8

0,96281

6,4

76,9

P3

9

0,73557

4,9

81,8

P4

10

0,67968

4,5

86,4

P5

11

0,62238

4,1

90,5

P6

12

0,51963

3,5

94

P7

13

0,45951

3,1

97

P8

14

0,23325

1,6

98,6

P9

15

0,21235

1,4

100

Figura 1

Variación explicada para cada componente.

Podemos observar en la quinta componente un punto de inflexión

Tabla 19

Vectores propios de la matriz de correlación

Vectores Propios (Vectores Eigen)

1

2

3

4

5

6

7

P1

0,42187

-0,03541

0,27408

-0,05485

0,48357

0,07591

-0,41699

P10

0,12189

0,39071

0,33262

0,33064

0,13917

-0,58288

-0,13676

P11

0,6509

-0,4511

0,14045

0,09007

-0,16727

0,3235

0,09082

P12

-0,52905

0,43437

-0,09322

-0,17447

0,1639

0,30421

0,33372

P13

0,48685

0,25708

-0,33199

-0,29084

-0,26498

-0,50672

0,03243

P14

0,5982

-0,13357

0,23636

-0,24467

0,34474

-0,09913

0,39985

P15

-0,33478

-0,03678

-0,0972

-0,34109

0,55014

-0,09183

0,06377

P2

0,00029

-0,38261

0,27231

0,55344

0,15828

-0,0171

0,46115

P3

0,37013

0,43109

0,20475

-0,40409

-0,01514

0,27148

0,35345

P4

0,33388

0,6128

-0,20695

0,02

-0,13599

0,10567

0,12182

P5

0,06982

-0,19303

-0,6168

0,29826

0,06308

0,09771

0,1833

P6

-0,16144

-0,10033

0,56164

-0,22503

-0,55296

0,19821

-0,14026

P7

0,0069

0,53091

0,16706

0,58374

-0,14448

0,00663

0,20177

P8

0,24522

0,4448

-0,02371

0,27896

0,26925

0,49974

-0,39187

P9

-0,28857

0,16059

0,61537

-0,06521

0,09069

-0,10905

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

Resíduos sólidos

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.

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

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

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

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