GMPEs para Un Sistema de Alerta Temprana de Terremotos

GMPEs PARA UN SISTEMA DE ALERTA TEMPRANA DE TERREMOTOS
GIANNINA VALENTINA SANCY BARRERA
Memoria para optar al Título de Ingeniera Civil en Obras Civiles
Profesor Guía: Sebastián Riquelme
FACULTAD DE INGENIERÍA Y CIENCIAS

ESCUELA DE INGENIERÍA EN OBRAS CIVILES
Santiago, Chile
2019
GMPEs PARA UN SISTEMA DE ALERTA TEMPRANA DE TERREMOTOS
GIANNINA VALENTINA SANCY BARRERA
Memoria para optar al Título de Ingeniera Civil en Obras Civiles
Profesor Guía: Sebastián Riquelme

Profesor Comisión: Jorge Crempien
Profesor Examinador: José Colombo
FACULTAD DE INGENIERÍA Y CIENCIAS

ESCUELA DE INGENIERÍA EN OBRAS CIVILES
Santiago, Chile
2019
Dedicado al Seba.
Aunque no vibremos igual,
te siento a mi lado aún.
Solo son momentos.
Agradecimientos
Agradecer en primer lugar a mi familia, especialmente a mi mamá por todo el

aguante que tuvo y que sigue teniendo para sacarnos adelante con mi hermana y
enseñarnos a ser mujeres empoderadas.
A mi profesor guía Sebastián Riquelme por toda la disposición que tuvo de

permitirme realizar el trabajo de título en el CSN y a todo el equipo, por la amabilidad
que tuvieron al recibirme, en especial al tata y Pablo Koch por su gran paciencia.
Junto a ellos, agradecer a Jorge Crempien por sus comentarios y ayuda durante mi
memoria.
Agradecer a Abelardo Julio por aceptarme en su oficina para realizar mis prácticas,
por contribuir en mi desarrollo profesional y por incentivarme a ser una geotécnica.
Por último, a mis entrenadores de natación que me ayudaron a no morir de estrés,

a la Cami, Maca, Dani por todos nuestros años de amistad y a mis compañeros de
la universidad.
Resumen
Dado que Chile está constantemente expuesto a mega-terremotos, en esta

investigación se desarrollaron Ecuaciones de Predicción del Movimiento Fuerte del
Suelo (GMPEs) en conjunto con el Centro Sismológico Nacional (CSN). Estas
curvas predictoras de amplitud sísmica se generaron para tres gaps sísmicos que
existen en Chile. El primero corresponde al segmento que abarca desde 18S (Arica)
a 23S (norte de la península de Mejillones), el segundo gap sísmico comienza en la
latitud 23,5S (sur de la península de Mejillones) hasta 29S (norte de la falla de
ruptura del terremoto de Mw8,2 Illapel 2015) y finalmente, la zona desde 32S (sur
de la falla de ruptura del terremoto de Mw8,2 Illapel 2015) hasta 35S (Rancagua).
Todo este estudio está impulsado por la motivación que significa la posibilidad de
implementar en Chile el nuevo sistema de alerta temprana de terremotos japonés,
que permita en tiempo real y de manera simplificada, estimar la intensidad sísmica
basada en predicciones de magnitud para terremotos de subducción interplaca.
v
Abstract
Since Chile is constantly exposed to mega-earthquakes, this research developed

Ground Motion Prediction Equations (GMPEs) carried out with help from the Centro
Sismológico Nacional (CSN). The predictive seismic amplitude curves were
generated from the seismic gaps that exist in Chile. The first seismic gap extends
from Arica with latitude of 18S to the north of the península of Mejillones at a latitude
of 23S. The second zone from the south of the península of Mejillones (23,5S) to the
north of the failed of eruption of Mw8,2 Illapel and finally, the seismic gap from 32S
to Rancagua (35S).
All this motivated the implementation of the japanese Early Earthquake Warning
System (EEW) allowing in real time and in a simplified way based on predictions of
magnitude, the estimation of seismic intensity for interplate earthquakes.
vi
Índice de Contenidos
RESUMEN .............................................................................................................. V
ABSTRACT ........................................................................................................... VI
ÍNDICE DE GRÁFICOS .......................................................................................... X
ÍNDICE DE TABLAS ........................................................................................... XIII
ÍNDICE DE ILUSTRACIONES ............................................................................. XIV
CAPÍTULO I: INTRODUCCIÓN .............................................................................. 1
1.1 INTRODUCCIÓN ............................................................................................... 1

1.2 OBJETIVO GENERAL ........................................................................................ 1
1.3 OBJETIVOS ESPECÍFICOS ................................................................................. 2
CAPÍTULO II: REVISIÓN BIBLIOGRÁFICA .......................................................... 3
2.1 CONTEXTO TECTÓNICO EN CHILE ..................................................................... 3

2.2 ANTECEDENTES LEYES DE ATENUACIÓN ............................................................ 6
2.3 SISTEMAS DE ALERTA TEMPRANA EN EL MUNDO ............................................... 12
2.3.1 Early Earthquake Warning System Japan (EEW) ............................... 14
2.3.2 Early Earthquake Warning System California (ElarmS) ...................... 16
2.3.3 Sistema de Alerta Sísmica Mexicano (SARMEX) ............................... 16
CAPÍTULO III: GAPS SÍSMICOS EN CHILE ....................................................... 18
3.1 GAP SÍSMICO 1 ............................................................................................. 20

3.2 GAP SÍSMICO 2 ............................................................................................. 23
3.3 GAP SÍSMICO 3 ............................................................................................. 26
CAPÍTULO IV: ANÁLISIS DE LA BASE DE DATOS .......................................... 29
4.1 ORGANIZACIÓN Y PROCESAMIENTO DE LA INFORMACIÓN ................................... 30

4.2 PROCESAMIENTO DE SEÑALES ....................................................................... 37
4.3 SELECCIÓN DE REGISTROS ............................................................................ 39
4.4 BASE DE DATOS FINAL ................................................................................... 45
4.4.1 Gap sísmico 1 ..................................................................................... 45
4.4.2 Gap sísmico 2 ..................................................................................... 47
4.4.3 Gap sísmico 3 ..................................................................................... 49
CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPES) ......... 51
vii
5.1 FORMA FUNCIONAL ....................................................................................... 51
5.2 MÉTODO DE REGRESIÓN ................................................................................ 53
5.3 ANÁLISIS DEL PARÁMETRO DISTANCIA ............................................................. 59
5.4 CURVA DE ATENUACIÓN JAPÓN ...................................................................... 62
5.5 RESULTADOS COEFICIENTES .......................................................................... 63
5.5.1 Gap sísmico 1 ..................................................................................... 63
5.5.2 Gap sísmico 2 ..................................................................................... 65
5.5.3 Gap sísmico 3 ..................................................................................... 67
5.6 MODELACIÓN DE RESIDUALES Y RESULTADOS FINALES ..................................... 69
5.6.1 Gap sísmico 1 ..................................................................................... 72
5.6.2 Gap sísmico 2 ..................................................................................... 75
5.6.3 Gap sísmico 3 ..................................................................................... 78
CAPÍTULO VI: ANÁLISIS DE RESULTADOS ..................................................... 81
6.1 GAP SÍSMICO 1 ............................................................................................. 81

6.2 GAP SÍSMICO 2 ............................................................................................. 84
6.3 GAP SÍSMICO 3 ............................................................................................. 85
6.4 COMPARACIÓN COEFICIENTES ........................................................................ 87
6.5 COMPARACIÓN COEFICIENTES CHILE VERSUS COEFICIENTES JAPÓN ................. 98
6.6 EFECTO DE SITIO .......................................................................................... 98
CAPÍTULO 7: CONCLUSIONES Y RECOMENDACIONES .............................. 101
BIBLIOGRAFÍA .................................................................................................. 104
ANEXOS ............................................................................................................. 110
ANEXO A ...................................................................................................... 110
A.1 RED DE ACELERÓGRAFOS ............................................................................. 110

A.2 CATÁLOGO DE EVENTOS GAP SÍSMICO 1 ......................................................... 114
ANEXO B ...................................................................................................... 133
ANEXO C ...................................................................................................... 134
C.1 GRÁFICOS SEISMIC GAP 1 ............................................................................ 134

viii
APÉNDICE D ................................................................................................. 165
D.1 CURVA GAP SÍSMICO 1 Y 2 CON PGD GAP SÍSMICO 3 ...................................... 165
D.2 CURVA GAP SÍSMICO 2 Y 3 CON PGD GAP SÍSMICO 1 ...................................... 169
D.3 CURVAS GAP SÍSMICO 3 Y 1 CON PGD GAP SÍSMICO 2. ................................... 173
ANEXO E....................................................................................................... 178
ANEXO F ....................................................................................................... 179
F.1 SCRIPT ADQUISICIÓN DE TRAZAS ................................................................... 179

F.2 SCRIPT PROCESAMIENTO .............................................................................. 187
F.3 SCRIPT SAVE PARAMETERS........................................................................... 190
F.4 SCRIPT GMPE ............................................................................................ 196
ix
Índice de Gráficos
Gráfico 1: Liberación de energía del terremoto de Mw = 8,1 del 2014 en Iquique,

Chile. .............................................................................................................. 21
Gráfico 2: Liberación de energía del terremoto de Mw = 8,3 del 2015 en Illapel,
Chile. .............................................................................................................. 25
Gráfico 3: Scattering de log(PGD) v/s distancia hipocentral para el evento de
Mw=4,4 a 34,96 km de profundidad sin procesar. ......................................... 40
Gráfico 4: Scattering de log(PGD) v/s distancia hipocentral para el evento de
Mw=4,4 a 34,96 km de profundidad procesado. ............................................ 42
Gráfico 5: Traza de aceleración estación "PB09" del sismo Mw=4,4 a 34,96 km de
profundidad. De arriba hacía abajo: E, N, Z. .................................................. 42
Gráfico 6: Traza de aceleración estación "GO02" del sismo Mw=4,4 a 34,96 km de
Gráfico 7: Traza de aceleración estación "AP01" del sismo Mw=4,4 a 34,96 km de
Gráfico 8: Traza de aceleración estación "MNMCX" del sismo Mw=4,4 a 34,96 km
de profundidad. De arriba hacía abajo: E, N, Z. ............................................. 43
Gráfico 9: Traza de aceleración estación "TA02" del sismo Mw=4,4 a 34,96 km de
Gráfico 10: Traza de aceleración estación "PB12" del sismo Mw=4,4 a 34,96 km
de profundidad. De arriba hacía abajo: E, N, Z. ............................................. 44
Gráfico 13: Lado izquierdo: histograma magnitud gap sísmico 1; lado derecho:
histograma profundidad gap sísmico 1. ......................................................... 46
x
Gráfico 16: Scattering log(PGD) v/s magnitud, Mw del gap sísmico 1. Los puntos
en azul corresponden a registros de eventos sísmicos en distintas estaciones
sismológicas. ................................................................................................. 64
Gráfico 17: Scattering log(PGD) v/s distancia hipocentral del gap sísmico 1. Los
puntos en azul corresponden a registros de eventos sísmicos en distintas
estaciones sismológicas. ............................................................................... 65
sismológicas. ................................................................................................. 66
sismológicas. ................................................................................................. 68
Gráfico 22: Variabilidad de los residuales en función de la magnitud, Mw del gap
sísmico 1. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c)
Residual con ajuste onda P; (d) Residual con ajuste onda S......................... 73
Gráfico 23: Variabilidad de los residuales en función de la distancia hipocentral del
gap sísmico 1. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S;
(c) Residual con ajuste onda P; (d) Residual con ajuste onda S. .................. 74
Gráfico 24: Variabilidad de los residuales en función de la profundidad del gap
xi
Gráfico 31: Evaluación del dominio de Mw en los GMPEs. .................................. 90
Gráfico 32: Evaluación del dominio de R en forma lineal en los GMPEs. ............. 91
Gráfico 33: Evaluación del dominio de R en forma logarítmica en los GMPEs. .... 95
Gráfico 34: Evaluación del dominio de H en los GMPEs. ..................................... 96
xii
Índice de Tablas
Tabla 1: Resumen de los terremotos con Mw mayores o iguales a 8,0 en Chile. . 20

Tabla 2: Definición y descripción de las variables utilizadas en la rutina
"Adquisición de trazas". ................................................................................. 32
Tabla 3: Definición y descripción de las variables utilizadas en la rutina
"Procesamiento". ........................................................................................... 33
Tabla 4: Definición y descripción de las variables utilizadas en la rutina "Save
data"............................................................................................................... 33
Tabla 5: Definición y descripción de las variables utilizadas en la rutina "GMPE". 34
Tabla 6: Lista de la cantidad de sismos con Mw mayor o igual a 7,0. ................... 62
Tabla 7: Coeficientes gap sísmico 1 sin ajuste. .................................................... 63
Tabla 10: Coeficientes gap sísmico 1 con ajuste. ................................................. 75
Tabla 13: Resumen de evaluaciones del dominio de Mw por GMPEs. ................. 89
Tabla 14: Resumen de evaluaciones del dominio de distancia hipocentral en forma
lineal en los GMPEs. ...................................................................................... 92
Tabla 15: Resumen de evaluaciones en el dominio de distancia hipocentral en
forma logarítmica en los GMPEs. .................................................................. 94
Tabla 16: Resumen de evaluaciones en el dominio de profundidad en forma lineal
por GMPE. ..................................................................................................... 97
xiii
Índice de Ilustraciones
Ilustración 1: Esquema de la subducción chilena.................................................... 5

Ilustración 2: Traza de la forma de onda de cuerpo indicando la onda P, la onda S
y movimiento fuerte del suelo. ....................................................................... 13
Ilustración 3: Mecanismo de las falsas alarmas: (a) dos pequeños sismos
distanciados uno del otro; (b) EEW considerando los dos pequeños sismos
como un gran evento. Triángulos: estaciones sísmicas (las rojas representan
las estaciones activadas). .............................................................................. 15
Ilustración 4: Mapa de sensores sísmicos, sensores de servicios y nodos de
comunicación del SASMEX. .......................................................................... 17
Ilustración 5: Mapa del registro histórico de los grandes terremotos en Sudamérica
desde 1900 al 2016. ...................................................................................... 19
Ilustración 6: Modelación falla finita del terremoto de 8,1Mw del 2014 en Iquique,
Chile. .............................................................................................................. 21
Ilustración 7: Seismic gap 1 con latitud 18S a 23S. .............................................. 23
Ilustración 8: Modelación falla finita del terremoto Mw=8,3 del 2015 en Illapel,
Chile. .............................................................................................................. 24
Ilustración 9: Seismic gap 2 con latitud 23,5S a 29,5S. ........................................ 25
Ilustración 10: Seismic gap 3 con latitud 32S a 35S. ............................................ 27
Ilustración 11: Zonas sísmicas destacadas en mapa de grandes sismos a través
del tiempo (Susa, 2004). Fuente Interplaca. .................................................. 28
Ilustración 12: Red de acelerógrafos..................................................................... 30
Ilustración 13: Diagrama del conjunto de rutinas que procesan la base de datos en
Python. ........................................................................................................... 31
Ilustración 14: Red de acelerógrafos en gap sísmico 1......................................... 46
Ilustración 15: Red de acelerógrafos en gap sísmico 2. ........................................ 48
Ilustración 16: Red de acelerógrafos en gap sísmico 3. ........................................ 50
Ilustración 17: Esquema de los distintos tipos de distancias utilizados en ingeniería
sísmica. .......................................................................................................... 61
xiv
CAPÍTULO I: INTRODUCCIÓN
1.1 Introducción
El 1ro de octubre del año 2007, la Agencia Meteorológica de Japón (J.M.A.)
implementó un sistema de alerta temprana de terremotos (E.E.W.) el cual ha emitido
en varias ocasiones falsas alarmas a la población debido a la poca capacidad de
identificar eventos sísmicos simultáneamente. Sin embargo, se implementó un
nuevo algoritmo (Wu et al., 2015) en Diciembre del año 2016 que permitió disminuir
en un 90% del 70% las falsas alarmas, con el método Integrated Particle Filter (IPF).
Actualmente en Chile se busca implementar este mismo sistema, ya que,
al estar emplazado sobre el sistema de subducción de la placa de Nazca y la
Sudamericana, se caracteriza por ser un país que está en constante movimientos
telúricos, generándose temblores a una tasa de 8 centímetros por año según
Melnick et al. (2003).
Sin embargo, en el territorio continental chileno, se han detectado hasta el
momento 3 grandes zonas que no han presentado gran actividad sísmica en los
últimos años denominados como gap sísmico. La primera corresponde a la zona
entre Arica (18S) hasta la Península de Mejillones (23S), luego desde el sur de ésta
(23,5S) hasta el norte del área de ruptura del terremoto de Illapel el 2015 (29S) y la
tercera desde el sur de esta falla (32S) hasta Rancagua (35S).
En este contexto, se hace necesario desarrollar Ground Motion Prediction
Equations (GMPEs) o en español, Ecuaciones De Predicción Del Movimiento Fuerte
Del Suelo en 3 grandes zonas que no han presentado gran actividad sísmica en los
últimos años. Estas ecuaciones funcionarán como dato de entrada para
implementar un sistema de alerta temprana de terremotos que permita en tiempo
real y de manera simplificada, estimar la magnitud de eventos sísmicos.
1.2 Objetivo general

Generar un modelo predictivo del movimiento fuerte del suelo de las ondas P y S
para cada gap sísmico identificados en esta memoria. Se espera que se ajusten lo
más posible al efecto de atenuación.
1
1.3 Objetivos específicos
(a) Seleccionar los gaps sísmicos hasta la fecha en el territorio continental
chileno.
(b) Realizar análisis de exploración del catálogo de eventos por gap sísmico.
(c) Realizar el método de regresión simple por los mínimos cuadrados ordinarios
para determinar los coeficientes que mejor se ajusten al conjunto de datos
por gap sísmico.
(d) Comparar curvas chilenas con las curvas japonesas para analizar el
comportamiento geodinámico de ambas zonas.
(e) Realizar análisis de residuales para determinar el error entre-eventos y
ajustar el modelo sesgado. El objetivo de esto es entender la variabilidad de
las magnitudes estimadas que se determinan rápidamente con la
metodología propuesta.
2
CAPÍTULO II: REVISIÓN BIBLIOGRÁFICA
2.1 Contexto tectónico en Chile
Para comprender el sistema tectónico del país, existen dos modelos
geológicos que se han diseñado para explicar la división estructural terrestre que
están basados en la Teoría de la Tectónica de Placas: el modelo Geostático y el
Geodinámico. El segundo de ellos explica el comportamiento mecánico de los
materiales.
La Litósfera, es la capa sólida superficial de la Tierra que está dividida en 8 placas
tectónicas: Sudamericana, Nazca, Antártica, De Cocos, Euroasiática, Indo-
Australiana, Pacífica y la Africana. Estas placas flotan sobre la zona superior del
manto terrestre denominado Astenósfera.
Cuando existe alguna interacción entre el contacto de estas placas, se produce un
estrés generándose ondas sísmicas.
Esta interacción en los bordes de las placas se puede clasificar en:

- Divergente:
Es una zona de separación entre dos placas. En estas áreas se producen
dorsales oceánicas, actividad volcánica, metamorfismo y creación de corteza. Claro
ejemplo de este borde es la divergencia entre la placa Africana y la sub-placa
Arábiga en donde, debido a puntos calientes bajo la corteza, ambas placas se
comienzan a separarse por convección generando una dorsal oceánica.
- Convergente:
Es una zona de colisión entre dos placas tectónicas. En estas áreas se
desarrolla actividad ígnea, metamorfismo, deformación cortical y formación de
montañas. Este tipo de interacción depende del tipo de corteza:
o Oceánica - Continental:
Esta interacción corresponde al contexto tectónico de Chile
aproximadamente desde Arica (latitud -18° aprox.) hasta la península de Taitao (-
45° aprox.), el cual la placa continental o la Sudamericana es más densa que la
3
placa oceánica o la de Nazca. Esta última, al poseer características de temperaturas
mucho más bajas, subduce en la Sudamericana a una velocidad promedio de 8
centímetros por año, formando la fosa oceánica Chilena-Peruana y por otro lado, la
Cordillera de los Andes debido a la fundición de la placa Nazca en el manto
formando magma y originando volcanes sobre el continente.
La nucleación de un sismo en esta interacción puede ocurrir en las zonas:
▪ Interplaca en el plano de Benioff o de contacto:

Es el plano por fricción que se genera entre dos placas que convergen y
tienen epicentros marítimos y continentales. Esta memoria está enfocada en esta
zona de nucleación de sismos por dos factores: el primero es porque la mayoría de
los grandes sismos en Chile ocurren por el desacoplamiento de las dos placas
debido al que el nivel de esfuerzo de la placa de Nazca sobrepasa a la resistencia
de la placa Sudamericana y segundo porque es una zona que está lejos de la
superficie terrestre, aproximadamente a más de 5 kilómetros de profundidad, y que
para implementar un sistema de alerta temprana de terremotos, es necesario tener
un rango de tiempo para alcanzar a estimar la magnitud del evento que está
ocurriendo. En este tipo de fuente sísmica, se habla de fallamientos tipo thrust, es
decir, fallamientos de tipo inverso con bajo ángulo (Valenzuela J. G., 2007).
▪ Intraplaca:
Son sismos que ocurren dentro de la placa de subductada o la de Nazca a
grandes profundidades que no necesariamente son debido a la fricción entre ambas
placas.
▪ Out-rise:
Es una rotura por flexión debido al doblez de la placa de Nazca al oeste de
la fosa oceánica. Estos sismos no son de importancia en este estudio por tener
magnitudes bajas y tener epicentros marítimos lejanos al continente.
4
▪ Superficial o cortical:
Ocurren dentro de la placa continental en la corteza a profundidades
inferiores a los 60 km. Se deben principalmente a las deformaciones generadas por
la convergencia entre la placa de Nazca y la placa continental. Estas deformaciones
son las que dieron origen al alzamiento de la Cordillera de los Andes y en general,
son máximas en torno a ésta, tanto en Chile como en Argentina (Centro Sismológico
Nacional, 2016).
Ilustración 1: Esquema de la subducción chilena

Fuente: Ruiz & Madariaga (2010)
o Oceánica - Oceánica:
Esta interacción corresponde al contexto tectónico de Japón. Se produce
una fosa oceánica trench profunda y una zona inclinada con alta actividad sísmica.
La placa subductada desciende en la astenósfera donde es absorbida por el manto
formando un arco de isla.
5
o Continental - Continental:
Esta interacción corresponde al contexto tectónico de Nepal. Ambas placas
son de igual densidad por lo que una se monta sobre la otra y luego, al revés. Esta
interacción de denomina cabalgamiento y un ejemplo de esto son los Himalayas.
- Transformante o transcurrente:
Es una zona de en donde ambas placas tienen un movimiento relativo paralelo
o de cizalle generando discontinuidades en el terreno como es el caso de la falla
San Andrés. El movimiento relativo entre placas está indicado por el rumbo y la
dirección de la dorsal junto con zonas asociadas a su movimiento y sus márgenes
de placas no son fijos en el tiempo.
2.2 Antecedentes leyes de atenuación

Diversos autores han desarrollado ecuaciones de atenuación o GMPEs
como se muestra en el trabajo de Douglas (2018).
A continuación, se muestra la recopilación bibliográfica de algunos modelos
de predicción de Ruiz & Saragoni (2005), Contreras & Boroschek (2015), Idini et al.
(2016) y Bastías (2016) que tienen relación al mecanismo de interacción de placas
subductivo con registros de terremotos chilenos y, por otro lado, la ecuación de Wu
& Li (2006) que tiene la principal característica de ser una ecuación predictora más
simple en comparación a las demás ya que tiene el enfoque de alerta temprana.
(a) Yih-Min y Wu Li Zhao (2006)
Wu & Li (2006) desarrollaron una ecuación de atenuación para el sur de

California con el objetivo de para estimar la magnitud usando los primeros tres
segundos de la amplitud de la onda P, utilizando parámetros de desplazamiento
máximo horizontal del suelo (𝑃𝑑), distancia hipocentral (𝑅) y la magnitud del evento
(𝑀) obteniendo sus coeficientes 𝐴, 𝐵 𝑦 𝐶. Mediante el método de regresión lineal
simple, la ecuación (2. 1) se expresa como:
6
log10 (𝑃𝑑) = −3,088 + 0,630𝑀 − 1,322 log10 (𝑅) ± 0,313 (2. 1)
Pero como esta ecuación incluye datos del terremoto de 1999 Mw7,1 Hector Mine,
la ecuación anterior no se ajusta bien en la regresión, generando otra curva de
atenuación para eventos sísmicos con magnitudes de momento menores a 7
obteniendo la ecuación (2. 2):
log10 (𝑃𝑑) = −3,463 + 0,729𝑀 − 1,374 log10 (𝑅) ± 0,305 (2. 2)
Aunque la capacidad de predicción de estas curvas de atenuación es más exacta

ya que generan dos ecuaciones para distintos rangos de magnitud, implementar
varias reglas arbitrarias en un sistema de alerta temprana solo complejizaría el
algoritmo.
(b) Sergio Ruiz y Saragoni (2005)
Ruiz & Saragoni (2005) presentaron fórmulas de atenuación para valores

máximos de aceleración, velocidad y desplazamiento, para las componentes
verticales de registros de aceleraciones de terremotos chilenos separados en
interplaca tipo thrust e intraplaca de profundidad intermedia.
𝐴𝑒 𝐵𝑀
𝑥= (2. 3)
(𝑅 + 𝐶)𝐷
Donde 𝑥 representa el máximo valor esperado del parámetro sísmico estudiado; 𝑀

es la magnitud Ms; 𝑅 la distancia hipocentral o la distancia hipocentral más cercana
a la aspereza en kilometros [km]; 𝐴, 𝐵, 𝐷 son constantes a determinar y 𝐶 es fijado
a priori. En este caso se empleó 𝐶 = 30 𝑘𝑚 para terremotos interplaca tipo thrust y
𝐶 = 80 𝑘𝑚 para terremotos intraplaca de profundidad intermedia.
7
Si bien es interesante este trabajo ya que se parametrizó la ecuación con
aceleraciones verticales, el sistema de alerta temprana de terremotos apunta en un
futuro a operar con una red de GPS y no de acelerógrafos, por lo que desarrollar
GMPEs con desplazamientos horizontales implicaría una menor incertidumbre en
los resultados.
(c) Idini et al. (2016)
Idini et al. (2016) generaron curvas de atenuación con pseudoaceleración y

pseudodesplazamiento horizontales para osciladores de periodos entre 0,01 y 10
segundos con un 5% de amortiguamiento crítico.
Estas ecuaciones de predicción se desarrollaron para terremotos producidos en la
zona de subducción en la fosa chilena con mecanismos de interacción de placas
del tipo intraplaca e interplaca.
El modelo de atenuación propuesto se expresa como la suma de tres submodelos:
log10 (𝑌) = 𝐹𝐹 (𝑀𝑤 , 𝐻, 𝐹𝑒𝑣𝑒 ) + 𝐹𝐷 (𝑅, 𝑀𝑤 , 𝐹𝑒𝑣𝑒 ) + 𝐹𝑆 (2. 4)
En que 𝑌 es el valor máximo de la aceleración superficial del suelo o la respuesta

de aceleración espectral para un amortiguamiento del 5% en [g].
La función 𝐹𝐹 analiza los efectos de la fuente sísmica en la superficie que depende
de la magnitud 𝑀𝑤 , la profundidad focal 𝐻 y el tipo de mecanismo de interacción
entre placas 𝐹𝑒𝑣𝑒 en que 0 es para tipo interplaca y 1 intraplaca.
𝐹𝐹 (𝑀𝑤 , 𝐻, 𝐹𝑒𝑣𝑒 )
2 (1
= 𝑐1 + 𝑐2 𝑀𝑤 + 𝑐9 𝑀𝑤 − 𝐹𝑒𝑣𝑒 ) + 𝐶8 (𝐻 − ℎ𝑜 )𝐹𝑒𝑣𝑒 (2. 5)
2 )𝐹
+ (∆𝑐1 + ∆𝑐2 𝑀𝑤 𝑒𝑣𝑒
La función 𝐹𝐷 analiza los efectos en la superficie de debido a la trayectoria de la

fuente-sitio que relaciona los parámetros de 𝑅, 𝑀𝑤 , 𝐻 y 𝐹𝑒𝑣𝑒 . El parámetro 𝑅
corresponde a la distancia más cercana a la fuente del área de ruptura para sismos
8
interplaca y la distancia hipocentral para intraplaca. En este parámetro también
están asociados los fenómenos responsables de la disminución energética.
𝐹𝐷 (𝑅, 𝑀𝑤 , 𝐹𝑒𝑣𝑒 ) = (𝑐3 + 𝑐4 (𝑀𝑤 − 𝑀ℎ ) + ∆𝑐3 𝐹𝑒𝑣𝑒 ) log(𝑅 + 𝑅𝑜 ) + 𝑐5 𝑅 (2. 6)
Con
𝑅𝑜 = (1 − 𝐹𝑒𝑣𝑒 )𝑐6 × 10𝑐7 (𝑀𝑤 −𝑀𝑟 ) (2. 7)
La función 𝑅𝑜 representa de manera ficticia la distancia aproximada desde la cual

comienza a aplicarse el efecto del geometrical spreading. (i.e. pérdida de energía
de la onda sísmica debido a la expansión geométrica del medio)
Finalmente, la función 𝐹𝑆 es un modelo que analiza el efecto de sitio local en donde
se quiere estimar el movimiento superficial que depende de la velocidad de la onda
de corte promedio a los 30 metros de profundidad (𝑉𝑆30 ) y el periodo fundamental
del suelo (𝑇 ∗ ).
𝑉𝑆30
𝐹𝑆 (𝑉𝑆30 , 𝑇 ∗ ) = 𝑠(𝑇 ∗ ) log ( 𝑚) (2. 8)
1530 𝑠
Con
𝑠(𝑇 ∗ ) = −2,1396log(𝜇𝑜 ) (2. 9)
En que la función 𝑠(𝑇 ∗ ) representa el coeficiente de la forma para la amplificación

dinámica en función del periodo predominante del suelo y 𝜇𝑜 es un factor promedio
de amplificación dinámica relativa al movimiento sobre un afloramiento rocoso para
las clases definidas respecto al periodo predominante 𝑇 ∗ .
La metodología de regresión utilizada en esta investigación el de inversión de

máxima verosimilitud de dos etapas establecido por Joyner & Boore (1994).
9
(d) Contreras & Boroscheck (2009)
Contreras & Boroschek (2009) utilizaron fórmulas de atenuación para las

aceleraciones máximas horizontales del suelo (PGA) y las aceleraciones
horizontales espectrales (SA) con un 5% de amortiguamiento crítico y para periodos
estructurales entre 0,04 y 2 segundos mediante el método de regresión de máxima
verosimilitud de una etapa.
Estas ecuaciones fueron desarrolladas para terremotos del tipo intraplaca e
interplaca de profundidad intermedia, ocurridos en el año 1985 al 2010 incluyendo
acelerogramas del terremoto del Maule 𝑀𝑤 = 8,8.
log10 (𝑌) = 𝐶1 + 𝐶2 𝑀𝑤 + 𝐶3 𝐻 + 𝐶4 𝑅 − 𝑔𝑙𝑜𝑔10 (𝑅) + 𝐶5 𝑍 (2. 10)
Con
2
𝑅 = √𝑅𝑟𝑢𝑝 + ∆2 , ∆= 𝐶6 10𝐶7 𝑀𝑤 , 𝑔 = 𝐶8 + 𝐶9 𝑀𝑤
En que,
𝑌: Aceleraciones máximas horizontales del suelo o máximas espectrales
considerando un 5% de amortiguamiento crítico.
𝑀𝑤 : Magnitud de momento
𝐻: Profundidad focal
2
𝑅𝑟𝑢𝑝 : distancia màs cercana al área de ruptura en kilómetros
∆: efecto de saturación calculada como 𝐶6 10𝐶7 𝑀𝑤
𝑔: Dispersión geométrica de las ondas
𝐶: Coeficientes determinados por regresión
𝑍: Parámetro que diferencia el medio geotécnico, en que 0 es roca y 1 es suelo
10
(e) Bastías (2016)
Bastías (2016) desarrolló un modelo predictivo de intensidades sísmicas que

busca cuantificar la intensidad sísmica en superficie y su incertidumbre mediante la
ecuación (2. 11):
ln 𝑆𝑎(𝑇) = 𝜃1 + 𝑓𝑓𝑢𝑒𝑛𝑡𝑒 + 𝑓𝑡𝑟𝑎𝑦𝑒𝑐𝑡𝑜𝑟𝑖𝑎 + 𝑓𝑒𝑣𝑒𝑛𝑡𝑜 + 𝑓𝑠𝑖𝑡𝑖𝑜 (2. 11)
𝑓𝑓𝑢𝑒𝑛𝑡𝑒 = 𝜃4 ∆𝐶1 + 𝑓𝑚𝑎𝑔 (𝑀) (2. 12)
𝜃4 (𝑀 − (𝐶1 + ∆𝐶1 )) + 𝜃13 (10 − 𝑀)2 , 𝑝𝑎𝑟𝑎 𝑀 ≤ 𝐶1 + ∆𝐶1

𝑓𝑚𝑎𝑔 (𝑀) = { (2. 13)
𝜃5 (𝑀 − (𝐶1 + ∆𝐶1 )) + 𝜃13 (10 − 𝑀)2 , 𝑝𝑎𝑟𝑎 𝑀 > 𝐶1 + ∆𝐶1
𝑓𝑡𝑟𝑎𝑦𝑒𝑐𝑡𝑜𝑟𝑖𝑎 = [𝜃2 + 𝜃14 𝐹𝑒𝑣𝑒𝑛𝑡 + 𝜃3 (𝑀 − 7,8)]𝑙𝑛 (𝑅 + 𝐶4 𝑒𝑥𝑝(𝜃9 (𝑀 − 6)))

(2. 14)
+ 𝜃6 𝑅
𝑓𝑒𝑣𝑒𝑛𝑡𝑜 = [𝜃10 + 𝜃11 (𝑚𝑖𝑛(𝑍ℎ , 120) − 60)]𝐹𝑒𝑣𝑒𝑛𝑡𝑜 (2. 15)
𝑓𝑠𝑖𝑡𝑖𝑜 (𝑃𝐺𝐴1000 , 𝑉𝑠30 )

𝑉𝑠∗ ∗
𝑉𝑠∗ 𝑛
𝜃12 𝑙𝑛 ( ) − 𝑏 ln(𝑃𝐺𝐴1000 + 𝑐) + 𝑏 ln (𝑃𝐺𝐴1000 + 𝑐 ( ) ),
𝑉𝑙𝑖𝑛 𝑉𝑙𝑖𝑛 (2. 16)
= 𝑝𝑎𝑟𝑎 𝑉𝑠30 < 𝑉𝑙𝑖𝑛
∗
𝑉𝑠 𝑉𝑠∗
𝜃12 ln ( ) + 𝑏 𝑛 ln ( ) , 𝑝𝑎𝑟𝑎 𝑉𝑠30 ≥ 𝑉𝑙𝑖𝑛
{ 𝑉𝑙𝑖𝑛 𝑉𝑙𝑖𝑛
11
1000, 𝑝𝑎𝑟𝑎 𝑉𝑠30 > 1000
𝑉𝑠∗ = { (2. 17)
𝑉𝑠30 , 𝑝𝑎𝑟𝑎 𝑉𝑠30 ≤ 1000
En donde, 𝑀 es la magnitud de momento del terremoto, 𝑍ℎ es la profundidad

hipocentral en kilómetros, 𝑅 es la distancia entre el sitio y la fuente sísmica; para los
eventos interplaca se utiliza la distancia al plano de ruptura y para los eventos
intraplaca la distancia hipocentral. 𝐹𝑒𝑣𝑒𝑛𝑡 es una variable binaria, la cual es igual a
uno cuando son eventos intraplaca y nulo cuando son eventos interplaca, notar
entonces que la profundidad hipocentral solo es variable explicativa para los eventos
intraplaca. 𝑓𝑚𝑎𝑔 es un modelo para escalamiento por magnitud, en donde 𝜃4 y 𝜃5
son los términos lineales del escalamiento por magnitud, y 𝜃13 el termino no lineal,
además notar que el submodelo está ajustado para tener un quiebre en la magnitud
igual a 𝐶1 = 7,8, además el valor ∆𝐶1 captura el error epistémico en el cambio de
pendiente dado por el escalamiento por magnitud que es función del periodo de
análisis y se ajustó en base a eventos de magnitud importante (M>8) como lo fueron
el terremoto del Maule y Tohoku. 𝑓𝑠𝑖𝑡𝑖𝑜 es el modelo correspondiente al sitio en
función de la velocidad de onda de corte (𝑉𝑠30 ) y el valor predicho de PGA para un
𝑉𝑠30 igual a 1000 m/s (PGA1000). 𝑓𝑡𝑟𝑎𝑦𝑒𝑐𝑡𝑜𝑟𝑖𝑎 es un modelo para caracterizar la
atenuación por distancia del frente de ondas, es sabido que la amplitud de las ondas
se atenúa en su propagación como consecuencia de la expansión geométrica de la
onda viajando y de la anelasticidad del medio (efectos no elásticos, en la que la
energía elástica se disipa, absorbida por el medio, en forma de calor por fricción).
La primera es cuantificada en parte a través de los coeficientes 𝜃2 , 𝜃3 y 𝜃14 del
modelo, mientras que la anelasticidad del medio está incluida por el coeficiente 𝜃6 .
2.3 Sistemas de alerta temprana en el mundo

Si bien el nombre de alerta temprana de terremotos tiende a entenderse
como un sistema de predicción de eventos sísmicos, el funcionamiento es distinto
ya que el objetivo es proveer de unos pocos segundos de alerta desde la llegada de
la onda primaria hasta la secundaria el movimiento fuerte del suelo como se muestra
12
gráficamente a modo de ejemplo en la Ilustración 2 e ir actualizando cada vez más,
la precisión en la estimación de los parámetros de magnitud e hipocentro (Agencia
Meteorológica de Japón, 2016).
Ilustración 2: Traza de la forma de onda de cuerpo indicando la onda P, la onda S y movimiento

fuerte del suelo.
Fuente: Allen & Kanamori (2009).
El sistema de alerta temprana de terremotos que se busca implementar en

Chile funciona de la misma manera que el nuevo algoritmo de Japón (descrito
posteriormente) el cual está basado en el método del diferencial de velocidades de
las ondas sísmicas.
Con la intención de explicar más en detalle, se simplifica el proceso
asumiendo que la velocidad de propagación de la onda P y S es de 7 km/s y 4 km/s
respectivamente y por otro lado, que la distancia entre la fosa oceánica - costa de
Chile y fosa oceánica – ciudad es de 100 km y 150 km aproximadamente.
Por lo tanto,
100 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑝 = 𝑘𝑚 = 14,3 𝑠𝑒𝑔
7
𝑠𝑒𝑔
150 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑝 = 𝑘𝑚 = 21,4 𝑠𝑒𝑔
7 𝑠𝑒𝑔
100 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑠 = 𝑘𝑚 = 25 𝑠𝑒𝑔
4 𝑠𝑒𝑔
13
150 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑠 = 𝑘𝑚 = 37,5 𝑠𝑒𝑔
4 𝑠𝑒𝑔
En que,
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑝 : tiempo en que demora la onda P en llegar a la costa costa en
segundos (seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑝 : tiempo en que demora la onda P en llegar a la ciudad costa en
segundos (seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑠 : tiempo en que demora la onda S en llegar a la costa en segundos
(seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑠 : tiempo en que demora la onda S en llegar a la ciudad costa en
segundos (seg).
Entonces, sabiendo que la onda S es la que genera el desplazamiento máximo, y

que se busca alertar a la población en la ciudad de este movimiento fuerte, el tiempo
de aviso sería aproximadamente de 23,2 segundos aproximadamente desde el
momento que se activa la primera estación sismológica con la llegada de la onda P.
Dado que el tiempo de alerta es limitado en comparación con los 55 segundos
aproximadamente que tiene Japón, generar un plan de acción con ayuda de
sistemas automatizados es imprescindible, los cuales serían definidos en base a
rangos de magnitudes de momento.
Finalmente, a modo de comparación, se describe el sistema de alerta
temprana de terremotos de Japón, California y México:
2.3.1 Early Earthquake Warning System Japan (EEW)

El sistema de alerta temprana de terremotos implementado el 1 de octubre
del año 2007 por la Agencia Meteorológica de Japón (JMA) ha emitido en algunas
ocasiones falsas alarmas de terremotos causando pánico y confusión en la
población. Un ejemplo, es que luego de dos meses ocurrido el terremoto de
magnitud 9 el día 11 de Marzo del 2011 en Japón, todo el territorio aledaño
experimentó un aumento en la sismicidad. Este aumento se traduce en que la
probabilidad de que existan dos sismos al mismo tiempo es muy alta entregando
14
falsa información ya que el sistema estima un solo sismo con una magnitud como
la suma de ambos terremotos concurrentes (Wu et al., 2015) (ver Ilustración 3).
Ilustración 3: Mecanismo de las falsas alarmas: (a) dos pequeños sismos distanciados uno del otro;
(b) EEW considerando los dos pequeños sismos como un gran evento. Triángulos: estaciones
sísmicas (las rojas representan las estaciones activadas).
Fuente: Wu et al. (2015).
Debido a ésto, se propone un nuevo algoritmo que tiene la capacidad de

manejar múltiples eventos o terremotos concurrentes a través de la aproximación
Bayesiana en base a la regresión de dos pasos reduciendo en un 90% el número
de falsas alarmas.
Este algoritmo, basado en el método Integrated Particle Filter (IPF) que
utiliza un flujo de datos continuo de alrededor de 300 acelerómetros y 700
sismómetros distribuidos espacialmente por todo Japón, se compone de dos
procesos importantes: la primera parte se enfoca a encontrar el número más
probable de eventos simultáneos en una zona dado una base de datos de
terremotos basados en la teoría de la selección de clase del modelo Bayesiano y la
segunda a realizar, es la inversión sísmica para encontrar los valores de los
parámetros del terremoto dado el modelo generado en el primer proceso.
Por último, para obtener la magnitud final de cada sitio, ésta se calcula en
base a la magnitud estimada y la localización del hipocentro usando los GMPEs
desarrollados en esta memoria.
Este nuevo algoritmo obliga a que las ecuaciones de predicción del
movimiento fuerte del suelo tengan los siguientes requisitos:
15
1. Los GMPEs se deben formular en base a algún método
de regresión que se ajuste lo más posible al conjunto de
eventos sísmicos para encontrar los coeficientes
utilizando los parámetros de distancia, profundidad,
máximo desplazamiento y magnitud
2. A los registros de desplazamientos se les deberá aplicar
un filtro pasoalto de 0,16667 Hz el cual elimina todas las
frecuencias inferiores a la indicada asumiéndolas como
ruido y deja pasar sin atenuación las frecuencias
superiores. Las señales con frecuencias bajas, o en este
caso menores al valor dicho previamente, entregarían
datos indeseados dentro de la señal principal en
términos de desplazamientos.
2.3.2 Early Earthquake Warning System California (ElarmS)

El sistema de alarma de terremotos (ElarmS) en el sur de California (zona la cual
se caracteriza por tener varias fallas activas) propuesto por Allen & Kanamori (2009)
emite una alerta a la población que no excede los 10 segundos advertencia en áreas
que son más propensas a sufrir grandes daños en un terremoto basada en la
información de la llegada de la onda P antes de que comience el movimiento fuerte
del suelo en el epicentro del terremoto determinando inicialmente la ubicación,
tiempo de origen y magnitud del evento usando los datos de la onda P del disparo
de la primera estación. Al igual que el nuevo sistema de Japón, utiliza ecuaciones
de atenuación para anticipar el Peak Ground Displacement. Por último, se estima el
tiempo de alerta en base al tiempo de origen y de viaje de la onda secundaria del
terremoto y se determina la magnitud del evento con la llegada de la onda primaria.
2.3.3 Sistema de Alerta Sísmica Mexicano (SARMEX)

En el año 2003, el Centro de Instrumentación y Registros Sísmicos
Mexicano (C.I.R.E.S.) también implementó el Sistema de Alerta Sísmica Mexicano
(S.A.R.M.E.X.). Los tiempos de activación son reducidos gracias a los protocolos
16
mexicanos ya desarrollados, con un sistema de diversas sirenas distribuidas por la
Ciudad de México (CIRES, 2018).
El Sistema de Alerta Sísmica (S.A.S.) depende del centro de

instrumentación, éste es quien detecta los sismos importantes de la costa del gap
Guerrero ubicado a 300 km al suroeste de la ciudad, con una anticipación de 70
segundos (Richard M. Allen, 2009). El sistema está basado por las ondas sísmicas
superficiales, las que poseen velocidades promedio de 3,5 a 4,0 km/s, por lo que el
tiempo que tardan las ondas desde Guerrero a Ciudad de México es entre 75 a 85
segundos, recordando además que estas ondas son las más destructivas, y que
son el reflejo de las ondas primarias ya detectadas. Las alarmas son activadas con
sismos de magnitudes cercanas a los 6 grados.
En la Ilustración 4 es posible visualizar la cantidad de sensores por toda la

costa y en algunas partes más al interior del continente, razón por que la falla se
encuentra al sur del país y es donde normalmente se originan los sismos. Es allí
donde se detectan las ondas primarias, con bajo poder destructivo, para luego dar
alarma con respecto a la amplitud de estas últimas, y así anticiparse a la llegada
“tardía” de las ondas Love y Rayleigh propiamente tal.
Ilustración 4: Mapa de sensores sísmicos, sensores de servicios y nodos de comunicación del

SASMEX.
Fuente: Cires (2005).
17
CAPÍTULO III: GAPS SÍSMICOS EN CHILE
Una brecha sísmica o seismic gap es un segmento de una zona de convergencia
de placas, particularmente como es el caso de Chile por ejemplo, en donde
históricamente se ha caracterizado por tener sismicidad con magnitudes
importantes (𝑀𝑤 > 8,0) estimados en base a antecedentes históricos más datos
medidos en la corteza por velocidades de placas, pero que en la actualidad no ha
registrado actividad sísmica significativamente mayores y, por lo tanto, el peligro
sísmico de estas zonas es mayor a causa de la cantidad de energía acumulada en
el tiempo generando cierta probabilidad de que en un futuro vuelvan a ocurrir
eventos mayores al mencionado.
En esta investigación, se realizan GMPEs por cada brecha sísmica identificando
todos los grandes eventos ocurridos en los últimos años.
En la Ilustración 5, se muestra una imagen de la USGS que indica el registro
histórico de los terremotos con magnitudes de momento mayores a 5,5 ocurridos en
Sudamérica desde el año 1900 al 2016. En el eje horizontal se posicionan las
longitudes y en el vertical las latitudes. Los círculos simbolizan los eventos con su
respectiva magnitud y profundidad representada por el tamaño y color
respectivamente. Al interior de estas áreas de rupturas la cantidad de eventos
disminuye significativamente.
La Ilustración 5 da cuenta de la complejidad de los periodos de retorno de los
grandes terremotos distribuidos espacialmente en América del Sur y en especial al
ciclo sísmico que hace referencia a los procesos de acumulación y relajación de
esfuerzos. La secuencia de terremotos en el tiempo de alguna zona en particular
son muy pocos y entre ellos, no existe relación entre magnitud y largo de ruptura
con periodos de recurrencia estimados los cuales tienen una dispersión muy grande
como indica Valenzuela (2015).
Se puede observar que desde la latitud 15S aproximadamente hasta la 40S (centro-
sur de Perú hasta Valdivia, Chile), se concentra la mayor cantidad de eventos
sísmicos con magnitudes mayores a 7,0 por lo que se puede clasificar como una
zona de alto riesgo sísmico.
18
Ilustración 5: Mapa del registro histórico de los grandes terremotos en Sudamérica desde 1900 al
2016.
Fuente: USGS (2018).
19
Para determinar las lagunas sísmicas en el territorio Chileno, es necesario conocer
los principales terremotos ocurridos en los últimos años con sus respectivas zonas
de rupturas.
En la Tabla 1, se muestran los últimos grandes terremotos de
Chile con magnitudes de momento mayores a 8,0 con su ciudad de referencia y
ordenados por año comenzando con el evento de 1960 en Valdivia de 8,1 Mw
seguido del 9,5 Mw.
Tabla 1: Resumen de los terremotos con Mw mayores o iguales a 8,0 en Chile.
Magnitud Latitud, Longitud, Profundidad, Ciudad

Año Referencia
momento [°] [°] [Km] referencia
9,5 38,1°S 73,4°W 25,0 1960 Valdivia USGS
8,0 33,1°S 71,8°W 30,0 1985 Algarrobo USGS
8,0 23,3°S 70,2°W 45,6 1995 Antofagasta USGS
9,5 38,1°S 73,4°W 25,0 2010 Bío-Bío USGS
8,2 19,6°S 70.7°W 25,0 2014 Iquique USGS
8,3 31,5°S 71,6°W 22,4 2015 Illapel USGS
Fuente: Elaboración propia.
3.1 Gap sísmico 1

Analizando el mapa anterior (Ilustración 5) desde el Norte de Chile, el terremoto
más actual es el de magnitud 8.2Mw ocurrido el 1 de Abril del 2014 a las 23:46 GMT
a 94 Km al Noroeste de Iquique a una profundidad de 25 km, activando solo un
segmento del Norte de Chile. Este terremoto tuvo una réplica de magnitud 6,9Mw
en ese mismo día y luego 3 réplicas más a los días siguientes: dos de 6,9Mw y la
réplica principal de 7,6Mw. Se observa que el área de ruptura de este evento es
bastante pequeña si se compara el terremoto de magnitud 8,0 Mw en Antofagasta
el 1995. En la Ilustración 6 sobre la modelación de la falla finita realizada por la
USGS, la zona de ruptura del terremoto de Iquique abarca principalmente desde la
latitud de 19,5S° a los 20S° equivalente a 55,5 kilómetros si se asume de que 1
grado corresponde a 111 km. Esta pequeña ruptura se debe a que la mayor
liberación de energía medida como Relative Moment Ratio ocurre en un corto
intervalo de 20 a 40 segundos aproximadamente, seguido de un máximo menor
entre los 60 a los 80 segundos como se muestra en el Gráfico 1.
20
Ilustración 6: Modelación falla finita del terremoto de 8,1Mw del 2014 en Iquique, Chile.
Fuente: USGS
Gráfico 1: Liberación de energía del terremoto de 8,1Mw del 2014 en Iquique, Chile.
Fuente: USGS.
Si bien en los procesos de inversión se realizan las modelaciones de las zonas de

ruptura en el CSN como fallas finitas para terremotos con Mw mayores a 7,0 y como
21
fuente puntual bajo 7,0 Mw, en términos macros, para determinar gaps sísmicos, se
puede asumir este terremoto como un evento puntual, ya que las placas tectónicas
en la zona norte desde la latitud 18S a 23S aún están acopladas según Metois et
al. (2013), incluyendo el sur de Perú.
A continuación, se muestra la modelación de la falla finita del terremoto de Iquique
del 2014 y el gráfico de la razón de momento relativo extraído de la USGS.
Respecto al marco sismo-tectónico y laguna sísmica previo a este terremoto en

Iquique (Barrientos, 2014), el segmento que abarca desde la latitud 15°S al 24°S
correspondiente a la zona sur de Perú y norte de Chile es considerada como un
seismic gap según indica Comte & Pardo (1991). Esta zona se ha caracterizado por
registrar grandes terremotos destructivos como lo fue el terremoto de Arica el 13 de
agosto de 1868.
En función de estos antecedentes y considerando la posible hipótesis de la barrera

natural sísmica de la Península de Mejillones (Victor et al., 2011) que impide la
propagación de la ruptura de los terremotos de subducción adyacentes, se
establece la primera brecha sísmica que correspondería desde la latitud 19S (Arica)
a los 23S (Norte de la Península de Mejillones) desde el terremoto de 1877 de 8,8
Mw al norte de Chile y el sur de Perú en 1868 (ver Ilustración 7), ya que el sismo de
Iquique no liberó completamente el déficit de desplazamiento acumulado en esa
zona.
22
Ilustración 7: Seismic gap 1 con latitud 18S a 23S.
Fuente: Elaboración propia con ayuda de GoogleEarth.
3.2 Gap sísmico 2

Siguiendo con el análisis del mapa de la Ilustración 5, desde el sur de la
Península de Mejillones, el terremoto más actual es el de 8,3 Mw ocurrido a 48 km
al oeste de Illapel el 2015. Su ruptura tuvo una longitud mayor a 200 km propagada
en dirección a Coquimbo (ver Ilustración 8), en donde se registró la mayor intensidad
instrumental de grado VII en la escala de Mercalli clasificando como muy fuerte
según el ShakeMap de la USGS. La mayor liberación de energía en este terremoto
ocurre en un intervalo mucho más grande en comparación al terremoto de Iquique,
durante los 20 a los 60 segundos con dos peaks (ver Gráfico 2: Liberación de
energía del terremoto de Mw = 8,3 del 2015 en Illapel, Chile.). Además, como se
menciona en Centro Sismológico Nacional (2017) este terremoto es el tercero de
mayor magnitud desde el 22 de mayo de 1960, superando en tamaño al evento de
Iquique mencionado anteriormente.
23
Es necesario destacar que, si bien este terremoto tuvo un área de ruptura mucho
mayor en comparación al terremoto de Iquique, este evento posee menor cantidad
de registros debido a la baja cobertura de estaciones sismológicas que existen en
esta zona, por lo que la calidad de la información no es tan precisa.
En conclusión, es posible establecer que la segunda brecha sísmica comienza

desde el Sur de la Península de Mejillones a una latitud de 23,5S hasta el norte de
la zona de ruptura del terremoto de Illapel a una latitud de 29S o hasta la ciudad de
Coquimbo como se muestra en la Ilustración 9 este segmento está sin gran actividad
sísmica desde el terremoto de Antofagasta ocurrido el 30 de Julio de 1995 el cual
tuvo una magnitud de 8,0 Mw con intensidad máxima de grado VII en la escala de
Mercalli. El hipocentro se ubicó a 47 kilómetros de profundidad en el extremo sur de
la Península de Mejillones. Tuvo una longitud de ruptura mayor a los 150 kilómetros
propagándose en dirección al sur.
Ilustración 8: Modelación falla finita del terremoto Mw=8,3 del 2015 en Illapel, Chile.
Fuente: USGS
24
Gráfico 2: Liberación de energía del terremoto de Mw = 8,3 del 2015 en Illapel, Chile.
Fuente: USGS.
Ilustración 9: Seismic gap 2 con latitud 23,5S a 29,5S.

25
3.3 Gap sísmico 3
El terremoto ocurrido en el Maule de 8,8 Mw el 24 de febrero del año 2010 a
una profundidad estimada de 30 kilómetros con coordenadas geográficas 36° 17’
23’’ S y 73° 14’ 20’’ W según Servicio Sismológico (2010) fue uno de los eventos
más devastadores tanto por el movimiento fuerte, como por tsunami registrándose
daños desde la región de Bío-Bío hasta la región Metropolitana y Valparaíso. Este
evento tuvo una ruptura longitudinal de 500 kilómetros en donde se registraron
grandes intensidades hasta las regiones de O’Higgins y Metropolitana.
La Ilustración 11 muestra el registro histórico de los grandes terremotos
distribuidos a lo largo de Chile en que el eje de las abscisas corresponde al tiempo
medido en años comenzando desde el 1500 al hasta el año 2010 y en el eje de las
ordenadas la latitud. Cada línea representa un terremoto en que el tamaño de ésta
indica la distancia longitudinal de la ruptura. Se observa que el segmento definido
entre las latitudes 35S a 37,5S correspondiente a Constitución y Concepción
respectivamente, se encontraba en laguna sísmica desde el terremoto de 1835 en
Concepción que, con el terremoto del Maule, la acumulación de energía durante
esos 175 años se redujo, pero no la suficiente para asumir de que la cantidad de
energía acumulada es equivalente al desplazamiento que se generó. En base a la
imagen, los desplazamientos desde el hipocentro del sismo del 2010 en dirección
al norte deberían ser menores, ya que los terremotos de 1928 en Talca y 1985 en
Algarrobo desacoplaron parcialmente un segmento en toda esa zona.
Desde el área de ruptura del terremoto de 1985 en Algarrobo hacia el norte, el
terremoto más actual fue el de Illapel el 2015 en donde su ruptura abarcó hasta la
latitud 32,5S aproximadamente. Por lo que, si se considera este último sismo, se
puede concluir de que la zona desde el sur de la ruptura del terremoto de Illapel
(32S) hasta Rancagua (35S) estaría en brecha sísmica (ver Ilustración 10). Sin
embargo, existe una parte de este segmento el cual tiene un mayor peligro sísmico
a diferencia del total de la zona que abarca la tercera brecha. Esta corresponde a
la parte entre las latitudes 32S al 33S aproximadamente en donde se ubica la región
de Valparaíso, la cual estaría en brecha sísmica desde el terremoto de 1971
ocurrido en Illapel de magnitud 6,6 Mw con grado VII a VIII en la escala de Mercalli
26
en su epicentro. Previo al terremoto de Valparaíso del 22 de Abril del 2017, se
hablaba de que esta zona se encontraba en laguna sísmica desde el megaterremoto
de 8,7 Ms en 1730 según Centro Sismológico Nacional (1971). Sin embargo, según
Ruiz et al. (2017), el evento sísmico de 6,9 Mw en Valparaíso fue el comienzo de
una fase de nucleación a largo plazo a una ruptura importante.
Ilustración 10: Seismic gap 3 con latitud 32S a 35S.

27
Ilustración 11: Zonas sísmicas destacadas en mapa de grandes sismos a través del tiempo (Susa,
2004). Fuente Interplaca.
Fuente: Cuadra (2012)
28
CAPÍTULO IV: ANÁLISIS DE LA BASE DE DATOS
En este capítulo se realizará un análisis exploratorio del catálogo de terremotos por
cada gap sísmico identificados en el CAPÍTULO III: GAPS SÍSMICOS EN CHILE
con el objetivo de conocer la cantidad total de registros, la calidad de los resultados
por evento, posibles errores en estimaciones de magnitud, etc…
Se han realizado estudios estadísticos de eventos sísmicos en Chile anteriormente
como la de Contreras (2009) que utilizó registros de RENADIC y por el Servicio
Sismológico entre 1981 al 2008. Luego por Contreras & Boroschek (2012)
actualizando la base de datos con el terremoto del Maule del 2010, pero eliminando
los eventos de magnitudes intermedias y bajas. También por Ruiz & Saragoni (2005)
desarrollando compilaciones con registros hasta el 2005, pero considerando el
mecanismo intraplaca, luego por Idini (2016) con registros de Contreras &
Boroschek (2015) y Ruiz & Saragoni (2005) con los datos ausentes hasta el 23 de
Agosto del 2014 y 23 de Julio 2014 para la red RENADIC y CSN respectivamente.
Finalmente, por María Cespedes (2017) usando los datos de la red de ONEMI y
RENADIC con sismos desde 1985 al 2015.
En esta investigación, la compilación de datos comienza desde el año 2014 hasta
el 1 de enero del 2018 usando registros adquiridos de las redes internacionales
colaboradoras Incorporated Research Institutions for Seismology (IRIS) y
GeoForschungsZentrum (GFZ) de Potsdam, Alemania.
La adquisición de los registros de aceleraciones se realizó en base a la hora
universal (Universal Time Coordinate, UTC) para un rango de magnitudes de
momento que oscila entre 4,0 a 9,0. Es importante mencionar que este criterio no
se cumple para todos los eventos sísmicos debido a que se permitieron excepciones
de magnitud de ondas de cuerpo (mb) y magnitud local (mL), los cuales fueron
considerados como magnitud de momento. Sin embargo, esta incongruencia en la
descarga de datos no generará un efecto negativo en los GMPEs ya que la variación
de magnitud entre 𝑀𝑙 y 𝑀𝑤 para sismos de baja magnitud es casi insignificativa.
Los GMPEs se realizaron solo con registros de aceleraciones con sus tres
componentes por lo que la estación sismológica LVC ubicada cerca de Calama con
29
coordenadas 68,9W, 22,6S no se consideró ya que entregaba acelerogramas con
componente N y E, al igual que la estación LCO con coordenadas 70,7W, 29S.
En el Anexo A se encuentra el detalle del código de la estación, responsable, RED,
latitud, longitud, altura, digitalizador, BB y acelerómetro de las estaciones
sismológicas distribuidas por todo el país.
En la Ilustración 12 se muestra la cobertura de las estaciones sismológicas

distribuidas en el territorio continental chileno. Se observa que la mayor densidad
de estaciones se encuentra en el norte de chile, específicamente entre las latitudes
19S hasta 23S aproximadamente y luego en la zona centro de chile entre los 30S
hasta los 35S esperándose que en esas zonas la calidad de los resultados sea más
confiables.
Ilustración 12: Red de acelerógrafos.

4.1 Organización y procesamiento de la información

En los capítulos anteriores se identificaron las tres brechas sísmicas que
existen en chile hasta la fecha y un estudio estadístico de cada una de ellas de
manera que sirvan como datos de entrada al sistema de funcionalidades que
determina el modelo de atenuación que se verá en este capítulo. En esta sección,
se explica el procedimiento que se realizó para la construcción de los GMPEs
30
mediante códigos programados en Python permitiendo la automatización de
procedimientos complejos todo el trabajo.
A continuación, se muestra el diagrama que representa el conjunto de las
cuatro rutinas que procesan la base de datos:
Ilustración 13: Diagrama del conjunto de rutinas que procesan la base de datos en Python.
Cada funcionalidad del sistema tiene subrutinas vinculadas entre sí, que
programadas que tienen un objetivo en específico.
El script “adquisición de trazas” (F.1 Script adquisición de trazas) es la
encargada de descargar la respuesta instrumental y las trazas de aceleración
asociadas a los eventos sin procesar, es decir, sin tratamiento de señales, de una
cierta zona de chile, fechas, rango de magnitudes y profundidad desde las redes
csn.extract e IRIS. En una primera etapa, se descarga la respuesta instrumental y
las trazas de aceleración paralelamente. Luego, se evalúa la localización de cada
evento en el slab para terremotos interplaca e intraplaca con características de
latitud epicentral (𝑙𝑎𝑡𝑒𝑝 ), longitud epicentral (𝑙𝑜𝑛𝑔𝑒𝑝 ) y profundidad (𝐻) propias de
cada uno, ingresan en la rutina __𝑖𝑠_𝑖𝑛_𝑠𝑙𝑎𝑏 en donde se modela el desarrollo del
slab como:
𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛
−25,6 ≤ 𝑙𝑎𝑡𝑒𝑝 < −18 ∧ 𝑙𝑜𝑛𝑒𝑝 > −70,5 ∧ 𝐻 < 10
0,77𝑙𝑎𝑡𝑒𝑝
−29 ≤ 𝑙𝑎𝑡𝑒𝑝 < −25,6 ∧ 𝑙𝑜𝑛𝑒𝑝 > − 64,7 ∧ 𝐻 < 10
3,4 (4. 1)
−33 ≤ 𝑙𝑎𝑡𝑒𝑝 < −29 ∧ 𝑙𝑜𝑛𝑒𝑝 > −71,5 ∧ 𝐻 < 10
=
𝑙𝑎𝑡𝑒𝑝
−37,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −33 ∧ 𝑙𝑜𝑛𝑒𝑝 > − 56,5 ∧ 𝐻 < 10
2,2
−39,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −37,4 ∧ 𝑙𝑜𝑛𝑒𝑝 < −0,2𝑙𝑎𝑡𝑒𝑝 − 80,98 ∧ 𝐻 < 10
{ −43,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −39,4 ∧ 𝑙𝑜𝑛𝑒𝑝 > 0,25𝑙𝑎𝑡𝑒𝑝 − 63,25 ∧ 10
31
Se calcula el azimut para conocer la dirección del movimiento del suelo y
finalmente, la información contenida en las variables que se almacenan en un
diccionario para cada estación sismológica.
Tabla 2: Definición y descripción de las variables utilizadas en la rutina "Adquisición de trazas".
Adquisición de trazas
Nombre rutina Descripción
Adquisición de las respuestas
instrumentales de los acelerómetros
asociados a cada uno de estos eventos
adquisicion_resp_instrumental()
en base al ingreso de datos de entrada de
una cierta zona, fechas, rango de
magnitudes y profundidad
Adquisición de los sismogramas
asociados a cada uno de estos eventos
adquisicion_sismogramas() en base al ingreso de datos de entrada de
una cierta zona, fechas, rango de
magnitudes y profundidad
Script para consultar la página evtdb vía
get_events()
python
worker0() Ordena los datos
get_by_csnextract() Extrae las trazas vías csn.extract
worker2() Extrae las trazas vía IRIS
download_metadata() Descarga de los archivos PZs

Evalua la localicación del terremoto en el
__is_in_slab()
slab
Crea un diccionario con la información de
__get_channel_information()
cada estación
32
Tabla 3: Definición y descripción de las variables utilizadas en la rutina "Procesamiento".
Procesamiento
Agrega la estimación de la llegada de las

physical_acc() ondas P y S a los acelerómetros y extrae
la respuesta instrumental
Elimina las trazas que se hayan cortado

select_srt_files() antes de tiempo o que estén demasiado
lejos de la ruptura
Se le agrega 5 minutos a la llegada de las

update_start() estaciones GFZ ya que no tienen bien el
inicio
Realiza una estimación a priori de las
phases_pick()
llegadas de la onda P y S
Elimina la respuesta instrumental y realiza
remove_response_str() la doble integración de las trazas de
aceleraciones horizontales
Tabla 4: Definición y descripción de las variables utilizadas en la rutina "Save data".
Save data
Lee las trazas en formato.sac y guarda los
parámetros de interés en arreglos en
save_data() archivos .npz de manera de poder
recuperar aquellos parámetros con
facilidad
Calcula el desplazamiento máximo de
cada estación, tanto de la onda P como
max_disp_p_s() de la S a través de la norma euclidiana de
los desplazamientos en sus tres
componentes
33
Tabla 5: Definición y descripción de las variables utilizadas en la rutina "GMPE".
GMPE
Elige las carpetas de los terremotos a usar e
get_data() importa las variables guardadas en el
archivo.npz
Exporta un archivo .xlsx con los datos
write_table() pertenecientes a cada estación de la lista de
terremotos
least_squares_get_gmpe() Realiza regresión de los mínimos cuadrados
Imprime una nube de puntos de PGD en
scatterplots() función de Mw y otro de PGD en función de la
distancia epicentral para cada onda
Realiza la regresión simple por los mínimos
cuadrados ordinarios e imprime los gráficos de
plots()
GMPE por cada evento sísmico para la onda P
y S. Además, imprime la curva japonesa
histograma_mag() Genera histograma de magnitud
histograma_prof() Fenera histograma de profundidad
Exporta un excel con los resultados no
excel_mag()
repetidos por estación
Exporta el excel con los resultados sin el ajuste
excel_coef()
por el modelo de efectos aleatorios
Calcula la variabilidad de los resultados sin el
bias()
ajuste por el modelo de efectos aleatorios
k_p() Función k para la onda P
k_s() Función k para la onda S
h_p() Función h para la onda P
h_s() Función h para la onda S
g_p() Función g para la onda P
g_s() Función g para la onda S
f_p() Función f para la onda P
f_s() Función f para la onda S
Función encargada de realizar el ajuste de los
analisis_residuales()
coeficientes por el modelo de efectos aleatorios
En el script “Procesamiento” (F.2 Script procesamiento), la entrada de datos

correspondiente a cada traza de aceleración adquirida en el programa anterior por
estación sismológica en sus tres componentes (N, W y Z) en formato .sac y es
sometida a un subconjunto de rutinas como se muestra en la Tabla 3.
34
En primera instancia, se toma esta información básica sin procesar de los
acelerogramas para estimar la llegada de onda P, S y superficiales, y se eliminan
las trazas que se hayan cortado antes de tiempo o que estén demasiado lejos de la
zona de ruptura del terremoto. Existen estaciones GFZ que tienen problemas con el
inicio del registro por lo que se agregaron 5 minutos extras antes de la llegada de la
onda P con la función update_start(). Una vez que la base de datos está completa,
la rutina phases_pick estima la llegada de la onda primaria (t1), secundaria (t2) y
superficiales (t3) agregándoles 5 minutos al comienzo de la traza y 100 segundos
al final con el objetivo de aislar las señales de cada onda para determinar el PGD
máximo de cada una de ellas y luego, se elimina la respuesta instrumental de los
acelerogramas.
Estos acelerogramas son sometidos a un tratamiento de señales debido a
que el registro del movimiento superficial generado por un terremoto no representa
al movimiento real (ver 4.2 Procesamiento de señales). Estas limitaciones tienen
relación con las condiciones ambientales y con el rango de frecuencias que los
instrumentos son capaces de grabar y no con el fenómeno asociado al terremoto en
sí.
Posteriormente, se realiza la doble integración de los acelerogramas filtrados
para obtener los registros de desplazamientos la cual matemáticamente se define
como:
𝑡
𝑑 = ∫ 𝑣 𝑑𝑡 + 𝑑0 (4. 2)
𝑡0
En que 𝑣 está dado por:

𝑡
𝑣 = ∫ 𝑎 𝑑𝑡 + 𝑣0 (4. 3)
𝑡0
Reemplazando (4. 3) en (4. 2), se obtiene que el desplazamiento en el espacio de

tiempo se calcula como:
35
𝑡 𝑡
𝑑 = ∫ (∫ 𝑎 𝑑𝑡 + 𝑣0 ) 𝑑𝑡 + 𝑑0 (4. 4)
𝑡0 𝑡0
En que,
𝑑: desplazamiento máximo horizontal del suelo filtrado para la onda P y S
respectivamente.
𝑣: velocidad máxima horizontal del suelo con filtro.
𝑎: aceleración máxima horizontal del suelo o pseudo-aceleración filtrado.
𝑡: tiempo.
𝑣0 , 𝑑0 : constantes.
La salida de datos corresponde a archivos de desplazamientos filtrados por

cada componente y estación en formato.sac, los cuales son traspasados al script
“Save data” (F.3 Script Save parameters) en donde se determina el desplazamiento
máximo tanto para la onda primaria como para la secundaria de las estaciones
sismológicas por evento mediante la norma euclidiana:
2
𝐴𝑑 = √𝐴𝑑𝑁 + 𝐴𝑑𝐸2 + 𝐴𝑑𝑍2 (4. 5)
En que 𝐴𝑑 corresponde al desplazamiento filtrados total de la estación y

𝐴𝑑𝑁 , 𝐴𝑑𝐸 , 𝐴𝑑𝑍 a los desplazamientos en dirección N-S, W-E y vertical (Z)
respectivamente.
Por último, la información es traspasada al script “GMPE” (F.4 Script GMPE)
que calcula los coeficientes que acompañan a cada parámetro mediante la
regresión de los mínimos cuadrados que se describe en detalle en la sección 5.2,
determina los los mejores coeficientes de la ecuación que se presentan en la
sección Forma funcional para finalmente, ajustar los residuales mediante el modelo
de efectos aleatorios y determinar el error por evento.
36
4.2 Procesamiento de señales
Los acelerógrafos cuentan con un sistema electro-mecánico que traduce la
masa en suspensión a una señal en voltaje, la cual es enviada al digitalizador. Este
aparato, le asigna un número a cada valor de voltaje en función del tiempo,
generando una serie de tiempo conocida como traza. La traza que se obtiene desde
el digitalizador se encuentra obtenida en “cuentas”, una unidad que depende de la
cantidad de bits que se le asigna al instrumento. Es por ello que, la traza obtenida
corresponde a la respuesta combinada del movimiento real del suelo, del sensor y
del digitalizador. Debido a ésto, es importante eliminar de la traza de aceleración la
respuesta instrumental de cada acelerógrafo que se encuentra en formato de polos
y ceros (i.e. método que permite evaluar los polos y ceros de las expresiones
racionales para hallar el conjunto solución en desigualdades) en el dominio de
Laplace (s). De esta forma, es posible dejar la señal principal que hace referencia
al movimiento real del suelo. Cada acelerógrafo por tanto, tendrá una característica
propia asociada a la frecuencia de corte el cual la señal principal estará contemplada
en un rango de frecuencias específico.
Si se asume que la traza de aceleración se formula en el dominio del tiempo
𝑎(𝑡) como:
𝑎(𝑡) = 𝑠(𝑡) + 𝑟(𝑡) (4. 6)
En que 𝑠(𝑡) corresponde a la señal principal y 𝑟(𝑡) el ruido (ambas en el dominio

del tiempo) proveniente de la respuesta instrumental el cual se encuentran en
formato PZs y contienen la información de los polos, ceros y la constante.
Por lo tanto, si se asume que este sistema es lineal e invariante, es posible
aplicar la Transformada de Fourier a la traza de aceleración para pasar del dominio
tiempo a frecuencias:
𝑇𝐹{𝑎(𝑡)} = 𝐴(𝑤) = 𝑆(𝑤) + 𝑅(𝑤) (4. 7)
Ahora, si se considera 𝐻(𝑤) como una función filtro o de transferencia, se obtiene

que:
37
𝐴(𝑤) ∙ 𝐻(𝑤) = 𝑆(𝑤) ∙ 𝐻(𝑤) + 𝑅(𝑤) ∙ 𝐻(𝑤) (4. 8)
La banda de frecuencias a considerar o la señal principal se puede aproximar a la

convolución de la respuesta del impulso del sistema definida como 𝐻(𝑤) y la señal
de entrada 𝐴(𝑤):
𝑆 ′ (𝑤) ≅ 𝐻(𝑤) ∙ 𝐴(𝑤) (4. 9)
Como el objetivo es obtener que la señal de entrada sea igual a la señal de salida,
se espera que la respuesta instrumental sea una constante a tal frecuencia. En este
rango de frecuencias, la señal principal recién comienza a tener validez y la razón
ruido/señal disminuye al mínimo. La respuesta instrumental se representa en el
dominio de Laplace de la siguiente manera:
∏𝑖 (𝑠 − 𝑧𝑖 )
𝐻(𝑠) = 𝐾 𝐴0 (4. 10)
∏𝑗(𝑠 − 𝑝𝑗 )
Donde 𝐾 es la ganancia total del sistema, 𝐴0 es el factor de normalización, 𝑧𝑖 son

los ceros de la función y 𝑝𝑗 los polos. 𝑠 corresponde a la variable de Laplace, es
decir:
𝑠 = 𝑖𝑤 = 𝑖2𝜋𝑓 (4. 11)
Como se mencionó en el ítem 2.3.1 que hace referencia al sistema de alerta

temprana de terremotos de Japón, las trazas de aceleraciones están filtradas para
un periodo (T) de 6 segundos o 0,16667 Hz que corresponde al periodo o frecuencia
de corte de sus acelerógrafos respectivamente. En el caso de Chile, es necesario
adaptar este límite a las propiedades características de cada acelerógrafo con el
objetivo de disminuir al máximo la razón ruido/señal dentro del rango de frecuencias
a estudiar. Para generar este efecto, se aplicó un filtro butterworth pasabanda de
38
0,16667 Hz a 1 Hz considerando que los acelerómetros incrementan los errores
producidos por las bajas frecuencias en desplazamiento.
Es importante mencionar que, la razón de utilizar pseudo-desplazamientos en la
ecuación de atenuación es que, a pesar de que la doble integración entrega datos
indeseados que impiden determinar un PGD más exacto (como los que registra la
red de GPSs), los resultados son más precisos para los primeros impulsos de la
onda secundaria. Esto se debe a que la doble integración suaviza las amplitudes
más altas del movimiento de las ondas entregando características de largo periodo
del movimiento del terremoto (i.e. a frecuencias bajas) según indica Carreño, Bravo,
Suárez, & Tordesillas (1999).
4.3 Selección de registros

Dentro del conjunto de datos adquiridos por cada caso de estudio, existe
información incorrecta debido a diversos factores como malas estimaciones de las
llegadas de las ondas de cuerpo y superficiales o trazas de aceleraciones con
formas extrañas. En base a estos criterios, se eliminan los datos atípicos, es decir,
las estaciones sismológicas que registren una anomalía dentro de cada terremoto.
Si bien es necesario contar con la mayor cantidad de registros posibles para obtener
resultados más exactos, no eliminar los datos atípicos implicaría perjudicar la
ecuación o entregar resultados poco reales.
Para explicar este procedimiento, se toma como ejemplo el evento sísmico del
13 de mayo del 2017 del gap sísmico 1 registrado a las 19:44:43 de magnitud 𝑀𝑤 =
4,4 a una profundidad de 34,96 Km. En el Gráfico 3 se muestra el conjunto de datos
que se obtuvo originalmente graficado en dos de las cinco dimensiones de la
ecuación. En el eje “x” se posiciona la variable de distancia hipocentral medido en
kilómetros y en el eje “y” el Peak Ground Displacement (PGD) medido por 10
micrómetros para un filtro de 0,16 Hz a 1 Hz. Cada punto de color corresponde a un
registro de estación sismológica de este evento para la onda P y la onda S.
39
Gráfico 3: Valores de amplitud del desplazamiento máximo del suelo de log(PGD) v/s distancia
hipocentral para el evento de Mw=4,4 a 34,96 km de profundidad sin procesar.
Se observa gráficamente que el fenómeno de atenuación de las ondas sísmicas

está un poco disperso para la onda P, pero bastante claro para la onda S, ya que
mientras más alejada está la estación de la fuente de ruptura (mayor distancia
hipocentral), menor es movimiento del suelo o PGD. Además, este desplazamiento
esperado para la onda secundaria es mayor que para la onda primaria concluyendo
que existe un efecto físico en los resultados de este terremoto. Sin embargo,
analizando el gráfico de la onda P a primera vista, se pueden observar dos grandes
incongruencias:
(1) La estación GO02 en el gráfico de la onda P entrega un PGD bastante alto a
distancias hipocentrales más alejadas de la fuente de ruptura al igual que la
estación AP01 y MNMCX. Se espera para este caso que en el tramo de los
150 km a los 500 km los PGD comiencen a disminuir exponencialmente
desde los 10𝜇𝑚.
(2) La estación PB12 no obtuvo ningún desplazamiento ya que mantuvo su valor
PGD en 1 𝜇𝑚 cercano a los 500 km de distancia hipocentral.
40
Revisando las trazas de desplazamiento filtradas en sus tres componentes (N,
E, Z) de las estaciones descritas en los dos puntos anteriores (Gráfico 5, Gráfico 6,
Gráfico 7, Gráfico 8, Gráfico 9, Gráfico 10, Gráfico 11, Gráfico 12) se observa que
en la estación PB09 registró una traza de forma normal, en que la estimación de la
llegada de la onda P (t1) y S (t2) coinciden con los peaks de amplitud
respectivamente por lo que no se hace necesario eliminar este registro. Si bien no
registró un cambio significativo en PGD, el dato se encuentra dentro del conjunto de
datos.
La traza de desplazamiento filtrado de la estación GO02 entregó un registro
bastante ruidoso en el cual no es posible distinguir las ondas de cuerpo (t1, t2) y las
superficiales (t3). Se espera que la señal comience o esté cercana a 0 durante la
estimación de la llegada de la onda P. Este mismo fenómeno se repite en la traza
de la estación AP01 y en MNMCX por lo que los tres registros son necesarios
eliminarlos del conjunto de datos.
Por último, analizando el punto 2, la estación sismológica PB12 nuevamente
entrega una traza ruidosa al igual que las anteriores y, además, considerando que
la mayor amplitud de desplazamiento generalmente corresponde cuando comienza
la onda S (t2), estos tiempos de llegada estarían mal estimados debido a que existe
un desface con el registro.
Revisando las otras estaciones sismológicas, se encuentra que las estaciones
TA01 y TA02 también entrega un resultado bastante ruidoso repitiéndose este
efecto en los demás eventos de terremotos.
En este contexto, se eliminan los registros atípicos que posean trazas de
desplazamiento filtrado con mucho ruido o con malas estimaciones en las llegadas
de las ondas de cuerpo ya que entregan un PGD erróneo y los datos que se escapan
del conjunto de eventos -posiblemente efectos de sitio- también son necesarios
borrarlos debido a que perjudicarían el GMPE.
Finalmente, en el Gráfico 4 se muestra el nuevo resultado para el evento del 13
de mayo del 2017 registrado a las 19:44:43 en la zona norte de Chile. Este
procedimiento se realiza para todos los sismos de todos los casos de estudio.
41
Gráfico 4: Scattering de log(PGD) v/s distancia hipocentral para el evento de Mw=4,4 a 34,96 km
de profundidad procesado.
Gráfico 5: Traza de aceleración estación "PB09" del sismo Mw=4,4 a 34,96 km de profundidad. De
arriba hacía abajo: Este (E), Norte (N), vertical (Z).
42
Gráfico 6: Traza de aceleración estación "GO02" del sismo Mw=4,4 a 34,96 km de profundidad. De
Gráfico 7: Traza de aceleración estación "AP01" del sismo Mw=4,4 a 34,96 km de profundidad. De
Gráfico 8: Traza de aceleración estación "MNMCX" del sismo Mw=4,4 a 34,96 km de profundidad.
De arriba hacía abajo: Este (E), Norte (N), vertical (Z).
43
Gráfico 9: Traza de aceleración estación "TA02" del sismo Mw=4,4 a 34,96 km de profundidad. De
Gráfico 10: Traza de aceleración estación "PB12" del sismo Mw=4,4 a 34,96 km de profundidad.
Gráfico 11: Traza de aceleración estación "TA01" del sismo Mw=4,4 a 34,96 km de profundidad.
44
Gráfico 12: Traza de aceleración estación "TA02" del sismo Mw=4,4 a 34,96 km de profundidad.
4.4 Base de datos final

4.4.1 Gap sísmico 1
La base de datos de la brecha sísmica 1 correspondiente a la zona norte de
Chile con latitud de 19S a 21S y longitud de 72W a 69W cuenta con 580 eventos
sísmicos en aceleraciones sin procesar en total a partir del 16 de marzo del 2014 a
las 00:00:00 horas hasta el 1 de enero del 2018 a las 00:00:00 horas.
En el Gráfico 13 a la izquierda, se muestra el histograma de la magnitud. En el
eje x se posicionan las magnitudes de momento y en el eje y la cantidad de sismos.
Las barras azules corresponden a terremotos adquiridos desde el año 2014 al 2018
los cuales están distribuidos mayoritariamente entre 4,0 Mw y 5,5 Mw. Existen solo
dos terremotos de grandes magnitudes que corresponden al de Iquique de 8,2 Mw
y la réplica de 7,6 Mw. Los demás sismos no sobrepasan los 7,0 Mw.
A la derecha del Gráfico 13 se muestra el histograma de profundidades. La
mayor cantidad se encuentran entre los 5 km a los 35 kilómetros de profundidad,
disminuyendo la intensidad de registros hacia zonas más profundas hasta los 50
kilómetros en donde se asume como el límite en la cual ocurren los terremotos
interplaca. Pasado los 50 km, se considera en esta memoria como intraplaca.
Respecto a la cobertura de las estaciones sismológicas de este gap, se
cuentan con 25 acelerógrafos distribuidos espacialmente desde entre las latitudes
18S a 23S, es decir, en 555 kilómetros aproximadamente con una tendencia hacia
la costa chilena como se observa en la Ilustración 14.
45
Gráfico 13: Lado izquierdo: histograma magnitud gap sísmico 1; lado derecho: histograma
profundidad gap sísmico 1.
Ilustración 14: Red de acelerógrafos en gap sísmico 1.

46
La base de datos de la brecha sísmica 2 correspondiente a la zona que abarca
entre el sur de la Península de Mejillones hasta el norte de la zona de ruptura del
terremoto de Illapel del 2015 con latitud de 23,5S a 29S y longitud de 69W a 72W
cuenta con 95 eventos sísmicos de aceleraciones sin procesar en total sin filtro a
partir del 1 de marzo del 2014 a las 00:00:00 horas hasta el 1 de enero del 2018 a
las 00:00:00 horas.
En este segmento sin actividad sísmica desde el terremoto de Antofagasta
ocurrido el 30 de Julio de 1995 de 8,0 Mw, la cobertura de estaciones sismológicas
es muy baja comparada con la brecha sísmica 1 como se observa en la Ilustración
15 así mismo la cantidad de eventos registrados en esta zona.
En el Gráfico 14 a la izquierda se muestra el histograma de magnitud. En el
los cuales están distribuidos mayoritariamente entre 4,0 Mw y 4,8 Mw. No existen
terremotos de magnitud mayores a 6,5 Mw.
Al lado derecho del Gráfico 14 se muestra el histograma de profundidades. La
cantidad de sismos están bastante bien distribuidos en profundidad. Sin embargo,
existe mayor actividad sísmica a una profundidad de 10 kilómetros seguido de otro
peak que ocurre a los 36 kilómetros aproximadamente.
Respecto a la cobertura de las estaciones sismológicas del gap sísmico 2, se
cuentan con 15 acelerógrafos distribuidos espacialmente por todo el segmento
descrito en el primer párrafo (ver Ilustración 15).
En conclusión, en este segmento de Chile, en primer lugar no existe una
proporcionalidad entre la densidad de estaciones sismológicas y la longitud del gap
sísmico y segundo, la cantidad de eventos sísmicos en esta zona no sobrepasan
los 100 terremotos como fue el caso del norte de chile por lo que se espera que la
calidad de los resultados no sean lo bastante exactos.
47

48
La base de datos de la brecha sísmica 3 correspondiente a la zona centro de
Chile que abarca desde el sur del área de ruptura del terreno de Illapel hasta la
región de O’Higgins cuenta con 114 eventos sísmicos de aceleraciones sin procesar
en total sin filtro a partir del 1 de marzo del 2014 a las 00:00:00 horas hasta el 1 de
enero del 2018 a las 00:00:00 horas.
En el Gráfico 15 a la izquierda se muestra el histograma de magnitud. En el
los cuales están distribuidos mayoritariamente entre 4,0 Mw y 5,0 Mw. No existen
terremotos que sobrepasen los 7,0 Mw.
A la derecha del Gráfico 15 se muestra el histograma de profundidades. La
cantidad de sismos están bastante bien distribuidos en profundidad. Sin embargo,
existe mayor actividad sísmica a una profundidad entre los 18 km y 26 km de
profundidad.
En este segmento, la densidad de la red de acelerógrafos es mayor contando
con 27 estaciones sismológicas distribuidos espacialmente entre las latitudes 32S
a 35S y longitud 69W a 72W como se observa en la Ilustración 16.
En base a estos antecedentes, se espera que los resultados sean más exactos
debido a la cantidad suficiente de registros sísmicos y a la cobertura de estaciones
sismológicas en la zona centro del país.
49

50
CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPEs)
En los últimos años, se han propuestos modelos como los Contreras (2009) o Idini
(2016) para obtener los valores del espectro de respuesta de aceleraciones con 5%
de amortiguamiento crítico con el objetivo de determinar la demanda sísmica
esperada para el diseño estructural y para la definición de los códigos de diseño
sísmico generales propios de cada país.
Las curvas de atenuación tienen múltiples aplicaciones dentro del área de la
sismología sirviendo para la estimación del peligro sísmico como la metodología
probabilística de Algermissen & Perkins (1976) o también como modelo predictivo
para estimar el movimiento fuerte del suelo en zonas de subducción que permitan
explicar el fenómeno en zonas específicas o de forma general para todas las zonas
de subducción. A pesar de que se haya investigado de que existen subzonas que
tienen características propias distintas entre sí como se menciona en Ruiz &
Saragoni (2005), trabajos como los de Atkinson & Boore (2003) confirman
diferencias en amplitudes de aceleraciones horizontales máximas en eventos
sísmicos con parámetros hipocentrales iguales producidos las zonas de Cascadia y
Japón que presentan características geotécnicas similares.
5.1 Forma funcional

Una de las obligaciones que pide el sistema de alerta temprana de terremotos
(Kamigaichi, 2004) es que, tanto para la onda primaria (𝑝) como secundaria (𝑠), el
modelo matemático se compone de cuatro términos los cuales son calibrados
mediante los coeficientes 𝑎, 𝑏, 𝑐, 𝑑, 𝜀 calculados por la regresión con el objetivo de
que el resultado del lado derecho de la ecuación sea igual al desplazamiento
máximo horizontal del suelo en escala logarítmica:
log(𝑃𝐺𝐷𝑝 ) = 𝑎𝑝 𝑀 + 𝑏𝑝 𝑅 + 𝑐𝑝 log(𝑅) + 𝑑𝑝 𝐻 + 𝛼𝑝 + 𝜀𝑝 (5. 1)
log(𝑃𝐺𝐷𝑠 ) = 𝑎𝑠 𝑀 + 𝑏𝑠 𝑅 + 𝑐𝑠 log(𝑅) + 𝑑𝑠 𝐻 + 𝛼𝑠 + 𝜀𝑠 (5. 2)
Donde,
51
𝑃𝐺𝐷: Peak Ground Displacement expresada en 𝜇𝑚. Es una variable dependiente o
explicada en escala logarítmica la cual se obtiene mediante los registros de
aceleraciones independiente de la regresión realizada.
𝑀: magnitud de momento [Mw]. Es una variable independiente o explicativa
incorporada linealmente que oscila en el dominio de [4,0 − 9,0].
𝑅: distancia hipocentral expresada en Km. Es una variable independiente o
explicativa agregada al modelo matemático de forma lineal y en escala logarítmica.
𝑅 tiene dominio en [5 − 500]. Esta variable representa teóricamente la disminución
de la amplitud de la onda debido la expansión geométrica del medio y a los efectos
de anelasticidad respectivamente (efectos que serán descrito en el ítem 5.3). La
distancia hipocentral es calculada como 𝑅 = √(𝐷2 + 𝐻 2 ).
𝐻: profundidad focal expresada en Km. Es una variable independiente o explicativa
con dominio en [5 − 50].
𝑎, 𝑏, 𝑐, 𝑑: coeficientes que son determinados por la regresión que se explicará en el
ítem 5.2.
𝛼: constante que es determinada por la regresión que se explicará en el ítem 5.2.
𝑒: variable Gaussiana independiente de media cero y varianza 𝜎 2 que explica el
error, valor residual o perturbación el cual está compuesto por un parámetro
independiente de variabilidad inter-evento (𝜂) más otro intra-eventos (𝜀) que se
expresa matemáticamente como 𝑒 = 𝜂 + 𝜀. Este valor será analizado en el ítem
Modelación de residuales y resultados finales.
En base a efectos físicos, se espera solamente que el coeficiente 𝑎 que acompaña

a la magnitud sea directamente proporcional a este parámetro debido a que,
mientras mayor sean los valores de magnitud del evento sísmico, mayor debiera ser
el movimiento del suelo. Los demás coeficientes (𝑏, 𝑐, 𝑑) en teoría debieran ser
negativos porque a menor distancia a la fuente de ruptura, mayor 𝑃𝐺𝐷 se esperaría.
En esta investigación, no se realizó un análisis por regresión aparte para obtener la
constante 𝑐 que tiene relación a la pendiente de la atenuación del log(𝑃𝐺𝐷) v/s
log(𝑅).
52
5.2 Método de regresión
La rutina least_squares_get_gmpe del script GMPE es la encargada de
determinar los coeficientes correspondientes para cada onda en base a las variables
trasferidas por la función get_data.
Las ecuaciones (5. 3) y (5. 4) corresponden al modelo matemático expuesto
previamente en el ítem Forma funcional:
log(𝑃𝐺𝐷𝑛 𝑝 ) = 𝑎𝑝 𝑀𝑛 + 𝑏𝑝 𝑅𝑛 + 𝑐𝑝 𝑙𝑜𝑔 (𝑅𝑛 ) + 𝑑𝑝 𝐻𝑛 + 𝛼𝑝 + 𝑒𝑛 𝑝 (5. 3)
log(𝑃𝐺𝐷𝑛 𝑠 ) = 𝑎𝑠 𝑀𝑛 + 𝑏𝑠 𝑅𝑛 + 𝑐𝑠 𝑙𝑜𝑔 (𝑅𝑛 ) + 𝑑𝑠 𝐻𝑛 + 𝛼𝑠 + 𝑒𝑛 𝑠 (5. 4)
Donde,
𝑃𝐺𝐷𝑛 : Variable explicada que representa el peak ground displacement de la onda
primaria (𝑝) y secundaria (𝑠) que corresponde al registro n-ésimo [𝜇𝑚].
𝑀𝑛 : Variable explicativa que representa la magnitud de momento del evento
correspondiente al registro n-ésimo [Mw].
𝑅𝑛 : Variable explicativa que representa la distancia hipocentral del evento
correspondiente al registro n-ésimo en [Km].
𝐻𝑛 : Variable explicativa que representa la profundidad focal del evento
correspondiente al registro n-ésimo en [Km].
𝑎, 𝑏, 𝑐, 𝑑: Coeficientes de la onda primaria (𝑝) y secundaria (𝑠) que son determinados
por regresión lineal simple utilizando el método de los mínimos cuadrados
ordinarios.
𝛼: Constante de la onda primaria (𝑝) y secundaria (𝑠) que son determinados por la
regresión lineal simple utilizando el método de los mínimos cuadrados ordinarios.
𝑒𝑛 : Variable aleatoria que representa la perturbación o error para registro y evento.
La relación de las variables mencionadas previamente es equivalente si es

escrito con un enfoque matricial lineal simple para la onda p y s como:
53
̂𝑝 𝑋 + 𝑒̂
𝑦(𝑋)𝑝 = 𝛽 𝑛𝑝 (5. 5)
𝑦(𝑋)𝑠 = 𝛽̂𝑠 𝑋 + 𝑒̂
𝑛𝑠 (5. 6)
Donde,
𝑎𝑝 𝑎𝑠
𝑏𝑝 𝑏𝑠
̂𝑝 = 𝑐𝑝 , 𝛽̂𝑠 = 𝑐𝑠
𝛽
𝑑𝑝 𝑑𝑠
[𝛼𝑝 ] [𝛼𝑠 ]
𝑀1,1 𝑅1,2 log(𝑅1,3 ) 𝐻1,4 1
𝑋 = 𝑀2,1 𝑅2,2 log(𝑅2,3 ) 𝐻2,4 1

⋮ ⋮ ⋮ ⋮ ⋮
𝑀
[ 𝑛,1 𝑅𝑛,2 log(𝑅𝑛,3 ) 𝐻𝑛,4 1]
𝑒̂1 𝑝 𝑒̂1 𝑠
𝑒̂2 𝑝 𝑒̂
𝑒̂𝑝 = , 𝑒̂𝑠 = 2 𝑠
⋮ ⋮
[𝑒̂𝑛𝑝] [𝑒̂𝑛𝑠]
En que, 𝑒̂ corresponde a un vector columna de perturbaciones o errores de la onda

p y s que considera un conjunto de errores del tipo intra-eventos y entre-eventos
como posibles problemas de efecto de saturación debido a la cercanía a la fuente,
efecto de sitio, malas estimaciones de magnitud y profundidad, error en la pendiente
de la atenuación, etcétera y se asumen que 𝑒̂ tiene una distribución normal con
media 0.
Existen variadas metodologías propuestas para estimar coeficientes en base a

ajustes estadísticos. En una primera instancia, se resuelve este problema mediante
el método de regresión de máxima verosimilitud propuesto por Joyner & Boore
(1993) incluyendo Joyner & Boore (1994) que implementa one stage maximum-
likehood analysis. Sin embargo, no es posible calcularlos debido a que existen
54
matrices que no son invertibles. A causa de esto, se decidió usar los coeficientes
que son la solución al problema del método de los mínimos cuadrados ordinarios.
Si bien esta metodología presenta problemas para modelar este tipo de fenómenos
debido a la fuerte dependencia frente a eventos con gran número de registros, gran
sensibilidad frente a datos atípicos, inestabilidad frente a funciones altamente no
lineales y problemas de desacoplamiento en las contribuciones de la fuente,
trayectoria y sitio (Bastías, 2016), utilizar este algoritmo es factible ya que la forma
funcional que se presenta en esta investigación es de forma lineal y optimiza
bastante bien las distancias verticales al cuadrado, minimizando el error entre los
datos reales y la curva sintética.
Debido a que por este método de regresión por los mínimos cuadrados ordinarios
no hace la distinción entre el error intra y entre eventos, Brillinger & Preisler (1984)
y Brillinger & Preisler (1985) proponen un nuevo algoritmo que permite cuantificar la
variabilidad mencionada anteriormente de manera más rápida. Esta metodología
fue comprobada años después por Somerville et al. (1997). Sin embargo, surge la
regresión de Abrahamson & Youngs (1992) que se basa en la metodología anterior,
menos eficaz, pero más estable que el algoritmo aprobado de Brillinger & Preisler
(1985) ya que no es sensible a las condiciones iniciales debido a la cantidad de
iteraciones que se realiza.
En conclusión, en esta investigación se determinan los coeficientes en base a la

regresión lineal por el método de los mínimos cuadrados ordinarios y
porteriormente, se realiza la modelación de residuales por el algoritmo propuesto
por Abrahamson & Youngs (1992) con la intención realizar un análisis estadístico y
cuantificar la variabilidad entre registros y entre eventos.
Si se define la estimación 𝑌̂
𝑖 (𝑋) como:
𝑌̂ ̂ + 𝛽̂ 𝑋𝑖
𝑖 (𝑋) = 𝛼 (5. 7)
55
El error (𝑒̂ ) será la diferencia entre el valor real 𝑌𝑖 y el valor predicho 𝑌̂
𝑖 (𝑋):
𝑛 𝑛
2
𝐹(𝛼̂, 𝛽̂ ) = min ∑(𝑒̂ )2 = min ∑ (𝑌𝑖 − 𝑌𝑖̂
(𝛼̂, 𝛽̂ ))
𝑖=1 𝑖=1
𝑛
(5. 8)
2
= min ∑(𝑌𝑖 − (𝛼̂ + 𝛽̂ 𝑋𝑖 ))
𝑖=1
𝑛 𝑛
2
min ∑(𝑒̂ ) = min ∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 )
2
(5. 9)
𝑖=1 𝑖=1
Este problema de optimización (5. 9) se resuelve derivando parcialmente la función

𝐹(𝛼̂, 𝛽̂ ) respecto a cada coeficiente e igualando a cero, se obtiene un vector
columna ∇𝐹(𝛼̂, 𝛽̂ ):
𝜕𝐹
𝜕𝛼̂ 0
∇𝐹(𝛼̂, 𝛽̂ ) = 𝜕𝐹 = [ ] (5. 10)
0
[𝜕𝛽̂ ]
Derivando parcialmente respecto a 𝛼̂:
𝑛 𝑛 𝑛
𝜕 2
(∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 ) ) = 𝑛𝛼̂ + (∑ 𝑋𝑖 ) 𝛽̂ = ∑ 𝑌𝑖 (5. 11)
𝜕𝛼̂
𝑖=1 𝑖=1 𝑖=1
Derivando parcialmente respecto a 𝛽̂ :
𝑛 𝑛 𝑛 𝑛
𝜕 2
(∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 ) ) = (∑ 𝑋𝑖 ) 𝛼̂ + (∑ 𝑋𝑖 2 ) 𝛽̂ = ∑ 𝑋𝑖 𝑌𝑖 (5. 12)
𝜕𝛽̂ 𝑖=1 𝑖=1 𝑖=1 𝑖=1
56
Por lo tanto,
𝑛
𝜕𝐹
= ∑ 𝑌𝑖
𝜕𝛼̂
𝑖=1
∇𝐹(𝛼̂, 𝛽̂ ) = 𝑛 (5. 13)
𝜕𝐹
= ∑ 𝑋𝑖 𝑌𝑖
[𝜕𝛽̂ ]
𝑖=1
Si la ecuación (5. 11) y (5. 12) se utiliza de forma matricial se obtiene que:
𝑛 𝑛
𝑛 ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝑖=1 𝛼̂ 𝑖=1
𝑛 𝑛 [ ̂] = 𝑛 (5. 14)
𝛽
∑ 𝑋𝑖 ∑ 𝑋𝑖 2 ∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 𝑖=1 ] [ 𝑖=1 ]
Despejando la matriz de coeficientes,
𝑛 −1 𝑛
𝑛 ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝛼̂ 𝑖=1 𝑖=1
[ ̂] = 𝑛 𝑛 𝑛 (5. 15)
𝛽
∑ 𝑋𝑖 ∑ 𝑋𝑖 2 ∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 𝑖=1 ] [ 𝑖=1 ]
Por lo que la solución al problema de optimización es de la forma:
𝛽̂ = (𝑋′𝑋)−1 𝑋′𝑌 (5. 16)
En que,
𝛼̂
𝛽̂ = [ ̂ ] (5. 17)
𝛽
57
𝑛 −1
𝑛 ∑ 𝑋𝑖
𝑖=1
(𝑋′𝑋)−1 = 𝑛 𝑛 (5. 18)
∑ 𝑋𝑖 ∑ 𝑋𝑖 2
[ 𝑖=1 𝑖=1 ]
∑ 𝑌𝑖
𝑖=1
𝑋′𝑌 = 𝑛 (5. 19)
∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 ]
Resolviendo, se obtienen que los mínimos o máximos locales son:
(∑𝑛𝑖=1 𝑋𝑖 2 )(∑𝑛𝑖=1 𝑌𝑖 ) − (∑𝑛𝑖=1 𝑋𝑖 )(∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 )

𝛼̂ = (5. 20)
𝑛(∑𝑛𝑖=1 𝑋𝑖 2 ) − (∑𝑛𝑖=1 𝑋𝑖 )2
𝑛(∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 ) − (∑𝑛𝑖=1 𝑋𝑖 )(∑𝑛𝑖=1 𝑌𝑖 )

𝛽̂ = (5. 21)
𝑛(∑𝑛𝑖=1 𝑋𝑖 2 ) − (∑𝑛𝑖=1 𝑋𝑖 )2
𝐶𝑜𝑣𝑎𝑟(𝑋, 𝑌)
𝛽̂ = (5. 22)
𝑉𝑎𝑟(𝑋)
Conociendo 𝛽̂ (mínimo o máximo relativo) y despejando 𝛼̂ de la función principal,
58
𝑛 𝑛
1 1
𝛼̂ = ∑ 𝑌𝑖 − 𝛽̂ ∑ 𝑋𝑖 (5. 23)
𝑛 𝑛
𝑖=1 𝑖=1
1 1
En que, ∑𝑛𝑖=1 𝑌𝑖 y ∑𝑛𝑖=1 𝑋𝑖 se define como la media de 𝑌 (𝜇𝑌) y 𝑋 (𝜇𝑋)
𝑛 𝑛
respectivamente. Reemplazando, se obtiene que 𝛼̂ (mínimo o máximo relativo) se

representa matemáticamente como:
𝛼̂ = (𝜇𝑌) + 𝛽̂ (𝜇𝑋) (5. 24)
Finalmente, se debe confirmar que 𝛼̂ y 𝛽̂ serán un mínimo global evaluando la matriz

Hessiana.
La rutina de este método se encuentra detallada en el F.4 Script GMPE.
5.3 Análisis del parámetro distancia

Uno de los parámetros importantes que influye en el efecto de la disminución
de la amplitud de la onda es la medición de la distancia que recorren los rayos
sísmicos desde el lugar de la nucleación del terremoto hasta la superficie.
Asumiendo que toda la fuente de ruptura del terremoto genera rayos sísmicos de
igual amplitud, durante su propagación por el medio heterogéneo se producen
efectos geofísicos de atenuación anelástica y de expansión geométrica teniendo
como consecuencia la pérdida de energía elástica de la onda que fue absorbida por
el medio en forma de calor por fricción.
Existen diversas estimaciones de la distancia que han sido adoptadas por distintos
autores las cuales se diferencian para fuentes sísmicas puntuales o para fuentes
sísmicas extendidas o distancias más cercanas al área de ruptura y entre fallas
verticales o inclinadas como las que de indican a continuación:
1. Distancia epicentral (𝑅𝑒𝑝𝑖 ): corresponde a la distancia entre la estación
sismológica hasta la proyección en la superficie de la fuente sismogénica.
Esta distancia se utiliza para fuentes sísmicas puntuales y para fallas
verticales.
59
2. Distancia hipocentral (𝑟ℎ𝑦𝑝𝑜 ): se utiliza para fuentes sísmicas puntuales y
corresponde a la distancia que existe entre la estación sismológica hasta la
fuente sismogénica. Esta distancia se utiliza para fuentes sísmicas puntuales
y para fallas verticales o inclinadas.
3. Distancia Joyner-Boore (𝑟𝑗𝑏 ): corresponde a la distancia mínima entre la
estación sismológica hasta la proyección en la superficie del área de ruptura
del sismo. Esta distancia se utiliza para fuentes sísmicas extendidas y para
fallas verticales o inclinadas.
4. Distancia mínima a la ruptura (𝑟𝑟𝑢𝑝 ): corresponde a la distancia mínima entre
la estación sismológica hasta el área de ruptura del terremoto.
5. Distancia área aspereza (𝑟𝑎𝑠𝑝 ): corresponde a la distancia mínima que existe
entre la estación sismológica hasta el área de aspereza o área de mayor
liberación de esfuerzos. Esta distancia se utiliza para fuentes sísmicas
extendidas.
6. Distancia mínima a la zona sismogénica de la ruptura (𝑟𝑠𝑒𝑖𝑠 ): corresponde a
la distancia mínima entre la estación sismológica hasta la zona sismogénica
del área de ruptura.
En la Ilustración 17, se muestra gráficamente las definiciones de los distintos tipos

de distancias.
60
Ilustración 17: Esquema de los distintos tipos de distancias utilizados en ingeniería sísmica.
Fuente: Bozorgnia & Bertero (2004).
Cuando la falla del terremoto se modela como una fuente puntual o el área de
ruptura es muy pequeña, la distancia mínima a la ruptura (𝑅𝑟𝑢𝑝 ) será similar a la
distancia hipocentral (𝑅ℎ𝑖𝑝 ). En la mayoría de los estudios sobre curvas de
atenuación se utiliza la distancia hipocentral para terremotos con magnitudes bajas
o modelados como una fuente puntual. En cambio, cuando el evento sísmico es
modelado como una falla finita, se debe considerar la distancia más cercana al área
de ruptura. Sin embargo, existe otra solución más parcial para la implementación de
la distancia: cuando los sismos tienen un frente de ruptura bastante grandes, se
puede considerar esta variable como la distancia que existe entre la estación
sismológica hasta el centroide de la aspereza principal del terremoto. El centroide
es el lugar (x, y, z) donde se ubica la mejor fuente puntual para un terremoto.
61
Matemáticamente es el promedio ponderado del momento sísmico en el plano de
falla (Centro Sismológico Nacional , s.f.).
Como se mencionó en el CAPÍTULO III: GAPS SÍSMICOS EN CHILE, relacionar
proporcionalmente la magnitud con el área de ruptura estimada es complejo debido
a que depende de varios factores. Un ejemplo de esto es la comparación que se
realizó anteriormente entre el terremoto de Iquique de magnitud 8,2 Mw y el
terremoto de Antofagasta en 1995 de magnitud 8,0 Mw en donde las áreas de
ruptura fueron completamente distintas. Entonces, como solución práctica para
relacionar magnitud y área de ruptura, se considerará una frontera igual a 7 Mw
entendiéndose que los terremotos con Mw≤7,0 tienen un área de falla similares
entre ellas y más pequeñas que para sismos con Mw≥7,0.
Revisando la Tabla 6, existen solo 2 registros de terremotos con magnitudes sobre
7 Mw para la brecha 1 interplaca que corresponden al terremoto de Iquique del año
2014 y su réplica de 7,6 Mw.
Tabla 6: Lista de la cantidad de sismos con Mw mayor o igual a 7,0.
Gap Magnitud, Profundidad,

Fecha Hora Latitud Longitud
sísmico Mw Km
01-04-2014 23:46:47 19,6S 70,7W 8,1 17
1
03-04-2014 2:43:14 20,5S 70,4W 7,6 12
2 - - - - - -
3 - - - - - -
Sin embargo, debido a que este trabajo tiene el objetivo de ser implementado para
un sistema de alerta temprana, se necesita simplificar el modelo predictivo lo más
posible. Por esta razón, se optó por utilizar la distancia hipocentral en el GMPE de
todos los terremotos debido a que la cantidad de terremotos sobre magnitud 7 Mw
son casi nulos.
5.4 Curva de atenuación Japón

Los mejores coeficientes de la onda P de Japón (Kawaho et al., 2010) son:
𝑎𝑝 = 0,72, 𝑏𝑝 = −0,0005, 𝑐𝑝 = −1,2, 𝑑𝑝 = 0,005, 𝛼𝑝 = −0,46
62
Los mejores coeficientes de la onda S de Japón (Kiyomoto et al., 2009) son:
𝑎𝑠 = 0,87, 𝑏𝑠 = −0,0019, 𝑐𝑠 = −1, 𝑑𝑠 = 0,005, 𝛼𝑠 = −0,98
Es decir, la ecuación para la onda P y S queda definida como:
log(𝑃𝐺𝐷𝑝 ) = 0,72𝑀 − 0,0005𝑅 − 1,2 log(𝑅) + 0,005𝐻 − 0,46 (5. 25)
log(𝑃𝐺𝐷𝑠 ) = 0,87𝑀 − 0,0019𝑅 − log(𝑅) + 0,005𝐻 − 0,98 (5. 26)
5.5 Resultados coeficientes

En esta sección de la memoria se muestran los resultados de los mejores
coeficientes respecto a la onda P y S que se ajustan a los desplazamientos máximos
horizontales separados por gap sísmico.

Los mejores coeficientes de la onda P y S del gap sísmico 1 son:
Tabla 7: Coeficientes gap sísmico 1 sin ajuste.
a 0,74974
b -0,00155
Onda
c -0,62564
P
d -0,00111
e -1,88348
a 1,02341
b -0,00206
Onda
c -0,57498
S
d -0,00103
e -2,68620
Es decir, la ecuación para la onda P y S del gap sísmico 1 queda definida

como:
63
log(𝑃𝐺𝐷𝑝 ) = 0,74974𝑀 − 0,00155𝑅 − 0,62564 log(𝑅) − 0,00111 𝐻
(5. 27)
− 1,88348
log(𝑃𝐺𝐷𝑠 ) = 1,02341𝑀 − 0,00206𝑅 − 0,57498 log(𝑅) − 0,57498 𝐻

(5. 28)
− 2,68620
En el Gráfico 16 y Gráfico 17 se muestra gráficamente el efecto que busca
explicar la ecuación de predicción de movimiento fuerte del suelo para la onda
primaria (P) y secundaria (S) en que cada punto en color azul corresponde al PGD
calculado por cada estación sismológica en función de la magnitud Mw. Se observa
que, para valores menores de magnitud, existe una pérdida de desplazamiento
(PGD) registrada en cada estación sismológica para un filtro paso alto de 0,16667
Hz. Respecto al gráfico de la onda S, el peak ground displacement, para una misma
estación, aumenta exponencialmente en función de la magnitud. Este efecto se ve
claramente en eventos con 𝑀𝑤 > 7 desde los 103 [10 ∙ 𝜇𝑚] a 104 [10 ∙ 𝜇𝑚]
aproximadamente en valores de magnitudes de momento mayores a 5,0 en
comparación con los registros de la onda P.
Gráfico 16: Scattering log(PGD) v/s magnitud, Mw del gap sísmico 1. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
64
Gráfico 17: Scattering log(PGD) v/s distancia hipocentral del gap sísmico 1. Los puntos en azul

Los mejores coeficientes de la onda P y S del gap sísmico 2 son:
a 0,61451
b -0,00054
Onda
c -0,72228
P
d -0,00025
e -1,02989
a 0,93426
b -0,00007
Onda
c -1,19628
S
d 0,00038
e -1,17725
65
Es decir, la ecuación para la onda P y S del gap sísmico 2 queda definida como:
log(𝑃𝐺𝐷𝑝 ) = 0,61451𝑀 − 0,00054𝑅 − 0,72228 log(𝑅) − 0,00025𝐻

(5. 29)
− 1,02989
log(𝑃𝐺𝐷𝑠 ) = 0,93426𝑀 − 0,00007𝑅 − 1,19628 log(𝑅) + 0,00038𝐻

(5. 30)
− 1,17725
En el Gráfico 18 y Gráfico 19 se ve una baja densidad de registros y una gran

dispersión en los datos que provocarán una gran incertidumbre en las variables
explicativas.
66

Los mejores coeficientes de la onda P y Sdel gap sísmico 3 son:
a 0,81512
b -0,00059
Onda
c -0,74652
P
d 0,00162
e -1,88016
a 0,96880
b -0,00144
Onda
c -0,84570
S
d 0,00094
e -1,78055
67
Es decir, la ecuación para la onda P y S del gap sísmico 3 queda definida como:
log(𝑃𝐺𝐷𝑝 ) = 0,81512𝑀 − 0,00059𝑅 − 0,74652 log(𝑅) + 0,00162𝐻

(5. 31)
− 1,88016
log(𝑃𝐺𝐷𝑠 ) = 0,96880𝑀 − 0,00144𝑅 − 0,84570 log(𝑅) + 0,00094𝐻

(5. 32)
− 1,78055
En el Gráfico 20 y Gráfico 21 se ve una densidad de registros relativamente

adecuada para generar un análisis del movimiento fuerte del suelo con una pequeña
dispersión en los log(𝑃𝐺𝐷) en la onda P principalmente.
68
5.6 Modelación de residuales y resultados finales
En esta sección se describe la modelación de los residuales con el objetivo de

evaluar estadísticamente la variabilidad entre resultados obtenidos versus los
resultados predichos descrita por la curva de cada gap sísmico y ajustar los
coeficientes mediante el modelo de efectos aleatorios la variabilidad de los
resultados permitiendo cuantificar la incertidumbre mediante un valor residual
denominado 𝑌 que se expresa como:
𝑌𝑖,𝑗 = log(𝑃𝐺𝐷𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 )𝑖,𝑗 − log(𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜 )𝑖,𝑗 (5. 33)
Es decir,
𝑃𝐺𝐷𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 𝑖,𝑗
𝑌𝑖,𝑗 = log ( ) (5. 34)
𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜 𝑖,𝑗
69
Esta variabilidad (𝑌𝑖,𝑗 ) en los resultados viene dada por un conjunto de errores
𝑘
compuesta por un término que guarda relación con la variabilidad entre-eventos 𝜂𝑖

tomando un valor por cada evento más una componente intra-evento 𝜀𝑖,𝑗 que toma
un valor por cada registro de cada evento:
𝑌𝑖,𝑗 = 𝜂𝑖 + 𝜀𝑖,𝑗 (5.35)
El valor del 𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜 se determinó mediante la evaluación de la magnitud,

distancia y profundidad de la función chilena para cada conjunto de datos o gap
sísmico.
Como se mencionó en el ítem 5.2, para diferenciar los errores asociados se utiliza
el algoritmo propuesto por Abrahamson & Youngs (1992) (descrito en los párrafos
siguientes) que recomienda una nueva alternativa más estable al modelo de efectos
aleatorios de Brillinger & Preisler (1985) ya que no es sensible a las soluciones
iniciales debido a la cantidad de iteraciones durante el proceso de obtención de
datos.
Entonces, dada la relación de atenuación empírica de forma:
log 𝑦𝑖,𝑗 𝑝 = 𝑓(𝑀𝑖 , 𝑟𝑖,𝑗 , log 𝑟𝑖,𝑗 , 𝐻𝑖 , 𝛼𝑝 ) + 𝜂𝑖 𝑝 + 𝜀𝑖,𝑗 𝑝 (5. 36)
log 𝑦𝑖,𝑗 𝑠 = 𝑓(𝑀𝑖 , 𝑟𝑖,𝑗 , log 𝑟𝑖,𝑗 , 𝐻𝑖 , 𝛼𝑠 ) + 𝜂𝑖 𝑝 + 𝜀𝑖,𝑗 𝑠 (5. 37)
En que 𝑦𝑖,𝑗 corresponde al parámetro de 𝑃𝐺𝐷𝑝 y 𝑃𝐺𝐷𝑠 , 𝑓(𝑀, 𝑟, log 𝑟 , 𝐻, 𝛼) la

ecuación de predicción del movimiento fuerte del suelo, 𝑀 es la magnitud de
momento, 𝑟 y log 𝑟 la distancia hipocentral en escala lineal y logarítmica
respectivamente, 𝐻 la profundidad focal, 𝛼 la constante para la onda P y S obtenido
por la regresión lineal mediante el método de los mínimos cuadrados y finalmente,
𝜂𝑖 y 𝜀𝑖,𝑗 son los errores que se asumen como variables independientes de
distribución normal con varianzas 𝜏 2 y 𝜎 2 respectivamente.
70
La función de verosimilitud (Searle, 1971) es:
𝑁 1 1
ln 𝐿 = ln(2𝜋) − ln|𝐶| − (𝑦 − 𝜇)𝑇 𝐶 −1 (𝑦 − 𝜇) (5. 38)
2 2 2
𝜎 2 𝐼𝑛1 + 𝜏 2 1𝑛1 0 … 0
0 𝜎 𝐼𝑛2 + 𝜏 2 1𝑛2
2
… 0
𝐶= (5. 39)
⋮ ⋮ ⋱ 0
[ 0 0 0 𝜎 2 𝐼𝑛𝑀 + 𝜏 2 1𝑛𝑀 ]
Donde 𝑁 corresponde al número de datos, 𝐶 la matriz diagonal que representa la

covarianza, 𝜇 el vector de los valores predichos e 𝑦 el vector con los valores
observados.
Reemplazando (5. 39) en (5. 38), se obtiene que la función de verosimilitud se
recude a:
𝑀
1 1 1
ln 𝐿 = − 𝑁 ln(2𝜋) − (𝑁 − 𝑀) ln(𝜎 2 ) − ∑ ln(𝜎 2 + 𝑛𝑖 𝜏 2 )
2 2 2
𝑖=1
𝑀 𝑛𝑖 𝑀
(5. 40)
1 2 1 𝑛𝑖 (𝑌̅𝑖 − 𝜇̅𝑖 )2
− 2 ∑ ∑(𝑦𝑖𝑗 − 𝑌̅𝑖 ) − ∑ 2
2𝜎 2 𝜎 + 𝑛𝑖 𝜏 2
𝑖=1 𝑗=1 𝑖=1
Donde
𝑛𝑖
1
𝑌̅𝑖 = ∑ 𝑦𝑖𝑗 (5. 41)
𝑛𝑖
𝑗=1
𝑛𝑖
1
𝜇̅𝑖 = ∑ 𝜇𝑖𝑗 (5. 42)
𝑛𝑖
𝑗=1
En que 𝜇𝑖𝑗 es el valor predicho por 𝑓(𝑀, 𝑟, log 𝑟 , 𝐻, 𝛼) (𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 ) y 𝑦𝑖𝑗 los valores
observados (𝑃𝐺𝐷𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 ).
71
Teniendo como antecedentes de que 𝜏 2 y 𝜎 2 toman como valor entre 0,1 y 1
respectivamente, se estiman las varianzas maximizando la función de verosimilitud
por el método de fuerza bruta iterando tau y sigma en un dominio con grilla de 0,05
a 1,55 cada 15 espacios.
Dado 𝜏 2 y 𝜎 2 , se calcula el error 𝜂𝑖 :
𝑛
𝜏 2 ∑𝑗=1
𝑖
𝑦𝑖𝑗 − 𝜇𝑖𝑗
𝜂𝑖 = (5. 43)
𝜎 2 + 𝑛𝑖 𝜏 2
Dado 𝜂𝑖 , se estiman los nuevos coeficientes usando el mismo método de regresión

original (mínimos cuadrados ordinarios) para (log 𝑦𝑖𝑗 − 𝜂𝑖 ).
Finalmente, se repite 30 veces este procedimiento para la estimación de las
varianzas dado el nuevo 𝛼 hasta encontrar la máxima verosimilitud.

En el Gráfico 22 a la izquierda muestra la variabilidad de los log(𝑃𝐺𝐷)
observados y predichos en función de la magnitud de momento para la onda P y S
sin el ajuste de la variabilidad inter-evento e intra-evento y a la derecha se muestra
la variabilidad luego de realizar el ajuste usando un modelo de efectos aleatorios
(Abrahamson & Youngs, 1992).
Se observa que previo al ajuste, no es posible notar alguna tendencia. La
variabilidad del desplazamiento del suelo no tiene una simetría entorno a la media
0 ya que oscila entre los 1,5 [10 ∙ 𝜇𝑚] y -1 [10 ∙ 𝜇𝑚] para la onda P y entre 1,5
[10 ∙ 𝜇𝑚] y -0,75 [10 ∙ 𝜇𝑚] para la onda S en sismos de magnitud 4 Mw
disminuyendo este rango en dirección a las bajas frecuencias debido a la cantidad
de registros que se concentra mayoritariamente en los primeros valores de
magnitud, concluyendo de que el modelo se encuentra sesgado. Este sesgo (skew)
varía a medida que aumentan los valores de magnitud. En el rango 4 < 𝑀𝑤 < 5, se
observa un sesgo positivo de los residuales al estar posicionados bajo la media 0 y
luego, pasado 𝑀𝑤 = 5, los errores tienden a posicionarse por sobre la media.
72
Con el objetivo de ajustar el modelo, se realizó el procedimiento de
Abrahamson & Youngs (1992) que se describió anteriormente. Los coeficientes se
ajustan disminuyendo el error iterativamente hasta que se posicionan entorno a la
media 0 como se observa en el Gráfico 22 a la derecha.
Gráfico 22: Variabilidad de los residuales en función de la magnitud, Mw del gap sísmico 1. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Por otro lado, el Gráfico 23 a la izquierda, muestra la variabilidad de los

log(𝑃𝐺𝐷) observados y predichos en función de la distancia hipocentral para la onda
P y S sin el ajuste de la variabilidad inter-evento e intra-evento y a la derecha se
muestra la variabilidad luego de realizar el ajuste usando un modelo de efectos
aleatorios.
Se observa que previo al ajuste, los residuales oscilan entre 1 y -1 para la
onda P y S en escala logarítmica equivalente a 10 y -10 en escala natural.
73
Gráfico 23: Variabilidad de los residuales en función de la distancia hipocentral del gap sísmico 1.
(a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
El Gráfico 24 a la izquierda, se muestra la variabilidad de los log(𝑃𝐺𝐷)

observados y predichos en función de la profundidad focal para la onda P y S sin el
ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad luego
de realizar el ajuste usando un modelo de efectos aleatorios (Abrahamson &
Youngs, 1992).
Gráfico 24: Variabilidad de los residuales en función de la profundidad del gap sísmico 1. (a)
74
Finalmente se obtienen los nuevos coeficientes ajustados para el gap
sísmico del norte que se presentan en la Tabla 10:
Tabla 10: Coeficientes gap sísmico 1 con ajuste.
Seismic Gap 1
Sin ajuste Con ajuste
a 0,74974 0,74773
b -0,00155 -0,00158
Onda
c -0,62564 -0,62486
P
d -0,00111 -0,00122
e -1,88348 -1,86583
a 1,02341 1,02301
b -0,00206 -0,00220
Onda
c -0,57498 -0,51770
S
d -0,00103 -0,00113
e -2,68620 -2,78261
Se observa que los coeficientes de la Tabla 10 no presentaron una

modificación notoria.

sin el ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad
luego de realizar el ajuste usando un modelo de efectos aleatorios (Abrahamson &
Youngs, 1992).
Se observa que la densidad de datos es mucho menor a la del caso anterior
y que la dispersión de los residuales es más alta también. La variabilidad sin ajuste
de la onda S tiende a una subestimación de predicciones de log(𝑃𝐺𝐷) al
concentrarse por sobre la línea roja. Luego del ajuste, los residuales a la derecha
del gráfico presentan una mayor simetría respecto al eje 0 correspondiente a la
media de los datos. Los residuales de magnitud mayor no mostraron un cambio
significativo luego del ajuste.
75

observados y predichos en función de la distancia hipocentral para la onda P y S sin
el ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad
Youngs, 1992).
76
Youngs, 1992).
Finalmente, se obtienen los nuevos coeficientes ajustados para el gap

sísmico 2 que se presentan en la Tabla 11:
Seismic Gap 2
a 0,61451 0,60728
b -0,00054 -0,00046
Onda
c -0,72228 -0,72756
P
d -0,00025 -0,00035
e -1,02989 -0,99649
a 0,93426 0,92795
b -0,00007 0,00003
Onda
c -1,19628 -1,22209
S
d 0,00038 0,00029
e -1,17725 -1,11190
77
sin el ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad
Youngs, 1992). Se observa que la variabilidad de los residuales es muy similar a la
del gap sísmico 1, pero con menor densidad de registros. El efecto es el mismo que
el del gap 1 y 2.

observados y predichos en función de la distancia hipocentral para la onda P y S sin
el ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad
Youngs, 1992).
78

Youngs, 1992).
79
Finalmente se obtienen los nuevos coeficientes ajustados para el gap sísmico
3 que se presentan en la Tabla 12:
Seismic Gap 3
a 0,81512 0,80691
b -0,00059 -0,00077
Onda
c -0,74652 -0,66527
P
d 0,00162 0,00165
e -1,88016 -1,99967
a 0,96880 0,96975
b -0,00144 -0,00159
Onda
c -0,84570 -0,78908
S
d 0,00094 0,00115
e -1,78055 -1,90352
Se observa que los coeficientes de la Tabla 12 presentaron una modificación

notoria a excepción de 𝑑𝑝 .
80
CAPÍTULO VI: ANÁLISIS DE RESULTADOS
En este capítulo se realiza el análisis de los mejores coeficientes obtenidos en el
segundo proceso de ajuste de la curva en la modelación de residuales por gap
sísmico.
En el ANEXO C se adjuntan los resultados de los gráficos de Peak Ground Motion
versus Distancia hipocentral.
6.1 Gap sísmico 1

En el apéndice C.1 Gráficos seismic gap 1 se adjuntan los resultados de los
gráficos de Peak Ground Motion versus Distancia hipocentral del seismic gap 1.
De los coeficientes obtenidos en el CAPÍTULO V: GROUND MOTION
PREDICTION EQUATIONS (GMPEs) para el gap sísmico que abarca el segmento
desde Arica con latitud 18S hasta el norte de la Península de Mejillones con latitud
23S, se puede comentar lo siguiente:
- Respecto a la laguna sísmica, el potencial sísmico en esta zona aún
permanece siendo alto debido a que el terremoto de Iquique del 2014 no
liberó completamente el déficit en todo el norte de Chile por haberse tratado
de un sismo con una zona de ruptura muy pequeña.
- Es el caso de estudio con mayor densidad de eventos sísmicos
concentrándose en mangitudes de momento que oscila entre 4,0 a 6,0
concluyendo de que el hiperplano generado en este gap sísmico se ajusta
sin inconvenientes para este rango.
- Considerando que en este catálogo de eventos sísmicos solo se incluye el
terremoto de 𝑀𝑤 = 8.1 ocurrido el 2 de abril del 2014 en Iquique, más la
réplica y dos eventos extras con 𝑀𝑤 > 6,0, se hace difícil establecer
coeficientes que se ajusten adecuadamente para sismos de bajas
frecuencias por la poca cantidad de datos. Para este caso, observando como
se comporta la curva de Japón en el evento mencionado anteriormente, es
probable que estos coeficientes expliquen mejor el fenómeno de estudio
debido a que, si bien existe una dispersión en los datos de PGD de la onda
P, no se observa un sesgo notorio en la curva roja para la onda S.
81
- En base al primer comentario y utilizando un catálogo de eventos sísmicos
más completo, se propone segregar las curvas en distintos rangos de
magnitudes debido a que es la variable con mayor poder explicativo dentro
del modelo matemático con el objetivo de no interferir en el ajuste entre
terremotos de alta y baja frecuencia.
- Hasta que no exista un análisis detallado en terremotos de grandes
magnitudes, se propone establecer los coeficientes de Japón como
predictores de PGD en eventos de bajas frecuencias.
- La nube de datos de PGD no presenta una dispersión notoria en ningún
gráfico, mostrando claramente el efecto de atenuación de los rayos sísmicos
en función de la distancia a excepción del evento de 𝑀𝑤 = 8.1 en la onda P
ya que probablemente se debe a la saturación del equipo.
- Se observa una notoria sobrestimación de PGD predichos por la curva roja
(coeficientes Japón) ya que se posiciona por sobre la curva azul (coeficientes
Chile) en la mayoría de los eventos.
- El norte de Chile se caracteriza por ser una zona de subducción particular. A
causa de esto, se observa en el apéndice D.2 Curva gap sísmico 2 y 3 con
PGD gap sísmico 1 la comparación de los datos de log(𝑃𝐺𝐷) del gap
sísmico 1 con los resultados de los coeficientes del gap sísmico 2, 3 y la
curva de Japón en donde se comprueba que mezclar GMPEs en distintas
zonas de subducción no es adecuado porque en este caso, las amplitudes
predichas de log(𝑃𝐺𝐷) por las curvas del gap sísmico 2 y 3 sobrestiman las
amplitudes predichas de log(𝑃𝐺𝐷) por la curva del gap sísmico 1.
Por lo tanto, considerando que existen pocos eventos con 𝑀𝑤 ≥ 7,0, es importante
analizar la variabilidad de predicción de magnitud para estos registros.
Analizando el sismo 7,7Mw, Iquique, 3 de abril del 2014 a las 02:43:14 hrs., se
observa una variabilidad de magnitud predicha con porcentaje de error que varía
entre -8,95% equivalente a 7,01Mw a un 14% correspondiente a 8,8Mw (ver Gráfico
31).
82
Variabilidad 7,7Mw
Iquique 2014
8,80 7,77
10 7,10 7,01
Magnitud, Mw
5
0
Predicción menor Predicción mayor
Onda P Onda S
Gráfico 31 Variabilidad predicción magnitud de momento para evento 7,7Mw a 12 Km
Se obtiene que la mejor predicción de magnitud es con la onda S ya que el

porcentaje de error es de 0,9% equivalente a 7,77Mw.
Por último, se realiza el mismo análisis, pero con el sismo 1 de abril del 2014 Mw8,1
Iquique a las 23:46:47 hrs. Se observa una variabilidad de magnitud predicha con
porcentaje de error que varía entre -10,2% equivalente a 7,27Mw a un 5,5%
correspondiente a 8,54Mw (ver Gráfico 32).
Nuevamente se obtiene que la mejor predicción de magnitud es con la onda S ya
que el porcentaje de error es de un 2,2% correspondiente a un 8,28Mw.
Variabilidad 8,1Mw
Iquique 2014
9 8,54
8,28
Magnitud, Mw
8
7,27 7,29
7
6
Predicción menor Predicción mayor
Onda P Onda S
Gráfico 32 Variabilidad predicción magnitud de momento para evento 8,1Mw a 17,1 Km
Finalmente, se concluye que los resultados obtenidos para este gap sísmico son
confiables para un rango de 4,0Mw a 8,1Mw dada la buena base de datos, densidad
de estaciones sismológicas distribuidas espacialmente por todo el gap sísmico y
83
variabilidad estadística. Tomando en cuenta que, si bien existen bajos registros de
eventos sísmicos con Mw mayor a 7,0, se comprobó mediante el análisis de
variabilidad que la predicción de Mw funciona para establecer umbrales de magnitud
y en base a ello, generar planes de acción y/o protocolos a la comunidad.
6.2 Gap sísmico 2

desde sur de la Península de Mejillones con latitud 23,5S hasta el norte de la zona
de ruptura del terremoto de 8,3 Mw ocurrido a 48 km al oeste de Illapel el 2015 con
latitud 29S, se puede comentar lo siguiente:
- Respecto a la alguna sísmica, el potencial sísmico en esta zona es bastante
alto debido a que, hasta la fecha, no existe registro de sismos, desde el
terremoto de 1995 en Antofagasta, con una alta liberación de energía que
reduzca el déficit de desplazamientos en el contacto de las placas.
- Es el caso de estudio con menor densidad de eventos sísmicos
concentrándose en mangitudes de momento que oscila entre 4,0 a 5,0 y con
menor cantidad de estaciones sismológicas distribuídas espacialmente por
todo el gap sísmico analizado concluyendo de que el hiperplano generado en
esta zona de estudio no es completamente confiable.
- No existen eventos con 𝑀𝑤 ≥ 6,5 registrados en este gap sísmico.
- La nube de puntos de log(𝑃𝐺𝐷) es bastante dispersa por lo que no se aprecia
el fenómeno de decaimiento de desplazamiento de suelo a valores de
distancia hipocentral más lejanos. Este efecto puede deberse a
heterogeneidades en la corteza que probablemente se debe a causa del
terremoto de Illapel 2015 y la poca sismicidad producida en esta zona de
chile.
84
- Se observa una sobrestimación de log(𝑃𝐺𝐷) en la curva japonesa al igual
que en el gap 1 a excepción de que pasado los 200 km aproximadamente de
distancia hipocentral, lugar en donde ambas ecuaciones se intersectan, la
curva Japonesa decae más rápidamente que la de Chile.
- Al igual que el gap sísmico 1, se propone realizar un estudio más detallado
para analizar eventos en bajas frecuencias utilizando un catálogo de datos
más completo y cambiando las distancias hipocentrales a distancias más
cercanas a la falla finita.
- Respecto a los gráficos del apéndice D.3 Curvas gap sísmico 3 y 1 con
PGD gap sísmico 2 se comparan las curvas del gap sísmico 1 y 3 con los
datos de log(𝑃𝐺𝐷) del gap sísmico 2. Se observa que la curva del gap 1 y 3
tienen pendientes de decaimiento muy similares, pero son paralelas entre sí,
ya que la curva amarilla (gap 1) subestima los valores predichos de log(𝑃𝐺𝐷)
de la curva verde (gap 3) y los datos de desplazamiento de suelo observados
de la zona esta zona en estudio. Por otro lado, la curva del gap 3 y de Japón
tienen comportamientos bastante similares a excepción de los 40 a los 250
km de distancia hipocentral en donde la curva verde tiene mejor ajuste que
la roja. En base a este antecedente, se propone realizar una nueva ecuación
predictora del movimiento fuerte del suelo en la cual incluya los registros del
gap sísmico 2 y 3.
Considerando que existen resultados solo para predecir magnitudes desde 4Mw a
5,5Mw y que además, son solo 95 eventos sísmicos, se concluye que la capacidad
de predicción de coeficientes desarrollados para este gap no son confiables.
6.3 Gap sísmico 3

85
desde sur de la zona de ruptura del terremoto de Illapel con latitud 32S hasta
Rancagua con latitud 35S, se puede comentar lo siguiente:
- Respecto a la alguna sísmica, el potencial sísmico en esta zona es bastante
alto debido a que, hasta la fecha, no existe registro de sismos, desde el
terremoto de 1985 en Algarrobo y el de 1939 en Chillán, con una alta
liberación de energía que reduzca el déficit de desplazamientos en el
contacto de las placas.
- Existe una sobrestimación de PGD predichos por la curva roja (Japón) en
comparación con la curva azul (Chile) desde los 40 km de distancia
hipocentral. Pasado los 150 km ambas curvas tienen un comportamiento
similar.
- Es un caso de estudio con mayor densidad de eventos sísmicos
concentrándose en mangitudes de momento que oscila entre 4,0 a 5,0
concluyendo de que el hiperplano generado en este gap sísmico se ajusta
sin inconvenientes para este rango.
- Considerando que en este catálogo de eventos sísmicos solo incluye sismos
con 𝑀𝑤 ≤ 7,0, los resultados de los coeficientes son confiables solo para
este rango de magnitudes.
- En la mayoría de los eventos se aprecia el fenómeno físico que se busca
sobre el decaimiento de la amplitud de la onda sísmica con la distancia. Sin
embargo, esta nube de datos de PGD no están perfecta con la que se
presenta en el gap sísmico 1 ya que presenta un pequeño grado de
dispersión.
- No es apropiado establecer estos coeficientes como valores predictores de
PGD para terremotos en bajas frecuencias por la falta de información.
- El fenómeno de atenuación en este gap sísmico decae más lento a diferencia
del gap 1.
- Respecto a los gráficos del apéndice D.1 Curva gap sísmico 1 y 2 con PGD
gap sísmico 3 se comparan las curvas del gap sísmico 1 y 2 con los datos
de log(𝑃𝐺𝐷) del gap sísmico 3. Se observa que la curva amarilla que
corresponde a la del gap sísmico 1, no funciona como ecuación predictora
86
del movimiento fuerte del suelo característico del gap 3 ya que subestima los
valores de log(𝑃𝐺𝐷). La curva negra del gap sísmico 2 es la que mejor ajuste
tiene en comparación con la ecuación de Japón concluyendo nuevamente
que para generar un GMPEs en esta zona, se recomienda incluir los registros
de la laguna sísmica 2 ya que probablemente la falla del terremoto del 2015
en Illapel no sirve como una zona de separación entre dos zonas tectónicas
distintas.
Analizando la variabilidad del evento 6,9Mw ocurrido el 24 de abril del 2017 a las
21:38:30 hrs. se observa que la mejor predicción de magnitud es con la onda S
nuevamente con un 6,59Mw.
Variabilidad 6,9Mw
7,63 7,37
8
Magnitud, Mw
6,33 6,59
6
4
Menor predicción Mayor predicción
Onda P Onda S
Gráfico 33 Variabilidad predicción magnitud de momento para evento 6,9Mw a 28 Km
Se concluye que la capacidad de predicción de magnitud de los coeficientes

desarrollados para el gap sísmico 3 son confiables.
6.4 Comparación coeficientes
- Magnitud, Mw (𝑀):
En los tres gaps sísmicos la variable independiente de magnitud es la que mayor
poder explicativo tiene dentro del modelo matemático para ambas ondas en
comparación con los demás parámetros y directamente proporcional al log(𝑃𝐺𝐷).
Esta variación se cuantifica mediante los coeficientes 𝑎𝑝 y 𝑎𝑠 .
87
En el gap sísmico 1, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
0,74773 en la onda P y en la secundaria, lo mismo, pero a una tasa de 1,02301,
aumentando aún más el aporte de log(𝑃𝐺𝐷) a bajas frecuencias.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
En conclusión, debido a que, en altas frecuencias, el aporte de log(𝑃𝐺𝐷) por la
magnitud es menor, estas presentan una atenuación más rápida que a bajas
frecuencias (ver Tabla 13: Resumen de evaluaciones del dominio de Mw por
GMPEs. y Gráfico 34: Evaluación del dominio de Mw en los GMPEs.).
88
Tabla 13: Resumen de evaluaciones del dominio de Mw por GMPEs.
Seismic Gap 1 Seismic Gap 2 Seismic Gap 3 Japón

Magnitud, (M) Onda P Onda S Onda P Onda S Onda P Onda S Onda P Onda S
4,0 2,99 4,09 2,43 3,71 3,23 3,88 2,88 3,48
4,5 3,36 4,60 2,73 4,18 3,63 4,36 3,24 3,92
5,0 3,74 5,12 3,04 4,64 4,03 4,85 3,60 4,35
5,5 4,11 5,63 3,34 5,10 4,44 5,33 3,96 4,79
6,0 4,49 6,14 3,64 5,57 4,84 5,82 4,32 5,22
6,5 4,86 6,65 3,95 6,03 5,24 6,30 4,68 5,66
7,0 5,23 7,16 4,25 6,50 5,65 6,79 5,04 6,09
7,5 5,61 7,67 4,55 6,96 6,05 7,27 5,40 6,53
8,0 5,98 8,18 4,86 7,42 6,46 7,76 5,76 6,96
8,5 6,36 8,70 5,16 7,89 6,86 8,24 6,12 7,40
9,0 6,73 9,21 5,47 8,35 7,26 8,73 6,48 7,83
89
Comparación Mw entre gaps y ondas
10,0
Gap1 - Onda P
Aporte log(PGD)
8,0
Gap1 - Onda S
6,0 Gap 2 - Onda P
4,0 Gap 2 - Onda S
Gap 3 - Onda P
2,0
Gap 3 - Onda S
0,0 Japón - Onda P
4,0 5,0 6,0 7,0 8,0 9,0
Japón - Onda S
Magnitud, Mw
Gráfico 34: Evaluación del dominio de Mw en los GMPEs.

- Distancia hipocentral lineal (𝑅):

La variable de distancia hipocentral (𝑅) en términos de log(𝑃𝐺𝐷) se incorpora
de forma lineal con dominio en [5 − 500] y es el parámetro que menor poder
explicativo tiene dentro de la expresión matemática ya que genera pequeñas
variaciones en el desplazamiento del suelo. Este término se traduce físicamente en
la atenuación por la anelasticidad del medio, pero cobra importancia en distancias
más lejanas a la zona de ruptura tanto para la onda P como la S, es decir, ambas
ondas disminuyen su amplitud debido al tipo de material de suelo por el que se
propagan los rayos sísmicos. Esta variación se cuantifica mediante los coeficientes
𝑏𝑝 y 𝑏𝑠 .
En el gap 1 la curva de Chile decrece a una tasa de 0,00158 para la onda P y
para la S a 0,0022.
En el gap 2, la curva de Chile decrece a una tasa de 0,00046 para la onda P y
para la S a 0,00003. Esta última tiene una variación en de log(𝑃𝐺𝐷) casi nula ya
que el recorrido oscila entre los 0,0002 a los 0,0150.
para la S a 0,00159.
90
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) decrece a una tasa de 0,0005 para
la onda P y para la S a 0,0019.
En el Gráfico 35 se observa la comparación de los resultados entre gaps y ondas
de cuerpo. Las ondas S en el gap sísmico 1 es la que mayor incidencia tiene en el
log(𝑃𝐺𝐷) a diferencia de las otras 5 curvas punteadas, disminuyendo los valores de
desplazamiento del suelo debido a la atenuación (ver Tabla 14: Resumen de
evaluaciones del dominio de distancia hipocentral en forma lineal en los GMPEs.).
Comparación R entre gaps y ondas

0,2
0,0 Gap 1 - Onda P
Aporte log(PGD)
-0,2 Gap 1 - Onda S

-0,4 Gap 2 - Onda P
-0,6 Gap 2 - Onda S
-0,8 Gap 3 - Onda P
-1,0 Gap 3 - Onda S
-1,2 Japón - Onda P
0 100 200 300 400 500
Japón - Onda S
Distancia hipocentral, R [Km]
Gráfico 35: Evaluación del dominio de R en forma lineal en los GMPEs.

91
Tabla 14: Resumen de evaluaciones del dominio de distancia hipocentral en forma lineal en los GMPEs.

Dist. Hip. (R) Onda P Onda S Onda P Onda S Onda P Onda S Onda P Onda S
5 -0,0079 -0,0110 -0,0023 0,0002 -0,0039 -0,0080 -0,0025 -0,0095
50 -0,0790 -0,1100 -0,0230 0,0015 -0,0385 -0,0795 -0,0250 -0,0950
100 -0,1580 -0,2200 -0,0460 0,0030 -0,0770 -0,1590 -0,0500 -0,1900
150 -0,2370 -0,3300 -0,0690 0,0045 -0,1155 -0,2385 -0,0750 -0,2850
200 -0,3160 -0,4400 -0,0920 0,0060 -0,1540 -0,3180 -0,1000 -0,3800
250 -0,3950 -0,5500 -0,1150 0,0075 -0,1925 -0,3975 -0,1250 -0,4750
300 -0,4740 -0,6600 -0,1380 0,0090 -0,2310 -0,4770 -0,1500 -0,5700
350 -0,5530 -0,7700 -0,1610 0,0105 -0,2695 -0,5565 -0,1750 -0,6650
400 -0,6320 -0,8800 -0,1840 0,0120 -0,3080 -0,6360 -0,2000 -0,7600
450 -0,7110 -0,9900 -0,2070 0,0135 -0,3465 -0,7155 -0,2250 -0,8550
500 -0,7900 -1,1000 -0,2300 0,0150 -0,3850 -0,7950 -0,2500 -0,9500
92
- Distancia hipocentral logarítmica (log(𝑅)):
La variable de distancia hipocentral (𝑅) en términos de log(𝑃𝐺𝐷) se incorpora
de forma logarítmica con dominio en [5 − 500] y seguido del parámetro magnitud,
es la que mayor poder explicativo tiene dentro de la expresión matemática ya que
genera una variación directa en el desplazamiento del suelo al estar ambas en
escala logarítmicas. Este impacto que se traduce físicamente en la atenuación del
frente de onda por distancia tiene mayor relevancia en 𝑅 más lejanos a una tasa del
coeficiente 𝑐𝑝 y 𝑐𝑠 para la ondas primarias y secundarias respectivamente.
No se realizó una regresión por separado para determinar la pendiente de la
atenuación en la dimensión de PGD/distancia hipocentral la cual caracteriza ele
fecto de atenuación del frente de onda.
En el gap 1 se observa que ambas curvas se comportan con un decaimiento
logarítmico bastante pronunciado, en la cual, la curva de Chile decrece a una tasa
de 0,6246 para la onda P y para la S a 0,5177, enteniéndose físicamente como una
atenuación de las ondas sísmicas más rápida durante su propagación desde el
origen al reporte en la estación sismológica. Al igual que en el comentario anterior,
este fenómeno se explicará posteriormente más en detalle en la sección
Comparación coeficientes Chile versus coeficientes Japón.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) decrece a una tasa de 1,2 para la
onda P y para la S a 1.
En el Gráfico 36 se observa que todas las curvas punteadas aumentan a las bajas
frecuencias (ver Tabla 15), en especial las ondas S en el gap sísmico 2 es la que
mayor incidencia tiene en el log(𝑃𝐺𝐷).
93
Tabla 15: Resumen de evaluaciones en el dominio de distancia hipocentral en forma logarítmica en los GMPEs.

Dist. Hip.
Onda P Onda S Onda P Onda S Onda P Onda S Onda P Onda S
(log(R))
5 -0,44 -0,36 -0,51 -0,85 -0,47 -0,55 -0,84 -0,70
50 -1,06 -0,88 -1,24 -2,08 -1,13 -1,34 -2,04 -1,70
100 -1,25 -1,04 -1,46 -2,44 -1,33 -1,58 -2,40 -2,00
150 -1,36 -1,13 -1,58 -2,66 -1,45 -1,72 -2,61 -2,18
200 -1,44 -1,19 -1,67 -2,81 -1,53 -1,82 -2,76 -2,30
250 -1,50 -1,24 -1,74 -2,93 -1,60 -1,89 -2,88 -2,40
300 -1,55 -1,28 -1,80 -3,03 -1,65 -1,95 -2,97 -2,48
350 -1,59 -1,32 -1,85 -3,11 -1,69 -2,01 -3,05 -2,54
400 -1,63 -1,35 -1,89 -3,18 -1,73 -2,05 -3,12 -2,60
450 -1,66 -1,37 -1,93 -3,24 -1,77 -2,09 -3,18 -2,65
500 -1,69 -1,40 -1,96 -3,30 -1,80 -2,13 -3,24 -2,70
94
Comparación log(R) entre gaps y ondas
0,0
Aporte log(PGD) Gap 1 - Onda P
-0,5
-1,0 Gap 1 - Onda S
-1,5 Gap 2 - Onda P
-2,0 Gap 2 - Onda S
-2,5 Gap 3 - Onda P
-3,0
Gap 3 - Onda S
-3,5
0 200 400 600 Japón - Onda P
Distancia hipocentral, R [Km] Japón - Onda S
Gráfico 36: Evaluación del dominio de R en forma logarítmica en los GMPEs.

- Profundidad hipocentral (𝐻):

Esta variable es una que poco poder explicativo tiene en la expresión
matemática. Es característica del efecto de la fuente, pero solo cuando los eventos
son del tipo interplaca como es en este caso, ya que definir sismos intraplaca en
función de la profundidad, no es correcto porque el mecanismo es distinto e
independiente de ésta. A priori, se esperaría que, a menor profundidad, el PGD
aumenta. Sin embargo, esta afirmación no es tan simple debido a que depende de
la modelación del slip. Considerando esto último, un sismo a baja profundidad
estaría localizado más cercano al comienzo de la subducción que un sismo a una
gran profundidad. Por lo tanto, los efectos que aporta la profundidad al PGD están
directamente relacionados a la modelación del slip y a la distancia.
Los coeficientes 𝑑𝑝 y 𝑑𝑠 son los encargados de cuantificar este fenómeno en
aportes de log(𝑃𝐺𝐷).
En el gap 1 no existe una gran diferencia de aporte de log(𝑃𝐺𝐷) por profundidad
(𝐻) para la onda P y S ya que disminuye a una tasa es de 0,00122 y 0,00113
respectivamente.
(𝐻) para la onda P y S ya que disminuye a una tasa es de 0,00035 y aumenta a una
tasa de 0,00029 respectivamente.
95
(𝐻) para la onda P y S ya que aumenta a una tasa es de 0,00165 y 0,00115
respectivamente.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) aumenta a una tasa de 0,005 para
la onda P y S. Este parámetro tiene una mayor incidencia en la amplitud del
log(𝑃𝐺𝐷). Cabe mencionar que el efecto que se da sobre el aumento de log(𝑃𝐺𝐷)
en Japón es completamente distinto al que se da en el gap sísmico 1 probablemente
por la modelación del slip.
En conclusión, se puede decir que desacoplar el efecto de la distancia en el
parámetro de magnitud es difícil porque hay una fuerte dependencia con la
modelación del slip y por otro lado, el fenómeno que se da en Japón, no tiene
relación si es que es comparado con el mejor resultado de la investigación, el gap
sísmico 1 porque probablemente la morfología de la fosa de subducción es distinta.
Comparación H entre gaps y ondas

0,30
0,25 Gap 1 - Onda P
Aporte log(PGD)
0,20 Gap 1 - Onda S

0,15
Gap 2 - Onda P
0,10
Gap 2 - Onda S
0,05
0,00 Gap 3 - Onda P
-0,05 Gap 3 - Onda S
-0,10 Japón - Onda P
0 20 40 60
Japón - Onda S
Profundidad, H [Km]
Gráfico 37: Evaluación del dominio de H en los GMPEs.

96
Tabla 16: Resumen de evaluaciones en el dominio de profundidad en forma lineal por GMPE.

Prof. Hip
Onda P Onda S Onda P Onda S Onda P Onda S Onda P Onda S
(H)
5 -0,0061 -0,0057 -0,0018 0,0015 0,0083 0,0058 0,0250 0,0250
10 -0,0122 -0,0113 -0,0035 0,0029 0,0165 0,0115 0,0500 0,0500
15 -0,0183 -0,0170 -0,0053 0,0044 0,0248 0,0173 0,0750 0,0750
20 -0,0244 -0,0226 -0,0070 0,0058 0,0330 0,0230 0,1000 0,1000
25 -0,0305 -0,0283 -0,0088 0,0073 0,0413 0,0288 0,1250 0,1250
30 -0,0366 -0,0339 -0,0105 0,0087 0,0495 0,0345 0,1500 0,1500
35 -0,0427 -0,0396 -0,0123 0,0102 0,0578 0,0403 0,1750 0,1750
40 -0,0488 -0,0452 -0,0140 0,0116 0,0660 0,0460 0,2000 0,2000
45 -0,0549 -0,0509 -0,0158 0,0131 0,0743 0,0518 0,2250 0,2250
50 -0,0610 -0,0565 -0,0175 0,0145 0,0825 0,0575 0,2500 0,2500
97
En conclusión y como comentarios generales, los parámetros de magnitud y de
distancia hipocentral en forma logarítmica son los que controlan el modelo
matemático en los 3 gaps analizados debido a que tienen mayor poder explciativo
en amplitudes de log(𝑃𝐺𝐷).
Las ondas S en el gap sismico 2 tiene un comportamiento especial ya que solo el
log(𝑃𝐺𝐷) se ve afectado por la atenuación del frente de onda y no por la
anelasticidad.
6.5 Comparación coeficientes Chile versus coeficientes Japón

Respecto al contexto tectónico, Japón tiene una interacción de borde de placas
convergente similar al de Chile, pero del tipo oceánica-oceánica formando un
archipiélago volcánico originado debido a que se sitúa en placas tectónicas de
Filipinas, la Eurosiática y América del Norte y del Pacífico que se caracteriza por
estar en constante actividad sísmica y volcánica generándose terremotos corticales,
interplaca e intraplaca.
Si bien en una primera instancia la curva de Japón podría ser comparable con la
ecuación de Chile dada que ambas son para terremotos que tienen origen en un
contexto tectónico similar (zonas de subducción), es importante mencionar que el
sistema de alerta temprana japonés no hace distinción entre los distintos tipos de
sismos. Los coeficientes de Chile tienen una aplicabilidad solo para sismos
interplaca.
Existen estudios como el de Atkinson & Boore (2003), el cual menciona que las
curvas de atenuación o GMPEs funcionan solo para zonas específicas con
características geotectónicas similares por lo que es posible suponer en una primera
instancia, dado estos antecedentes, que los coeficientes de Japón no precederían
un desplazamiento máximo horizontal del suelo certero para Chile.
6.6 Efecto de sitio

Hasta el momento, se ha considerado que la liberación de energía es homogénea
dentro del área de ruptura de los terremotos y que, durante la trayectoria de la
98
propagación de las ondas sísmicas, los rayos llegan a la superficie con una amplitud
menor a la que se generaron debido a la influencia del medio heterogéneo que tiene
relación a los efectos geofísicos de atenuación cuantificado mediante el parámetro
Q. No obstante, la respuesta del suelo en la superficie a causa a las ondas sísmicas
varía en cada lugar debido a condiciones geotécnicas específicas que generan un
comportamiento dinámico especial en la respuesta del suelo ante cargas cíclicas.
Los depósitos jóvenes no consolidados o cuencas rellenas con sedimentos
aluvionales de distinto tipo generan aumentos en la intensidad de movimiento de 2,
e incluso 3 grados en la escala MKS según indica Pastén (2007) como también
factores de profundidad del basamento rocoso, densidad y porcentaje de saturación
del suelo o grado de confinamiento. En este contexto, se han propuesto curvas de
atenuación que explican la amplificación de la onda sísmica conocido como efecto
de sitio con PGA (Peak Ground Acceleration) en función a las variables dinámicas
del suelo como la velocidad de onda de corte a los 30 metros de profundidad (𝑉𝑠30)
o la razón espectral de la componente horizontal sobre la vertical. Sin embargo,
caracterizar el movimiento del suelo en términos de desplazamientos en función de
variables para evaluar el efecto de sitio no tiene sentido porque la amplitud decae a
altas frecuencias a diferencia si se utilizara con aceleraciones y, debido a que el
sistema de alerta temprana no permite modificaciones en la ecuación porque se
requiere de una forma funcional matemática lo más simple posible para que el nuevo
algoritmo del EWS trabaje en tiempo real eficazmente, estudiar este efecto
incluyendo el parámetro que caracterice los efectos locales de amplificación de
ondas no es factible.
Dado lo anterior, en una primera instancia se intentó realizar un estudio del
parámetro magnitud para los terremotos en la cual buscaba explicar la desviación
estándar que existe entre la magnitud del evento determinada por la inversión y la
magnitud calculada por cada estación sismológica en base a resultados de
desplazamiento máximo horizontal del suelo obtenidos a través de los registros que
entregaba el acelerómetro. Como hipótesis, se esperaba que este análisis
funcionara como un método indirecto para evaluar efectos de amplificaciones
locales del suelo utilizando la ubicación de la estación como referencia.
99
A pesar de que este intento por un momento podría haber funcionado como un
análisis para evaluar las amplificaciones de onda en la superficie, es importante
destacar que los PGD calculados mediante la doble integración de los
acelerogramas obtenidos por los acelerógrafos no son lo bastante certeros en
comparación con los resultados de desplazamiento que entrega la red de GPS ya
que estos últimos, son capaces de medir la posición de un lugar varias veces por
segundo con un precisión que fluctúa entre milímetros y unos pocos centímetros
desde su posición satelital sin presentar niveles de saturación en comparación a los
sismómetros (Centro Sismológico Nacional, s.f.) y por otro lado, no sería posible
utilizar GPS en el sistema de alerta temprana por el tiempo que demora el traspaso
de información.
Finalmente, cabe mencionar que, si bien no fue posible caracterizar el efecto de
sitio dentro de la forma funcional, es un concepto que se tuvo en consideración al
momento de analizar el GMPE.
Se propone realizar un análisis posterior a este estudio para determinar las
estaciones que presenten amplificaciones sísmicas y generar un factor de
amplificación en base a mediciones de velocidad de onda de corte a los 30 metros
de profundidad (Matsuoka et al., 2005) con el objetivo de aumentar el valor de
log(𝑃𝐺𝐷).
100
CAPÍTULO 7: CONCLUSIONES Y RECOMENDACIONES
En el presente estudio se determinaron Ground Motion Prediction Equations

(GMPEs) en 3 gaps sísmicos en Chile para implementar un sistema de alerta
temprana de terremotos.
En el CAPÍTULO III: GAPS SÍSMICOS EN CHILE se lograron identificar los tres
gaps sísmicos que existen en Chile hasta la fecha. La primera corresponde a la
brecha sísmica que comienza desde Arica (19S) hasta el norte de la Península de
Mejillones (23S). Luego, el segundo gap sísmico abarca todo el segmento desde el
sur de la Península de Mejillones hasta el norte de la zona de ruptura del terremoto
de Illapel del 2015 y finalmente, la zona que corresponde desde el sur de la falla de
este terremoto hasta el Rancagua. Respecto a la laguna sísmica del norte de Chile
(gap sísmico 1), el potencial sísmico en esta zona aún permanece siendo alto
debido a que el terremoto de Iquique del 2014 no liberó completamente el déficit en
todo el norte de Chile por haberse tratado de un sismo con una zona de ruptura muy
pequeña. Por otro lado, el seismic gap 2, el potencial sísmico en esta zona es
bastante alto debido a que, hasta la fecha, no existe registro de sismos, desde el
terremoto de 1995 en Antofagasta, con una alta liberación de energía que reduzca
el déficit de desplazamientos en el contacto de las placas. Finalmente, la laguna
sísmica 3, el potencial sísmico en esta zona es bastante alto debido a que, hasta la
fecha, no existe registro de sismos, desde el terremoto de 1985 en Algarrobo y el
de 1939 en Chillán, con una alta liberación de energía que reduzca el déficit de
desplazamientos en el contacto de las placas.
En el CAPÍTULO IV: ANÁLISIS DE LA BASE DE DATOS se analizó el catálogo de
eventos interplaca de las redes IRIS y GFZ administradas por el Centro Sismológico
Nacional, de cada gap sísmico para registros que contengan sus tres componentes.
La base de datos final se encuentra en el Anexo A. El gap sísmico 1 es el caso de
estudio con mayor cantidad de estaciones sismológicas y con una gran densidad de
eventos sísmicos concentrándose en mangitudes de momento que oscila entre 4,0
a 6,0.
101
En el CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPEs)
se describió la forma funcional utilizada, los mejores coeficientes obtenidos para
cada gap sísmico, el método de regresión que se utilizó y la modelación de
residuales.
En el CAPÍTULO VI: ANÁLISIS DE RESULTADOS se discutieron los resultados

obtenidos en el CAPÍTULO V. Se comparan las curvas de atenuación de Japón y
de los tres gaps sísmicos en Chile y se comenta sobre el efecto de sitio.
Los resultados de los coeficientes para el gap sísmico 1 son confiables para un
rango de magnitudes de momento que oscila entre 4,0 a 8,1 ya que la capacidad de
predicción se ajusta bastante bien a la real. Esto se debe a la buena densidad de
datos y de poca dispersión en los registros de PGD. La nube de datos de PGD no
presenta una dispersión notoria en ningún gráfico, mostrando claramente el efecto
de atenuación de los rayos sísmicos en función de la distancia a excepción del
evento de 𝑀𝑤 = 8.1 en la onda P ya que probablemente se debe a la saturación del
equipo.
En la comparación de los datos de log(𝑃𝐺𝐷) del gap sísmico 1 con los resultados
de los coeficientes del gap sísmico 2, 3 y la curva de Japón se comprobó que
mezclar GMPEs en distintas zonas de subducción no es adecuado porque en este
caso, las amplitudes predichas de log(𝑃𝐺𝐷) por las curvas del gap sísmico 2 y 3
sobrestiman las amplitudes predichas de log(𝑃𝐺𝐷) por la curva del gap sísmico 1.
Respecto al gap sísmico 2, la nube de puntos de log(𝑃𝐺𝐷) es bastante dispersa
por lo que no se aprecia el fenómeno de decaimiento de desplazamiento de suelo
a valores de distancia hipocentral más lejanos. Este efecto puede deberse a
heterogeneidades en la corteza que probablemente se debe a causa del terremoto
de Illapel 2015 y la poca sismicidad producida en esta zona de chile. Es el caso de
estudio con menor densidad de eventos sísmicos concentrándose en magnitudes
de momento que oscila entre 4,0 a 5,0 y con menor cantidad de estaciones
sismológicas distribuidas espacialmente por todo el gap sísmico analizado
concluyendo de que el hiperplano generado en esta zona de estudio no es
completamente confiable.
102
Finalmente, el gap sísmico 3, es un caso de estudio con mayor densidad de
eventos sísmicos concentrándose en magnitudes de momento que oscila entre 4,0
a 6,5 concluyendo de que el hiperplano generado en este gap sísmico se ajusta sin
inconvenientes para este rango.
Con la intención de detallar aún más esta investigación, se recomienda lo siguiente:

(1) Utilizar un catálogo de eventos sísmicos más completa y generar GMPEs por
rango de magnitudes.
(2) Para terremotos con 𝑀𝑤 ≥ 7 cambiar la distancia hipocentral a la distancia
más cercana de la falla.
(3) Investigar una forma funcional simple, pero que tenga mayor poder
explicativo.
(4) Se propone segregar las curvas en distintos rangos de magnitudes debido a
que es la variable con mayor poder explicativo dentro del modelo matemático
con el objetivo de no interferir en el ajuste entre terremotos de alta y baja
frecuencia.
(5) Hasta que no exista un análisis detallado en terremotos de grandes
magnitudes, se propone establecer los coeficientes de Japón como
predictores de PGD en eventos de bajas frecuencias para el gap sísmico 1 y
2 cambiando las distancias hipocentral a distancias más cercanas a la falla
finita.
(6) Se propone realizar una nueva ecuación predictora del movimiento fuerte del
suelo en la cual incluya los registros del gap sísmico 2 y 3.
(7) Se propone realizar un análisis posterior a este estudio para determinar las
estaciones que presenten amplificaciones sísmicas y generar un factor de
amplificación en base a mediciones de velocidad de onda de corte a los 30
metros de profundidad (Matsuoka et al., 2005) con el objetivo de aumentar el
valor de log(𝑃𝐺𝐷).
103
Bibliografía
Abrahamson, N. A., & Youngs, R. R. (February de 1992). A stable algorithm for
regression alanyses using the random effects model. Bulletin of the
Seismological of America, 82(1), 505-510.
Agencia Meteorológica de Japón. (2016). 緊急地震速報の概要や処理手法に関す

る技術的参考資料.
Algermissen, S. T., & Perkins, D. M. (1976). A probabilistic estimate of maximum

acceleration in rock in the contiguous United States. U.S. Geological Survey
Open-File Report, 44, 76-416.
Allen, R. M., & Kanamori, H. (2009). The Potential for Earthquake Early Warning in
Southern California. Science Magazine.
Atkinson, G. M., & Boore, D. M. (Agosto de 2003). Empirical Ground-Motion

Relations for Subduction-Zone Earthquakes and Their Application to
Cascadia and Other Regions. Bulletin of the Seismological Society of
America, 93(4).
Barrientos, S. (2014). Terremoto de Iquique, Mw=8,2. En C. S. Nacional, Informe

técnico.
Barrientos, S. (08 de 09 de 2017). Las razones por las que Chile no puede tener
un sistema de alerta sísmica como México. (L. Tercera, Entrevistador)
Bastías, N. E. (2016). Modelo predictivo para intensidades sísmicas superficiales

en Chile. En U. d. Concepción, Tesis para optar al grado de magíster en
ciencias de la Ingeniería con mención en Ingeniería civil.
Boore, D. M., & Joyner, W. B. (April de 1997). Site Amplifications for Generic Rock
Sites. Bulletin of the Seismological Society of America, 87(2), 327-341.
Bozorgnia, Y., & Bertero, V. V. (2004). Earthquake Engineering from Engineering

Seismology to Performance-Based Engineering. CRC PRESS.
Brillinger, D. R., & Preisler, H. K. (1984). An exploratory analysis of the Joyner-

Boore attenuation data. Bulletin of the Seismological Society of America, 74,
1441-1450.
Brillinger, D. R., & Preisler, H. K. (1985). Further analysis of the Joyner-Noore

attenuation data. Bulletin of the Seismological Society of America, 611-614.
104
Campbell, K. W. (December de 1981). Near-Source Attenuation of Peak Horizontal
Acceleration. Bulletin of the Seismological Society of America, 71(6), 2039-
2070.
Carreño, E., Bravo, B., Suarez, A., & Tordesillas, J. M. (1999). Registro y
tratamiento de acelerogramas. Institulo Nacional Geográfico.
Centro Sismológico Nacional . (15 de Septiembre de 2017). Efemérides Sísmicas:

Terremoto de Illapel 2015. Obtenido de www.csn.uchile.cl/efemerides-
sismicas-terremoto-de-illapel-2015/
Centro Sismológico Nacional . (s.f.). CSN. Obtenido de Glosario: centroide:

http://www.sismologia.cl/links/glosario.html#def4
Centro Sismológico Nacional. (8 de Julio de 1971). CSN. Obtenido de

EFEMÉRIDES SÍSMICAS: TERREMOTO DE VALPARAÍSO 1730 Y LA
LIGUA 1971: http://www.csn.uchile.cl/efemerides-sismicas-terremoto-de-
valparaiso-1730-y-la-ligua-1971/
Centro Sismológico Nacional. (2016). CSN. Obtenido de

http://www.csn.uchile.cl/tipos-de-sismos-chile/
Centro Sismológico Nacional. (15 de Septiembre de 2017). CSN. Obtenido de

http://www.csn.uchile.cl/efemerides-sismicas-terremoto-de-illapel-2015/
Centro Sismológico Nacional. (s.f.). CSN. Obtenido de Red GPS:

http://www.csn.uchile.cl/red-sismologica-nacional/red-gps/
Cires. (2005). Centro de Instrumentación y registro sísmico a.c. Obtenido de

http://www.cires.org.mx/sasmex_es.php
Comte, D., & Pardo, M. (1991). Reappraisal of Great Historical Earthquakes in the
Northern Chile and Southern Peru Seismic Gaps. Natural Hazard.
Contreras, V., & Boroschek, R. (2012). Strong Ground Motion Attenuation

Relations for Chilean Subduction Zone Interface Earthquakes. WCEE.
Lisboa.
Contreras, V., & Boroschek, R. (2015). Curvas de atenaución para sismos

chilenos. XI Congreso Chileno de Sismología e Ingeniería Sísmica
ACHISINA 2015.
Cuadra, M. (2012). Nueva regionalización sísmica y estimación del peligro sísmico

probabilístico en Chile . En U. D. Portales, Memoria para optar al título de
ingeniero civil en obras civiles. Santiago de Chile.
105
Douglas, J. (2018). Ground motion prediction equations 1964-2018. En U. o.
Strathclyde.
Emol. (05 de Noviembre de 2018). Emol. Obtenido de

https://www.emol.com/noticias/nacional/2014/03/20/650871/asi-seria-el-
terremoto-que-se-espera-en-el-norte-del-pais.html
Espinoza, M. (2017). Análisis de la demanda sísmica de diferentes tipos de sismos

chilenos en base a la atenuación de alta frecuencia. En U. d. Chile,
Memoria para optar al título de Ingeniero Civil. Santiago .
Gail M. Atkinson, D. M. (2003). Empirical Ground-Motion Relations for Subduction-

Zone Earthquakes and Their Application to Cascadia and Other Regions .
Bulletin of Seismological Society of America .
Houston, H., & Kanamori, H. (August de 1990). COMPARISON OF STRONG-

MOTION SPECTRA WITH TELESEISMIC SPECTRA FOR THREE
MAGNITUDE 8 SUBDUCTION-ZONE EARTHQUAKES. Bulletin of the
Seismological Society of America, 80(4), 913-934.
I. Núñez, R. B. (2015). Nuevo peligro sísmico para Chile . Congreso Chileno de

Sismología e Ingeniería Antisísmica.
Idini, B. (2016). Curvas de atenuación para terremotos intraplaca e interplaca en la

zona de subducción chilena. En U. d. Chile, Memoria para optar al título de
ingeniero civil. Santiago de Chile.
Idini, B., Rojas, F., Ruiz, S., & Pastén, C. (2016). Ground motion prediction
equations for the Chilean subduction zone. Bull Earthquake Eng.
Jost , M. L., & Hermann, R. B. (1989). A student's guide to and review of moment
tensors. Seismological Research Letters, 60.
Joyner, W. B., & Boore, D. M. (1981). Peak horizontal acceleration and velocity
from strong-motion records including records from the 1979 Imperial Valley,
California, earthquake. Bulletin of the Seismological Society of America, 71,
2011-2038.
Joyner, W. B., & Boore, D. M. (Abril de 1993). Methods for regression analysis of
strong-motion data. Bulletin of the Seismological Society of America, 83(2).
Joyner, W. B., & Boore, D. M. (1994). Methods for Regression Analysis of Strong-
Motion Data ERRATA. Bulletin of the Seismological Society of America,
84(3).
106
Kamigaichi, O. (2004). JMA EARTHQUAKE EARLY WARNING. Journal of Japan
Association for Earthquake Engineering.
Kawaho, A., Shinji, K., Toshihiro, S., Moriwaki, K., & Takashi, Y. (2010). 緊急地震
速報におけるＰ波マグニチュード推定方法の改善. Quarterly Journal of
Seismology, 73, 123-134.
Kiyomoto, M., Aketagawa, T., Ohtake, K., Shimbaru, T., Shimoyama, T., Moriwaki,
K., . . . Yokota, T. (8 de October de 2009). Investigation of Technical Issues
for Earthquake Early Warning. Quarterly Journal of Seismology, 73, 135-
150.
Lagos, M. (25 de Marzo de 2014). Expertos detallan cómo podría ser el terremoto
anunciado para el norte. (N. Ramírez, Entrevistador)
Matsuoka, M., Wakamatsu, K., Fijimoto, K., & Midorikawa, S. (2005). Nationwide
site amplification zoning using GIS-based Japan Engineering
Geomorphologic Classification Map. ICOSSAR.
Maximiliano Astroza, M. S. (2005). Estudio comparativo de los efectos de los

sismos chilenos de subducción del tipo intraplaca de profundidad
intermedia. Congreso Chileno de Sismología e Ingeniería Antisísmica.
Melnick, D., Sanchez, M., Echtler, H., & Pineda, V. (2003). GEOLOGÍA
ESTRUCTURAL DE LA ISLA MOCHA, CENTRO-SUR DE CHILE (30°30'S,
74°W): IMPLICANCIAS EN LA TECTÓNICA REGIONAL.
Metois, M. (Febrero de 2013). Revisiting the North Chile seismic gap segmentation
usingGPS‐derived interseismic coupling. Geophysical Journal International.
Nacional, C. S. (s.f.). Sismicidad y terremotos en Chile . Santiago.
Pastén, C. (2007). Respuesta sísmica de la cuenca de Santiago. En U. d. Chile,

Memoria para optar al título de Ingeniero Civil. Santiago.
Richard M. Allen, H. K. (2009). The Potencial for Earthquake Early Warning in

Southern California. Sciencemag.
Riquelme, S., Medina, M., Bravo, F., Barrientos, S., Campos, J., & Cisternas, A.
(2018). W -Phase Real-Time Implementation and Network Expansion from
2012 to 2017: The Experience in Chile. Seismological Research Letters.
Ruiz, S., & Madariaga, R. (2010). Sismogénesis, proceso de ruptura y replicas del
mega terremoto del Maule 2010. Universidad de Chile.
107
Ruiz, S., & Saragoni, G. R. (2005). Fórmulas de atenuación para la subducción de
Chile considerando los dos mecanismos de sismogénesis y los efectos del
suelo. Congreso Chileno de Sismología e Ingeniería Antisísmica.
Concepción.
Ruiz, S., Aden-Antoniow, F., Baez, J. C., Otarola, C., Potin, B., Del Campo, F., . . .
Bernard, P. (2017). Nucleation Phase and Dynamic Inversion of the Mw 6.9
Valparaíso 2017 Earthquake in Central Chile. Geophysical Research
Letters.
Searle, S. R. (1971). Linear Models.
Servicio Sismológico. (2010). Terremoto Cauquenes 27 Febrero 2010. Santiago.

Obtenido de
http://www.sismologia.cl/links/Informe_Terremoto_Cauquenes.pdf
Somerville, P. G., Smith, N. F., Graves, R. W., & Abrahamson, N. A. (1997).

Modification of Empirical Strong Ground Motion Attenuation Relations to
Include the Amplitude and Duration Efects of Rupture Directivity.
Seismological Research Letters, 68, 199-222.
Susa, D. (2004). Evaluación del peligro sísmico asociado a sismos de tipo

interplaca en Chile y Sur de Perú utlizando una distribución bi-paramétrica
de Weibull. En U. d. Chile, Memoria para optar al título de ingeniero civil.
USGS. (2018). Obtenido de

https://earthquake.usgs.gov/earthquakes/tectonic/images/southamerica_tsu
m.pdf
Valenzuela, J. G. (2007). La fuente sísmica. En U. d. Chile, CI 52S Diseño sísmico

de estructuras.
Valenzuela, M. V. (2015). Tectónica activa del margen costero en la laguna

sísmica del norte de Chile. En U. d. Chile, Memoria para optar al título de
geóloga. Santiago de Chile.
Valenzuela, M. V. (2015). TECTÓNICA ACTIVA DEL MARGEN COSTERO EN LA

LAGUNA SÍSMICA DEL NORTE DE CHILE. Memoria para optar al título de
geóloga. Santiago de Chile: Universidad de Chile.
Victor, P., Sobiesiak, M., Glodny, J., Nielsen, S., & Oncken, O. (2011). Long‐term
persistence of subduction earthquake segment boundaries: Evidence from
Mejillones Peninsula, northern Chile. Journal Of Geophysical Research,
116.
108
Wu, S., Yamada, M., Tamaribuchi, K., & Beck, J. (2015). Multi-events Earthquake
Early Warning algorithm using a Bayesian approach. Geophysical Journal
International .
Wu, Y.-M., & Li, Z. (2006). Magnitude estimation using the first three seconds P-
wave amplitude in earthquake early warning. Geophysical Research Letters.
109
ANEXOS
ANEXO A
Información de la red de acelerógrafos y catálogo de eventos sísmicos
A.1 Red de acelerógrafos
110
Tabla A.1: Red de acelerógrafos
Código Latitud Longitud Altura

Responsable RED Digitalizador BB Acelerómetro
estación [°] [°] [m]
AP01 DGAC C1 -18,4 -70,3 21 Q330 Trillium 120p CMG-5T

PB16 DGAC CX -18,3 -69,5 4800 Q330HR STS2 Epi
ARCH INTERNET C -18,5 -70,3 58 Sara - Episensor FBA
MNMCX INTERNET CX -19,1 -69,6 2304 Q330 STS2 CMG5
PSGCX INTERNET CX -19,6 -70,1 966 Q330 STS2 CMG5
PB11 CTR-GER CX -19,8 -69,7 1300 Q330HR STS2 Epi
GO01 TESACOM-DIR C -19,7 -69,2 3809 Q330 T240 Episensor
PB08 CTR-GER CX -20,1 -69,2 3060 Q330 STS2 Epi
HMBCX INTERNET CX -20,3 -69,9 1152 Q330 STS2 CMG5
TA02 INTERNET C1 -20,3 -70,1 865 Q330 Trillium 120p CMG-5T
TA01 DGAC C1 -20,6 -70,2 75 Q330 Trillium 120p CMG-5T
PATCX INTERNET CX -20,8 -70,2 830 Q330 STS2 CMG5
PB09 CTR-GER CX -21,8 -69,2 1530 Q330HR STS2 Epi
PB03 TESACOM-DIR CX -22,0 -69,8 1460 Q330 STS2 Epi
LVC INTERNET IU -22,6 -68,9 2195 Q330 STS1-STS2 FBA ES-T
AF01 CTR-GER C1 -23,0 -68,2 2449 Q330 Trillium 120p FBA ES-T
PB05 TESACOM-DIR CX -22,9 -70,2 1150 Q330 STS2 Epi
111
Tabla A.1: -Continuación
PB14 CTR-GER CX -24,6 -70,4 2640 Earthdata PS6-24 STS2 Epi
AC01 CTR-DIR C1 -26,1 -70,6 390 Q330 Trillium 120p CMG-5T
CRCH INTERNET C -26,3 -70,7 10 Earth Data - Episensor FBA
AC03 DGAC C1 -27,3 -70,4 321 Q330 Trillium 120p CMG-5T
LCO INTERNET IU -29,0 -70,7 2299 Q680 STS1 FBA-23
CO05 3G C1 -29,9 -71,2 101 Q330 Trillium 120p CMG-5T
CO01 CTR-DIR C1 -30,0 -70,1 21574 Q330 Trillium 120p CMG-5T
GO04 INTERNET C -30,2 -70,8 2076 Q330 T240 Episensor
CO06 CTR-DIR C1 -30,7 -71,6 239,7 Q330 Trillium 120p FBA ES-T
CO02 INTERNET C1 -31,2 -71,0 1190 Q330 Trillium 120p CMG-5T
VA03 CTR-DIR C1 -32,8 -70,6 1053 Q330 Trillium 120p CMG-5T
ROC1 INTERNET C -33,0 -71,0 2186 Q330 Trillium 40 Episensor
MT07 - C1 -33,0 -71,0 2234 Q330 Trillium 120p CMG-5T
VA01 INTERNET C1 -33,0 -71,6 2 Q330 Trillium 120p CMG-5T
PEL INTERNET G -33,1 -70,7 690 Q330HR STS-1 Episensor
MT02 CTR-DIR C1 -33,3 -71,1 323 Q330 Trillium 120p CMG-5T
FAR1 INTERNET C -33,3 -70,3 2270 Q330 Trillium 40 Episensor
MT05 RADIO C1 -33,4 -70,7 765 Q330 Trillium 120 CMG-5T
112
Tabla A.1: -Continuación
DG01 INTERNET C1 -33,5 -70,7 609 Q330 Trillium 120 Episensor
ME03 RADIO C1 -33,5 -70,5 1087 Q330 Trillium 120 Episensor
RCDM RADIO C -33,5 -70,8 465 Earth Data - FBA ES-T
ANTU INTERNET C -33,6 -70,6 640 Earth Data - Episensor
VA05 DGAC C1 -33,7 -71,6 80 Q330 Trillium 120 CMG-5T
MT09 RADIO C1 -33,8 -71,0 1371 Q330 Trillium 120 CMG-5T
MT01 CTR-DIR C1 -33,9 -71,3 310 Q330 Trillium 120p CMG-5T
LMEL CTR-DIR C -33,8 -70,2 1510 Q330 STS-2 Episensor
BO01 CTR-DIR C1 -34,4 -71,1 2625 Q330 Trillium 120p CMG-5T
CHPI INTERNET C -34,4 -72,0 20 Altus Makalu - Episensor FBA
BO03 CTR-DIR C1 -34,5 -72,0 128 Q330 Trillium 120 CMG-5T
BO02 CTR-DIR C1 -34,8 -70,8 886 Q330 Trillium 120p CMG-5T
GO05 INTERNET C -35,0 -71,9 488 Q330 T240 Epi
ML02 INTERNET C1 -35,8 -71,4 237 Q330 Trillium 120 CMG-5T
BI02 CTR-DIR C1 -36,7 -71,3 913 Q330 Trillium 120p CMG-5T
BI03 INTERNET C1 -36,8 -73,0 196 Q330 Trillium 120 CMG-5T
LAJA INTERNET C -37,3 -72,7 84 Basalt - Episensor FBA
AGCH INTERNET C -37,8 -72,7 76 Earth Data - Episensor FBA
BI04 CTR-DIR C -38,4 -73,9 61 Q330 Trillium 120 CMG-5T
LC02 CTR-DIR C1 -38,8 -73,4 67 Q330 Trillium 120p CMG-5T
LC01 CTR-DIR C1 -38,9 -71,9 471 Q330 Trillium 120 CMG-5T
GO06 TESACOM-DIR C -39,6 -71,5 1258 Q330 T240 Epi
113
A.2 Catálogo de eventos gap sísmico 1
Tabla A.2: Información del catálogo de eventos del gap sísmico 1.

Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20170912222845 -20,3 -70,8 4,0 18,6
20170920225738 -20,0 -71,0 4,4 12,6
20171125211825 -20,0 -70,8 4,2 34,1
20171211190056 -19,7 -71,1 5,5 10,0
20171211194024 -19,7 -71,1 4,0 10,0
20141116105510 -20,8 -70,0 4,0 42,5
20141118083602 -20,0 -71,0 4,2 16,2
20141122065055 -20,0 -71,1 5,1 21,7
20141129141809 -20,0 -71,0 5,4 15,4
20141129201944 -19,9 -71,0 4,8 25,2
20141129234137 -20,5 -70,5 4,1 37,1
20141202202357 -19,7 -71,0 4,0 35,4
20141203022903 -19,8 -70,7 4,9 28,8
20141212123530 -19,9 -70,9 5,2 20,0
20141219115633 -21,6 -70,4 4,0 30,2
20150101233948 -19,9 -71,0 4,4 24,7
20150110210759 -20,3 -70,8 4,1 14,1
20150122120717 -20,1 -70,9 4,3 13,1
20150202152208 -22,3 -70,9 5,3 14,1
20150210142251 -19,7 -71,0 4,2 9,8
20150211112814 -20,2 -71,0 4,0 7,2
20150212045521 -20,2 -70,9 4,3 5,6
20150214144730 -19,8 -71,1 4,1 6,8
20150228033046 -21,7 -70,6 4,1 16,4
20150311152552 -20,6 -70,7 4,0 12,7
20150312051615 -20,6 -70,7 4,0 11,7
20150314012313 -20,5 -70,2 4,1 22,9
20150318053915 -18,4 -71,4 5,0 18,6
20150319131152 -18,5 -71,3 4,6 41,0
20150325045151 -20,7 -70,8 4,0 22,2
20150325100303 -20,7 -70,8 4,8 6,6
20150407010631 -20,0 -70,8 4,2 20,4
20150408005444 -19,9 -71,0 4,0 24,4
20150414112152 -20,0 -70,9 4,3 28,6
20150503133834 -19,9 -71,2 4,8 10,0
114
Tabla A.2: - Continuación.
20150518150151 -19,8 -71,0 4,3 14,3
20150520043552 -19,7 -70,8 4,1 22,9
20150520151756 -19,8 -71,1 4,2 5,2
20150521120355 -20,2 -70,9 4,1 23,2
20150522193934 -20,2 -70,7 5,3 19,7
20150523064229 -20,2 -70,9 4,1 19,1
20150523130944 -20,1 -70,8 5,0 16,2
20150528095513 -20,1 -70,2 4,1 44,3
20150531160828 -19,9 -70,9 5,0 23,9
20150601115717 -18,3 -71,2 4,7 25,9
20150607004337 -20,0 -71,0 4,5 8,4
20150609123852 -20,2 -70,9 4,8 25,0
20150609135953 -20,2 -70,9 4,5 6,2
20150609150404 -20,1 -71,0 4,3 6,4
20150610150642 -20,6 -71,0 4,5 18,9
20150617072114 -20,2 -70,7 4,6 18,8
20150720092715 -18,4 -71,4 4,5 13,2
20150723002736 -19,7 -71,3 4,0 19,6
20150724231438 -20,3 -70,3 5,3 34,5
20150807060958 -19,8 -70,9 4,1 35,0
20150905201857 -18,3 -71,6 4,5 18,0
20150910144014 -20,0 -71,0 4,4 14,7
20150915185426 -20,0 -70,9 4,2 11,1
20150915212120 -20,0 -70,8 5,0 9,8
20150915220333 -20,0 -70,8 4,9 14,4
20150916181912 -20,0 -71,0 4,5 16,2
20150916182421 -20,0 -70,9 4,9 12,8
20150916185609 -20,0 -70,9 4,9 9,0
20150917063634 -18,5 -69,2 5,1 10,7
20150923231640 -20,0 -71,0 4,1 12,1
20150929035121 -20,3 -70,9 4,4 29,1
20151006164132 -20,0 -71,0 4,2 12,9
20151017070127 -20,6 -70,8 4,5 14,7
20151031021910 -18,5 -71,5 4,2 10,0
20151101091431 -19,9 -70,9 4,1 29,7
20151108220719 -19,8 -71,0 4,0 17,8
20151128202132 -20,0 -71,0 4,2 11,2
20151205102918 -22,6 -70,4 4,6 26,5
115
Tabla A.2: -Continuación.
20151212004535 -19,9 -71,0 4,5 15,3
20160106124107 -21,6 -70,4 4,6 31,4
20160203090713 -21,3 -69,6 4,4 47,7
20160213153849 -20,6 -70,7 4,3 36,7
20160216054112 -20,1 -71,0 4,1 33,1
20160229153258 -20,4 -70,7 4,1 30,5
20160302094953 -18,7 -70,7 5,2 33,4
20160304185831 -20,7 -71,0 4,5 24,6
20160305173150 -20,7 -69,7 4,5 38,2
20160324111639 -19,7 -70,8 4,0 37,7
20160331092721 -19,9 -71,0 4,1 20,2
20160406003051 -20,2 -70,5 4,0 25,3
20160424005532 -21,3 -70,6 4,4 44,4
20160521182336 -21,6 -71,6 4,5 10,0
20160603134653 -19,0 -70,3 4,2 40,2
20160609093555 -19,8 -71,0 4,1 18,3
20160704125540 -20,6 -70,8 4,4 15,9
20160705022903 -20,2 -70,9 5,1 11,1
20160705082659 -20,2 -70,8 4,2 33,2
20160716032539 -21,3 -70,1 4,4 25,9
20160816053352 -19,8 -71,2 4,1 31,4
20160816122737 -19,9 -71,1 4,3 21,4
20160816175046 -19,8 -71,0 4,7 13,1
20160816181732 -19,8 -71,1 5,1 18,3
20161114220030 -21,1 -70,0 4,4 49,7
20161121223211 -22,6 -70,3 4,2 31,3
20170103134152 -19,9 -70,4 5,2 43,1
20170105162444 -22,1 -70,3 4,1 33,8
20170114185327 -19,7 -71,0 4,2 27,4
20170122163608 -20,2 -70,8 4,2 17,8
20170402232935 -19,9 -70,1 4,3 35,0
20170404130149 -20,3 -70,2 4,2 36,0
20170430093601 -20,0 -70,9 5,0 10,9
20170513194443 -21,8 -70,4 4,4 35,0
20170514053323 -18,4 -71,1 4,8 39,3
20170516135632 -18,9 -70,2 4,4 18,6
20170517004220 -22,0 -70,1 4,5 46,9
20170604143656 -19,6 -70,1 4,6 49,5
116
20170722062950 -21,2 -69,2 5,3 47,1
20170726180441 -20,1 -70,1 4,3 42,0
20170812193747 -20,1 -71,0 4,7 14,7
20140417170832 -20,6 -70,9 4,8 9,0
20140417201739 -19,8 -71,0 4,1 13,0
20140418065747 -19,9 -71,0 4,6 30,5
20140418081242 -20,5 -70,5 4,5 29,9
20140418115255 -20,0 -71,0 4,3 11,1
20140418234536 -20,6 -71,0 4,8 13,2
20140419011513 -19,9 -70,9 4,0 22,4
20140419115904 -19,9 -71,1 4,3 9,6
20140419205443 -20,0 -70,9 5,8 14,9
20140419213029 -19,9 -71,0 4,7 5,8
20140420002142 -19,2 -71,4 4,2 6,1
20140420075456 -19,9 -71,0 5,0 21,3
20140420203801 -19,9 -71,0 4,0 15,6
20140421071038 -20,2 -70,9 4,0 12,8
20140421104907 -19,9 -70,3 4,0 15,4
20140421133904 -19,7 -70,9 5,3 9,5
20140424045650 -20,1 -70,8 4,8 31,4
20140424102649 -19,9 -71,0 5,2 31,4
20140424110401 -19,9 -71,2 4,4 22,5
20140425030136 -20,3 -71,0 4,7 11,3
20140427144555 -20,1 -71,0 4,0 9,6
20140428000938 -19,9 -70,8 4,9 20,2
20140428024728 -20,5 -70,8 4,5 11,7
20140428045935 -19,5 -70,4 5,0 31,8
20140428122429 -19,9 -70,9 4,6 40,1
20140430051623 -19,9 -71,0 4,2 17,1
20140430111256 -20,5 -70,7 4,2 5,4
20140430163757 -19,9 -70,9 4,2 11,7
20140430181954 -19,9 -70,9 4,3 23,3
20140501164522 -20,0 -71,1 5,1 6,6
20140504031655 -20,0 -71,0 4,4 10,9
20140504044646 -20,0 -71,0 5,1 11,7
20140504045554 -20,0 -71,0 4,5 10,3
20140504100930 -20,1 -70,8 4,1 11,3
20140504183402 -20,0 -71,0 4,6 30,7
117
AñoMesDíaHoraMinuSeg origen, [°] origen, [°] Mw [Km]
20140505055426 -19,9 -71,0 4,7 20,5
20140505062746 -19,3 -71,1 4,7 22,7
20140505112119 -20,2 -70,7 5,4 23,6
20140505225223 -19,9 -70,8 4,9 12,5
20140507035650 -19,5 -70,4 4,4 33,3
20140507132705 -20,0 -70,9 4,9 8,5
20140509045847 -20,3 -70,8 4,6 5,2
20140509210955 -20,2 -70,4 4,1 30,2
20140510103237 -18,4 -71,4 4,5 18,3
20140511152911 -20,1 -70,9 4,5 13,3
20140512115428 -20,6 -70,9 4,7 17,2
20140513193358 -20,0 -71,0 4,8 14,5
20140514055150 -19,7 -71,0 5,3 27,1
20140514055739 -19,7 -71,1 4,5 9,6
20140517091106 -19,9 -70,8 5,5 10,8
20140517092313 -20,0 -71,0 4,8 11,0
20140517101759 -20,0 -70,9 4,7 14,0
20140521192145 -20,1 -70,9 4,1 19,3
20140525171226 -20,1 -70,9 4,0 12,8
20140527033439 -20,9 -70,5 4,5 29,4
20140527130248 -19,8 -70,9 4,5 12,9
20140528052705 -19,4 -71,2 4,2 25,6
20140528181403 -20,2 -70,8 4,7 21,4
20140528222337 -19,9 -71,1 4,9 15,9
20140531091730 -19,8 -70,6 4,1 14,4
20140604034609 -20,2 -71,0 4,0 13,7
20140604170426 -20,7 -70,8 5,1 8,3
20140604193533 -20,7 -70,9 4,3 10,6
20140605054102 -19,9 -71,1 4,9 8,3
20140605201928 -20,4 -70,3 4,9 30,3
20140605231011 -19,7 -71,0 4,4 20,2
20140607191058 -19,9 -71,2 4,8 7,2
20140608033931 -20,6 -70,8 4,0 15,9
20140608212414 -20,2 -70,9 4,4 20,7
20140611020517 -20,1 -71,0 4,0 6,2
20140615121224 -19,7 -71,0 4,0 11,7
20140618232715 -20,2 -70,9 4,5 14,2
20140619093835 -20,0 -70,8 5,8 5,4
118
20140619195405 -19,8 -70,8 5,8 14,9
20140619195945 -19,8 -70,9 5,3 37,2
20140620195332 -19,8 -70,9 5,5 19,4
20140620202227 -19,8 -71,0 5,8 14,2
20140620215119 -19,7 -71,1 4,0 7,5
20140623024503 -20,0 -71,0 4,4 8,7
20140626015045 -20,3 -70,6 4,2 32,5
20140627035053 -19,9 -71,0 4,5 8,0
20140630022940 -19,8 -70,9 4,1 14,9
20140701011734 -20,5 -70,2 4,2 35,0
20140701195820 -19,9 -71,0 4,2 12,4
20140705110046 -20,7 -70,8 4,5 15,8
20140707212833 -20,9 -70,6 4,3 25,1
20140708160420 -20,8 -70,6 4,9 24,9
20140713205414 -20,3 -70,3 5,6 33,1
20140715111222 -19,9 -70,0 4,2 33,0
20140718052410 -20,2 -70,9 5,0 14,8
20140718054648 -20,2 -70,9 4,6 14,8
20140721002127 -20,1 -70,6 5,1 25,6
20140724052156 -18,3 -71,4 4,5 29,6
20140728162032 -19,9 -71,1 4,1 10,5
20140729130133 -20,1 -70,4 4,5 29,3
20140809170132 -20,5 -70,9 4,4 11,8
20140814221531 -20,0 -70,8 4,2 8,0
20140816101048 -20,0 -71,0 4,9 10,0
20140824135513 -19,9 -71,0 4,7 10,0
20140904092651 -20,7 -70,4 5,0 28,1
20140911031329 -19,9 -71,0 4,3 20,6
20140917215935 -20,2 -70,8 4,2 21,8
20140918181415 -20,2 -70,9 4,5 7,9
20140926080230 -20,0 -71,0 4,6 21,0
20141007123322 -20,0 -71,0 5,2 9,0
20141007130553 -20,0 -71,0 4,9 24,8
20141011085124 -19,9 -71,0 4,5 27,5
20141025003624 -20,8 -70,8 4,1 8,6
20141026025253 -20,5 -70,6 4,7 35,0
20141104223136 -19,9 -70,9 5,0 24,3
20141113204842 -20,5 -70,4 4,0 28,4
119
20140403160832 -20,6 -71,0 4,5 6,8
20140403182946 -20,1 -70,6 4,4 12,1
20140403203905 -20,6 -70,7 4,9 12,0
20140403210813 -19,6 -70,7 4,0 14,2
20140403230426 -19,9 -71,0 4,2 20,8
20140403233454 -19,6 -70,7 4,0 11,5
20140404002923 -20,6 -71,0 4,1 12,8
20140404013751 -20,6 -70,5 6,2 19,3
20140404034526 -20,6 -70,8 4,2 17,4
20140404045350 -20,2 -70,8 4,3 24,0
20140404074217 -19,9 -71,0 4,3 6,6
20140404095324 -20,6 -70,8 5,0 11,4
20140404151248 -19,8 -71,1 4,7 14,4
20140404155247 -20,5 -71,1 4,4 11,9
20140404160242 -20,5 -70,8 4,9 9,3
20140404180734 -20,0 -70,8 5,1 23,5
20140404205525 -20,6 -70,8 4,5 5,5
20140404223958 -20,4 -70,6 4,5 15,7
20140405003357 -20,1 -70,5 5,1 28,4
20140405010335 -20,0 -70,9 4,5 15,2
20140405013612 -19,7 -70,9 4,3 23,6
20140405020544 -19,9 -71,0 4,3 8,5
20140405021722 -19,9 -71,0 4,4 38,5
20140405024838 -19,7 -71,0 4,1 19,5
20140405040852 -20,6 -70,8 5,0 15,9
20140405044108 -20,5 -70,9 4,1 38,6
20140405052856 -20,6 -70,7 4,7 15,1
20140405081631 -20,3 -70,0 4,6 48,7
20140405110330 -19,3 -70,9 4,3 9,0
20140405140450 -20,4 -70,9 5,0 12,4
20140405161942 -19,7 -70,5 4,3 26,3
20140405174650 -20,7 -71,0 4,1 11,8
20140405184838 -19,7 -71,2 4,2 22,0
20140405190930 -19,8 -70,7 4,1 17,5
20140405192144 -20,7 -70,7 4,6 19,5
20140405202029 -19,9 -70,3 4,2 42,4
20140406134619 -20,1 -70,6 4,1 15,8
20140406140609 -20,4 -71,0 5,3 19,7
120
20140406165433 -20,2 -70,5 4,1 28,9
20140406205553 -19,8 -70,6 4,2 10,0
20140407094459 -19,9 -70,9 4,0 5,3
20140407104134 -20,5 -70,9 4,8 10,9
20140407134321 -20,1 -70,8 5,8 10,6
20140407140343 -20,1 -70,9 5,1 9,8
20140408010303 -19,8 -70,5 4,8 28,0
20140408052022 -19,9 -70,8 5,0 26,6
20140408054048 -20,5 -70,7 4,9 19,1
20140408054355 -20,5 -70,7 4,9 12,2
20140408070128 -20,1 -70,6 4,0 28,7
20140408073231 -20,0 -71,0 4,4 18,1
20140408075524 -20,6 -70,7 4,5 26,2
20140408103043 -20,6 -70,9 4,3 14,2
20140408110359 -20,6 -70,8 4,1 13,7
20140408124937 -19,6 -71,0 4,0 22,0
20140408131122 -19,8 -70,7 4,2 9,9
20140409043256 -19,9 -70,9 5,0 17,2
20140409073201 -20,5 -70,6 4,1 17,2
20140409074919 -19,9 -70,9 4,5 5,7
20140409095400 -19,9 -71,1 4,2 9,0
20140409110613 -20,8 -70,8 4,6 13,5
20140409111446 -20,6 -70,8 5,2 23,9
20140409144456 -20,8 -70,8 4,2 8,3
20140410001032 -20,3 -70,9 4,7 13,9
20140410065302 -20,6 -70,9 4,0 36,3
20140410114836 -20,2 -70,9 4,3 6,0
20140410174912 -20,0 -71,0 5,1 23,3
20140411083943 -20,6 -71,0 4,9 13,3
20140411085555 -20,0 -70,9 4,9 13,8
20140411120051 -20,0 -70,6 5,0 20,7
20140412092034 -20,6 -70,7 4,4 18,5
20140412134511 -19,7 -71,0 4,1 12,7
20140412140140 -20,2 -71,1 4,0 26,4
20140413012542 -20,5 -71,0 4,8 15,1
20140413082939 -19,8 -70,9 4,1 6,1
20140413121129 -20,6 -70,7 5,4 7,6
20140414055620 -20,7 -70,7 5,3 29,5
121
20140414122841 -20,2 -70,5 4,2 15,5
20140414222034 -18,6 -70,9 4,5 45,0
20140415024020 -19,9 -71,0 4,4 12,7
20140415042203 -20,1 -70,5 4,0 20,9
20140415160935 -20,2 -70,8 5,3 19,6
20140415162117 -20,2 -70,7 5,1 18,4
20140415165416 -20,2 -71,0 4,3 7,5
20140415171220 -20,2 -70,8 5,0 21,9
20140415185940 -20,1 -70,8 5,1 19,5
20140416031411 -20,2 -70,9 5,0 14,0
20140416031935 -20,2 -70,8 4,8 27,6
20140416213650 -19,7 -71,1 4,2 12,1
20140417073109 -19,9 -70,9 4,8 19,7
20140417140455 -19,9 -71,1 4,0 22,5
20140417152714 -20,0 -71,0 4,0 5,0
20140402013547 -20,1 -70,7 4,9 10,0
20140402015405 -19,9 -71,0 4,9 10,0
20140402021116 -19,6 -71,0 4,2 14,9
20140402021803 -20,0 -70,7 4,0 19,0
20140402023248 -19,8 -71,0 4,7 14,6
20140402030852 -19,9 -70,8 4,5 19,3
20140402032126 -19,7 -70,6 4,4 35,0
20140402034016 -19,9 -70,9 5,2 15,7
20140402034730 -19,5 -70,5 4,4 25,9
20140402041609 -20,0 -70,9 4,9 13,6
20140402041948 -19,9 -71,0 5,1 15,5
20140402052251 -19,8 -71,1 4,1 6,8
20140402053200 -19,4 -70,8 4,5 5,9
20140402053912 -19,9 -71,1 4,2 10,0
20140402054622 -20,0 -70,8 4,4 18,1
20140402055343 -19,3 -71,0 4,1 10,0
20140402055704 -19,2 -70,8 4,6 11,2
20140402060410 -19,9 -70,9 5,0 10,0
20140402062632 -19,6 -71,1 4,1 22,0
20140402062916 -20,1 -70,8 5,2 14,9
20140402065851 -19,8 -71,1 4,0 10,0
20140402070343 -20,2 -70,2 5,0 31,2
20140402070723 -19,4 -71,0 4,1 22,0
122
20140402081307 -19,5 -70,9 4,3 8,4
20140402100402 -19,7 -71,1 4,4 5,6
20140402101822 -20,0 -71,0 4,3 6,2
20140402110733 -20,0 -71,0 5,4 27,3
20140402123025 -19,8 -70,8 4,4 18,6
20140402134743 -19,5 -70,7 4,5 28,5
20140402135102 -19,8 -71,3 4,2 29,0
20140402152301 -19,8 -71,0 4,0 9,8
20140402153158 -19,8 -70,8 4,6 14,8
20140402161336 -19,9 -70,5 4,2 9,9
20140402174226 -19,6 -70,9 4,1 21,3
20140402183055 -19,6 -70,7 4,1 15,8
20140402185652 -19,8 -71,0 4,5 8,4
20140402192932 -20,1 -70,6 4,6 12,3
20140402194315 -19,9 -70,4 4,2 18,8
20140402195020 -20,0 -70,6 4,5 19,6
20140402203442 -19,7 -71,0 4,5 8,3
20140402204248 -19,9 -71,0 4,9 16,0
20140402215048 -20,3 -71,0 4,2 6,8
20140403011336 -19,8 -71,1 4,5 26,2
20140403015829 -20,4 -70,5 6,6 10,6
20140403024314 -20,6 -70,5 7,7 12,0
20140403034029 -20,7 -70,6 4,8 15,8
20140403035335 -20,7 -70,7 4,2 8,3
20140403044522 -20,1 -70,9 4,2 12,2
20140403050645 -20,3 -70,7 4,8 24,6
20140403051710 -19,8 -71,0 4,9 13,9
20140403051905 -20,5 -70,6 5,1 27,2
20140403072154 -20,7 -70,7 4,4 11,6
20140403082849 -19,9 -71,0 4,8 5,1
20140403083739 -20,8 -70,8 4,5 16,2
20140403084459 -20,5 -70,7 4,3 27,4
20140403090857 -20,2 -70,5 5,0 24,3
20140403092320 -20,6 -70,7 5,4 9,2
20140403102709 -19,3 -70,8 4,2 22,0
20140403115948 -20,6 -70,9 4,6 10,0
20140403123445 -20,7 -70,8 4,4 11,6
20140403130137 -20,0 -70,9 4,7 9,9
123
20140403132322 -20,3 -70,6 4,5 16,7
20140403134919 -20,4 -70,6 4,3 13,4
20140403140104 -20,5 -71,1 4,3 14,7
20140403143405 -20,5 -70,9 5,2 5,6
20140403145219 -20,5 -70,9 5,0 21,2
20140316211628 -19,9 -70,6 6,7 9,4
20140316223659 -19,9 -70,7 4,7 8,9
20140316225407 -19,8 -70,8 4,8 21,9
20140316233437 -20,3 -70,7 4,0 10,0
20140317001211 -20,0 -70,7 5,1 19,3
20140317013454 -20,0 -70,9 5,2 6,6
20140317015522 -20,2 -70,8 4,5 18,2
20140317020558 -19,9 -71,0 4,5 31,3
20140317032824 -20,0 -70,7 4,6 31,2
20140317041659 -19,2 -70,9 4,1 35,0
20140317045921 -19,9 -70,8 4,3 22,9
20140317051133 -20,1 -70,8 6,4 5,3
20140317054019 -19,9 -70,8 4,1 10,0
20140317061700 -20,1 -70,8 4,0 10,4
20140317064716 -19,9 -70,9 4,1 17,1
20140317075458 -20,0 -70,7 4,7 8,2
20140317083237 -20,0 -70,7 5,1 15,4
20140317085105 -20,0 -70,8 4,9 19,5
20140317090804 -19,7 -70,8 4,2 10,0
20140317091259 -20,0 -70,8 4,5 19,1
20140317111217 -19,9 -70,9 5,0 26,1
20140317111633 -20,0 -70,9 4,2 5,9
20140317112935 -20,1 -70,8 4,5 27,5
20140317113317 -20,0 -71,2 4,0 35,0
20140317113614 -20,0 -71,0 4,1 9,2
20140317133512 -20,0 -70,8 4,5 23,0
20140317144231 -20,0 -70,9 4,0 9,2
20140317161401 -20,1 -70,8 4,0 9,0
20140317175301 -20,1 -70,9 4,4 6,8
20140317180145 -20,0 -70,9 4,0 5,1
20140317201027 -19,9 -70,9 4,4 8,2
20140318093028 -20,0 -70,7 4,9 22,2
20140318131902 -20,2 -70,9 4,2 18,6
124
20140318141833 -20,1 -70,8 4,9 5,0
20140318143558 -20,1 -70,8 5,1 26,1
20140318145844 -19,4 -71,0 4,4 30,7
20140318200430 -20,0 -70,9 4,2 12,2
20140321053940 -22,0 -70,4 4,1 14,8
20140321175456 -19,9 -71,0 4,1 16,2
20140322132244 -19,8 -71,1 4,4 5,5
20140322132959 -19,7 -70,9 5,6 17,1
20140322134413 -19,8 -70,8 4,9 22,3
20140322141541 -19,8 -70,8 4,9 41,8
20140322151441 -20,0 -71,2 4,0 9,5
20140322155230 -19,7 -70,9 4,7 26,9
20140322155826 -19,7 -70,9 4,8 15,4
20140322170802 -19,8 -70,9 4,2 21,4
20140322173523 -19,7 -70,9 4,0 12,5
20140322180648 -19,7 -71,1 4,1 22,0
20140322190301 -19,8 -70,9 4,1 14,1
20140322225115 -19,7 -71,0 4,0 13,5
20140322231329 -19,3 -71,1 4,2 35,0
20140323102306 -19,7 -70,8 4,7 26,2
20140323124803 -19,7 -71,0 4,7 7,2
20140323182001 -19,7 -70,8 6,2 13,9
20140323200715 -19,7 -70,8 4,7 47,3
20140323202304 -19,9 -70,8 5,3 23,1
20140323211725 -19,7 -70,7 4,7 16,0
20140323220426 -19,8 -70,8 5,2 19,7
20140324080632 -19,6 -70,8 4,5 21,8
20140324113538 -19,6 -70,7 4,7 44,0
20140324115300 -19,7 -70,7 4,5 15,7
20140324124802 -19,9 -70,9 4,5 7,6
20140324151142 -19,6 -70,9 4,5 11,5
20140324162235 -19,6 -70,8 4,8 21,7
20140324184311 -19,6 -70,7 5,1 21,9
20140324204124 -19,6 -70,8 4,2 16,1
20140325215848 -19,7 -70,9 4,3 14,5
20140327113609 -19,6 -71,1 4,0 16,1
20140330002029 -19,7 -70,8 4,9 24,3
20140401234647 -19,6 -70,8 8,1 17,1
125
20140402012059 -19,6 -70,9 5,2 21,5
20140402015052 -19,8 -70,8 4,5 15,4
20140402015935 -19,9 -70,8 4,4 35,0
20140402024012 -19,6 -70,7 4,1 16,5
20140402030436 -19,9 -70,3 4,4 15,6
20140324090308 -19,9 -70,9 4,1 12,6
20140324113215 -19,8 -70,8 5,3 23,5
20140324131241 -19,8 -70,9 4,3 6,2
20140324154530 -19,5 -70,7 5,7 12,7
20140324182028 -19,6 -70,7 4,3 29,3
20140324192246 -19,6 -70,8 4,1 19,5
20140324210312 -19,6 -70,9 4,1 14,0
20140325001514 -19,8 -70,8 5,3 25,2
20140325063125 -19,6 -70,8 4,6 39,5
20140326233334 -20,1 -70,8 4,7 6,7
20140329000716 -19,7 -70,8 4,4 22,1
20140330024446 -19,9 -71,0 4,6 19,3
126

20140324153352 -25,3 -70,7 5,0 32,8
20140325170803 -26,4 -70,9 4,7 26,6
20140325212708 -26,5 -70,8 4,4 25,8
20140410102532 -26,9 -71,0 4,7 25,0
20140423181518 -25,9 -70,7 4,2 43,9
20140606123757 -28,9 -71,6 4,8 35,0
20140616231954 -28,2 -71,1 4,2 44,7
20140619230117 -28,2 -71,4 4,4 45,0
20140810031425 -27,8 -70,8 4,6 31,0
20140818064923 -26,0 -71,9 4,1 24,7
20140901125802 -26,1 -71,0 4,2 21,3
20140918200445 -25,5 -70,8 4,0 35,0
20141007092343 -24,9 -71,0 4,8 14,4
20141117063455 -26,6 -71,2 4,0 22,8
20141123174854 -27,6 -71,2 4,0 47,1
20141213101928 -28,2 -71,5 4,6 13,4
20150103030229 -27,4 -71,3 4,1 9,7
20150104042901 -26,7 -70,9 4,0 19,3
20150211095039 -27,7 -71,7 4,2 10,0
20150224042850 -27,8 -71,6 4,4 47,6
20150301162619 -27,2 -71,3 4,1 11,1
20150301171902 -27,2 -71,3 4,0 15,0
20150302140207 -27,2 -71,4 4,0 10,6
20150302165345 -27,8 -71,1 5,3 31,1
20150314104956 -27,2 -71,4 4,3 8,4
20150314160346 -27,8 -71,0 5,1 33,3
20150322022034 -27,5 -71,3 4,6 11,9
20150402074202 -28,6 -71,1 4,8 44,8
20150514150801 -28,7 -71,6 5,2 6,8
20150514152223 -28,8 -71,3 4,0 21,0
20150515224226 -24,1 -70,5 4,1 26,1
20150521165411 -27,2 -72,0 4,7 5,2
20150529042816 -28,2 -70,8 5,2 49,4
20150604064914 -28,7 -71,6 4,8 10,8
20150607030927 -28,2 -71,6 4,5 7,5
20150820173653 -25,9 -71,3 4,3 35,0
127
20150825151118 -26,2 -71,0 4,2 49,1
20151006060732 -25,2 -70,2 4,3 42,6
20151118023243 -24,3 -70,2 4,4 48,6
20151127210022 -24,8 -70,6 6,2 34,0
20151127214513 -24,7 -70,5 4,7 38,9
20160117170538 -26,4 -70,9 5,0 36,9
20160224230515 -25,6 -71,2 4,2 20,3
20160307060118 -27,0 -71,0 4,3 38,6
20160310234751 -24,7 -70,9 4,0 35,8
20160314042318 -26,0 -70,9 4,7 34,0
20160416115142 -27,3 -71,3 4,4 7,0
20160422155550 -23,6 -71,1 4,6 15,8
20160511175935 -27,8 -71,4 4,7 10,0
20160528233039 -28,6 -71,7 4,1 42,3
20160615154827 -28,4 -71,7 4,1 10,0
20160621002201 -23,7 -70,3 4,1 17,0
20160710214625 -23,8 -70,5 4,3 35,5
20160716074032 -26,6 -70,8 4,1 35,2
20160716122147 -26,6 -70,7 4,3 42,7
20160726122601 -24,7 -71,0 4,6 25,8
20160817130020 -27,9 -71,3 4,6 16,5
20160818001121 -27,5 -70,8 4,3 49,3
20160828163204 -27,7 -71,2 4,6 35,0
20160830180949 -26,1 -70,5 4,4 48,8
20160907120112 -24,9 -70,8 4,1 18,5
20160914211616 -29,0 -71,5 4,6 19,8
20160923002519 -27,9 -71,3 4,1 23,0
20161025071820 -26,7 -71,1 5,0 10,0
20161030044940 -25,2 -70,4 5,2 49,6
20161113145038 -28,9 -71,5 4,8 22,5
20161201022408 -27,0 -71,3 4,5 19,5
20161226010332 -28,4 -71,5 4,5 31,5
20170116143436 -27,8 -71,6 4,0 11,1
20170222115118 -25,6 -70,9 4,3 17,3
20170408153908 -25,9 -71,2 4,6 35,8
20170505034111 -28,7 -71,6 4,7 19,9
20170604000727 -27,8 -71,1 4,3 27,8
20170802200329 -28,5 -71,2 5,3 41,1
20170820061546 -25,5 -70,8 4,0 43,8
20170925122451 -28,3 -71,3 4,6 30,3
128
20171004223859 -25,1 -70,8 4,3 48,4
20171109054606 -28,3 -71,5 4,2 38,9
20171219131437 -26,0 -70,5 4,2 44,9
20171230125431 -27,9 -71,7 4,8 10,0
20161114150453 -27,9 -71,1 4,2 21,6
20161202011430 -27,1 -71,4 4,7 15,9
20170101151905 -28,8 -71,7 4,3 6,6
20170212162110 -27,9 -71,4 4,9 12,8
20170226085916 -28,9 -71,5 5,0 31,9
20170415212639 -28,4 -71,5 4,4 33,7
20170505065055 -28,7 -71,6 4,7 14,2
20170609030356 -27,8 -71,6 4,2 13,8
20170802213025 -28,5 -71,3 4,4 35,0
20170924023000 -27,9 -71,3 4,6 30,1
20170926140721 -28,3 -71,4 4,2 19,9
20171014112052 -28,8 -71,3 4,4 10,0
20171115022558 -27,7 -71,6 4,1 8,1
20171228035451 -24,9 -70,2 5,5 46,7
129

20170629081652 -34,7 -71,8 4,5 40,6
20170923220201 -33,7 -71,6 4,9 46,3
20171008231019 -34,4 -71,6 4,3 48,2
20171201054601 -32,7 -71,8 4,2 21,6
20140331145841 -34,8 -71,6 4,8 33,4
20140405022239 -32,7 -71,4 5,6 40,1
20140419180521 -32,7 -71,8 4,3 19,6
20140430180055 -32,7 -71,7 5,2 23,9
20140515132812 -32,1 -71,8 4,4 12,2
20140528102703 -32,3 -71,8 4,5 44,8
20140608081349 -32,6 -72,0 4,8 13,6
20140624112331 -32,4 -71,8 4,2 10,8
20140624173241 -32,6 -71,6 4,6 29,5
20140713031648 -32,9 -71,3 4,8 35,0
20140730134154 -32,4 -72,0 4,5 19,9
20140806085651 -32,5 -71,4 4,2 42,8
20140811042233 -33,6 -71,8 4,2 37,6
20140823223223 -32,7 -71,4 6,4 32,0
20140925202951 -32,6 -71,8 4,0 28,0
20141106214554 -32,5 -71,9 4,2 25,9
20141106224202 -32,6 -72,0 4,1 13,0
20141210073722 -32,2 -71,9 4,0 23,7
20141210080957 -32,2 -71,8 4,0 11,9
20141215003219 -32,1 -71,6 4,0 35,1
20150102042253 -33,0 -71,3 4,1 49,1
20150107133457 -32,7 -71,9 4,6 7,4
20150107190425 -34,8 -71,9 4,0 40,8
20150118035956 -32,7 -71,9 5,2 13,0
20150125084704 -34,7 -71,8 4,8 42,5
20150211051132 -34,2 -71,9 4,7 42,5
20150214121026 -32,5 -71,8 4,3 7,4
20150414173838 -32,6 -71,8 4,3 7,1
20150417090536 -32,7 -71,9 4,4 27,1
20150516085154 -33,1 -71,9 4,6 25,2
20150521203412 -34,9 -71,8 4,9 44,5
20150718152137 -32,6 -71,8 4,2 10,9
20150728180511 -35,0 -71,8 5,0 40,5
130
Fecha Latitud Longitud Magnitud, Profundidad
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw , [Km]
20151112055412 -32,7 -71,8 4,4 18,8
20151121161134 -35,0 -71,6 4,3 46,9
20151212150857 -35,0 -71,9 5,0 37,9
20151223014004 -32,7 -71,8 4,3 23,4
20160103110433 -32,9 -69,3 4,5 10,0
20160106051023 -32,2 -71,7 4,0 27,0
20160126001910 -32,6 -71,8 4,8 8,4
20160127150903 -32,7 -71,8 4,2 24,0
20160208121319 -32,1 -72,0 4,7 22,2
20160309062729 -34,8 -71,8 4,0 41,3
20160314102619 -32,2 -71,8 4,6 27,6
20160319185028 -33,2 -71,8 4,3 25,0
20160414174455 -32,1 -71,8 4,6 18,1
20160415042756 -32,2 -71,8 4,8 20,0
20160418070114 -32,4 -71,5 4,3 27,5
20160425140146 -32,1 -71,9 4,6 22,3
20160425153547 -32,2 -72,0 4,3 14,0
20160508103312 -32,8 -71,5 4,4 32,7
20160509111820 -32,6 -71,8 4,2 24,0
20160523123935 -32,1 -71,9 4,4 10,5
20160530055901 -32,3 -71,8 4,0 25,9
20160718230539 -34,5 -70,6 4,3 10,0
20160726230021 -32,6 -71,8 4,8 16,4
20160827193608 -32,8 -71,7 4,2 32,7
20160907225432 -32,3 -71,6 4,9 30,5
20161001112511 -32,1 -71,7 4,6 16,3
20161203043058 -32,2 -72,0 4,2 22,6
20170203005226 -33,1 -69,7 5,1 10,0
20170215155150 -33,2 -69,7 4,7 21,4
20170311034216 -34,8 -71,8 5,0 45,3
20170417115333 -32,1 -71,9 4,5 16,2
20170423023607 -33,0 -72,0 6,0 21,0
20170423031004 -33,0 -72,0 4,1 22,0
20170424213830 -33,0 -72,0 6,9 28,0
20170424220343 -33,1 -71,8 4,9 28,0
20170424232853 -33,2 -71,9 4,4 25,4
20170426151401 -33,3 -71,9 4,3 26,1
20170427065545 -33,3 -71,9 4,1 24,9
20170427084636 -33,2 -72,0 4,3 28,6
20170428154023 -33,3 -72,0 4,9 17,3
131
Fecha Latitud Longitud Magnitud, Profundidad
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw , [Km]
20170428162726 -33,3 -72,0 4,6 22,8
20170428182823 -33,3 -71,9 4,2 25,2
20170429010834 -33,4 -72,0 4,4 20,3
20170612112704 -33,1 -71,9 4,4 21,5
20170629074347 -34,7 -71,9 4,1 44,6
20170706072606 -34,8 -71,8 4,3 41,4
20170925135527 -32,7 -72,0 4,3 24,0
20171112013131 -33,2 -69,6 4,5 10,0
20171203142141 -32,3 -72,0 4,4 10,4
20170722074425 -33,1 -72,0 4,3 23,0
20171007103724 -32,5 -71,9 4,1 19,6
20171126084739 -32,6 -71,6 4,2 30,3
20171220060818 -32,5 -71,8 4,4 24,9
20160925045436 -32,1 -71,9 4,0 41,9
20161017003553 -33,7 -71,8 4,0 35,1
20161229085021 -33,7 -71,6 4,4 43,3
20170213214012 -34,3 -72,0 4,1 15,4
20170224160043 -33,2 -69,7 4,3 10,0
20170317080256 -32,4 -71,7 4,8 27,3
20170419232427 -34,7 -71,8 4,1 41,3
20170423024318 -33,0 -72,0 4,8 19,9
20170423161253 -33,0 -72,0 4,1 21,4
20170424214624 -32,9 -72,0 5,4 13,2
20170424224355 -33,1 -71,9 4,5 22,5
20170425000928 -33,1 -71,8 4,2 25,9
20170426144553 -33,3 -72,0 4,3 19,4
20170427050923 -33,3 -71,9 5,1 24,0
20170427082440 -33,3 -72,0 4,7 19,6
20170428153006 -33,2 -72,0 5,9 22,0
20170428160557 -33,1 -71,8 5,8 28,0
20170428174149 -33,3 -72,0 5,3 20,9
20170428210122 -33,2 -71,9 4,1 20,4
20170429014602 -33,2 -72,0 5,1 18,3
20170618044100 -32,1 -72,0 4,5 22,4
132
ANEXO B
Los resultados log(𝑃𝐺𝐷) por estación y errores asociados a cada evento se
encuentran en el CD adjunto a esta investigación.
133
ANEXO C
Gráficos Peak Ground Displacement v/s Distancia hipocentral por seismic gap.
C.1 Gráficos seismic gap 1
C1 1: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
APÉNDICE D
Gráficos Peak Ground Displacement v/s Distancia hipocentral entre seismic gaps.
D.1 Curva gap sísmico 1 y 2 con PGD gap sísmico 3
D1 1: Curvas gap sísmico 1 y 2 con PGD gap sísmico 3.
165
166
167
168
D.2 Curva gap sísmico 2 y 3 con PGD gap sísmico 1
169
170
171
172
D.3 Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
173
174
175
176
177
ANEXO E
Los resultados del análisis de predicción de magnitud asociados a cada evento se
encuentran en el CD adjunto a esta investigación.
178
ANEXO F
Scripts Python
F.1 Script adquisición de trazas
# -*- coding: utf-8 -*-"""Conjunto de funciones destinadas a la

descarga de trazas. La principal es
adquisicion()
"""
import time
import requests
import queue
import threading
from multiprocessing import Pool
import multiprocessing
from obspy.clients.fdsn import Client
from obspy.geodetics import locations2degrees, degrees2kilometers
from obspy.core.utcdatetime import UTCDateTime
from obspy.core.event import Catalog
import numpy as np
import os
from csn.extract import extract
def adquisicion_resp_instrumental():
"""Obtenemos todos los eventos en una cierta zona, entre ciertas
fechas,
en un rango de magnitudes, y despues descargamos las respuestas
instrumentales de los acelerómetros asociados a cada uno de estos
eventos.
"""
#
# fechas para las que buscamos sismos
#
t1 = UTCDateTime(2017, 3, 1, 0, 0, 0)
t2 = UTCDateTime(2018, 1, 1, 0, 0, 0)
client = Client("IRIS")
client_gfz = Client("GFZ")
# cat = get_events(-21, -19, -72, -69, 5, 50, 4, t1, t2)
#
# catalogo de eventos. especificamos rangos de latitud, longitud,
magnitud,
# profundidad, de los sismos que quieremos conseguir.
#
cat0 = client.get_events(
starttime=t1, endtime=t2, minmagnitude=4, maxmagnitude=9,
minlatitude=-23.5, maxlatitude=-19, minlongitude=-73,
maxlongitude=-69,
mindepth=5, maxdepth=50)
#
# eliminamos un caso patologico
#
179
cat = Catalog()
for event in cat0:
add_event = True
origin = event.origins[0].time
mag = event.magnitudes[0].mag
for new_event in cat0:
if new_event == event:
continue
new_origin = new_event.origins[0].time
if 0 < new_origin - origin < 100 and mag < 5.5:
add_event = False
continue
if add_event:
cat.append(event)
print(cat0)
print('/n/n/n/n/n')
print(cat)
root_dir = os.path.abspath(os.getcwd())
cola_mt = queue.Queue()
#
# aca descargamos los sismogramas
#
for event in cat:
print(event.magnitudes)
print(event.origins)
mw_magnitudes = [mag for mag in event.magnitudes\
if 'mw' in mag.magnitude_type.lower()]
if not mw_magnitudes:
mw_magnitudes = event.magnitudes
mag = mw_magnitudes[0].mag
event_time = event.origins[0].time
lat_ep = event.origins[0].latitude
lon_ep = event.origins[0].longitude
depth = event.origins[0].depth / 1000
if not __is_in_slab(lat_ep, lon_ep, depth):
continue
year = event_time.year
month = event_time.month
month = str(month).zfill(2)
day = event_time.day
day = str(day).zfill(2)
hour = event_time.hour
hour = str(hour).zfill(2)
minute = event_time.minute
minute = str(minute).zfill(2)
second = event_time.second
second = str(second).zfill(2)
event_id = ''.join([str(year), str(month), str(day),
str(hour),
str(minute), str(second)])
print(event_id)
new_dir = os.path.join(root_dir, 'data', event_id)
180
if not os.path.isdir(new_dir):
os.mkdir(new_dir)
acc_dir = os.path.join(new_dir, 'accel')
if not os.path.isdir(acc_dir):
os.mkdir(acc_dir)
phys_acc_dir = os.path.join(new_dir, 'physical_accel')
if not os.path.isdir(phys_acc_dir):
os.mkdir(phys_acc_dir)
disp_dir = os.path.join(new_dir, 'disp')
if not os.path.isdir(disp_dir):
os.mkdir(disp_dir)
filt_disp_dir = os.path.join(new_dir, 'filt_disp')
if not os.path.isdir(filt_disp_dir):
os.mkdir(filt_disp_dir)
os.chdir(acc_dir)
t3 = event_time - 5 * 60
t4 = event_time + 10 * 60
networks = "C,C1,II,IU"
inventory = client.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10 *
60,
network=networks, channel="HN*", level="response",
maxradius=5, latitude=lat_ep, longitude=lon_ep)
networks = "CX"
try:
inventory = inventory + client_gfz.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10
* 60,
network=networks, channel="HL*", level="response",
except:
pass
for network in inventory:

netwk = network.code
for station in network:
statn = station.code
for canal in station:
loc_code = canal.location_code
channel = canal.code
t_mt = threading.Thread(
target=lambda a, b, c, d, e, f, g, h:\
download_metadata(a, b, c, d, e, f, g, h),
args=(canal, netwk, statn, loc_code, channel,
t3, t4,
acc_dir))
cola_mt.put(t_mt)
t_mt.daemon = True
t_mt.start()
del cola_mt
time.sleep(100)
os.chdir(root_dir)
return
181
def adquisicion_sismogramas():
"""Obtenemos todos los eventos en una cierta zona, entre ciertas
fechas,
en un rango de magnitudes, y despues descargamos los acelerómetros
asociados a cada uno de estos eventos.
"""
#
# fechas para las que buscamos sismos
#
t1 = UTCDateTime(2017, 3, 1, 0, 0, 0)
t2 = UTCDateTime(2018, 1, 1, 0, 0, 0)
client = Client("IRIS")
client_gfz = Client("GFZ")
# cat = get_events(-21, -19, -72, -69, 5, 50, 4, t1, t2)
#
# catalogo de eventos. especificamos rangos de latitud, longitud,
magnitud,
# profundidad, de los sismos que quieremos conseguir.
#
cat0 = client.get_events(
starttime=t1, endtime=t2, minmagnitude=4, maxmagnitude=9,
minlatitude=-23.5, maxlatitude=-18, minlongitude=-73,
maxlongitude=-69,
mindepth=5, maxdepth=50)
#
# eliminamos un caso patologico
#
cat = Catalog()
for event in cat0:
add_event = True
origin = event.origins[0].time
mag = event.magnitudes[0].mag
for new_event in cat0:
if new_event == event:
continue
new_origin = new_event.origins[0].time
if 0 < new_origin - origin < 100 and mag < 5.5:
print(origin, new_origin)
add_event = False
continue
if add_event:
cat.append(event)
print(cat0)
print('/n/n/n/n/n')
print(cat)
root_dir = os.path.abspath(os.getcwd())
numproc = multiprocessing.cpu_count()
pool = Pool()
catalogs = [[event for i, event in enumerate(cat) if i % numproc
== k]
for k in range(numproc)]
182
#
# aca descargamos los sismogramas
#
multiple_results = [pool.apply_async(
worker0, (subcat, client, client_gfz, root_dir, ))\
for subcat in catalogs]
[res.get() for res in multiple_results]
return
def get_events(minlat, maxlat, minlon, maxlon, mindep, maxdep, minmag,

t1, t2):
"""Script para consultar la pagina evtdb via python.
"""
petition =
"""http://evtdb.csn.uchile.cl/api/events?min_mag={}&min_lat={}
&max_lat={}&min_lon={}&max_lon={}&min_dep={}&max_dep={}""".format(
minmag, minlat, maxlat, minlon, maxlon, mindep, maxdep)
r = requests.get(petition)
events = r.json()
isinrange = lambda t: UTCDateTime(t) - t1 >= 0 and t2 -
UTCDateTime(t) >= 0
events = [event for event in events if isinrange(event['date'])]
isinrange2 = lambda d: mindep <= d <= maxdep
events = [event for event in events if isinrange2(event['depth'])]
return events
def worker0(catalog, client, client_gfz, root_dir):

for event in catalog:
print(event.magnitudes)
print(event.origins)
mw_magnitudes = [mag for mag in event.magnitudes\
if 'mw' in mag.magnitude_type.lower()]
if not mw_magnitudes:
mw_magnitudes = event.magnitudes
mag = mw_magnitudes[0].mag
event_time = event.origins[0].time
lat_ep = event.origins[0].latitude
lon_ep = event.origins[0].longitude
depth = event.origins[0].depth / 1000
if not __is_in_slab(lat_ep, lon_ep, depth):
continue
# event_time = UTCDateTime(event['date'])
# mag = event['magnitude']
# lat_ep = event['latitude']
# lon_ep = event['longitude']
# depth = event['depth']
year = event_time.year
month = event_time.month
month = str(month).zfill(2)
day = event_time.day
day = str(day).zfill(2)
183
hour = event_time.hour
hour = str(hour).zfill(2)
minute = event_time.minute
minute = str(minute).zfill(2)
second = event_time.second
second = str(second).zfill(2)
event_id = ''.join([str(year), str(month), str(day),
str(hour),
str(minute), str(second)])
print(event_id)
new_dir = os.path.join(root_dir, 'data', event_id)
if not os.path.isdir(new_dir):
os.mkdir(new_dir)
acc_dir = os.path.join(new_dir, 'accel')
if not os.path.isdir(acc_dir):
os.mkdir(acc_dir)
phys_acc_dir = os.path.join(new_dir, 'physical_accel')
if not os.path.isdir(phys_acc_dir):
os.mkdir(phys_acc_dir)
disp_dir = os.path.join(new_dir, 'disp')
if not os.path.isdir(disp_dir):
os.mkdir(disp_dir)
filt_disp_dir = os.path.join(new_dir, 'filt_disp')
if not os.path.isdir(filt_disp_dir):
os.mkdir(filt_disp_dir)
os.chdir(acc_dir)
t3 = event_time - 5 * 60
t4 = event_time + 10 * 60
networks = "C,C1,II,IU"
inventory = client.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10 *
60,
network=networks, channel="HN*", level="response",
networks = "CX"
try:
inventory = inventory + client_gfz.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10
* 60,
network=networks, channel="HL*", level="response",
except:
pass
for network in inventory:

netwk = network.code
for station in network:
statn = station.code
for canal in station:
loc_code = canal.location_code
channel = canal.code
sac_dict = __get_channel_information(
canal, lat_ep, lon_ep, depth, mag)
get_by_csnextract(netwk, statn, loc_code, channel,
184
sac_dict, t3, t4, acc_dir)
return
def get_by_csnextract(netwk, statn, loc_code, channel, sac_dict,

time0, time1,
abs_dir):
"""Extraccion de trazas via csn.extract
"""
try:
streamlist_in = '{}.{}.{}.{}'.format(netwk, statn, loc_code,
channel)
st = extract(
time0, time1, archive=os.path.join('/ssn', 'seiscomp',
'archive'),
streamlist=streamlist_in)
name = '{}{}_{}{}.sac'.format(netwk, statn, channel, loc_code)
if len(st) > 1:
return
st[0].stats.sac = sac_dict
st.write(os.path.join(abs_dir, name), format='SAC',
byteorder=0)
except:
print(1, netwk, statn, loc_code, channel)
return
def worker2(client, netwk, statn, loc_code, channel, sac_dict, time0,

time1,
abs_dir):
"""Extraccion de trazas via IRIS
"""
try:
st = client.get_waveforms(
netwk, statn, loc_code, channel, time0, time1)
name = '{}{}_{}{}.sac'.format(netwk, statn, channel, loc_code)
if len(st) > 1:
return
st[0].stats.sac = sac_dict
st.write(os.path.join(abs_dir, name), format='SAC',
byteorder=0)
except:
return
def download_metadata(canal, netwk, statn, loc_code, channel, t1, t2,

abs_dir):
try:
response = canal.response
response_data = 'SAC_PZs_{}_{}_{}_{}'.format(
netwk, statn, channel, loc_code)
if len(loc_code) is 0:
185
response_data = 'SAC_PZs_{}_{}_{}___'.format(netwk, statn,
channel)
sacpz = response.get_sacpz()
with open(os.path.join(abs_dir, response_data), 'w') as file:
file.write('{}\n'.format(sacpz))
except:
return
def __is_in_slab(lat_ep, lon_ep, depth):

"""
"""
value = True
if -25.6 <= lat_ep < -18 and lon_ep > -70.5 and depth < 10:
value = False
if -29 <= lat_ep < -25.6 and lon_ep > 0.77 * lat_ep / 3.4 - 64.7\
and depth < 10:
value = False
if -33 <= lat_ep < -29 and lon_ep > -71.5 and depth < 10:
value = False
if -37.4 <= lat_ep < -33 and lon_ep > lat_ep / 2.2 - 56.5 and
depth < 10:
value = False
if -39.4 <= lat_ep < -37.4 and lon_ep > -0.2 * lat_ep - 80.98\
and depth < 10:
value = False
if -43.4 <= lat_ep < -39.4 and lon_ep > 0.25 * lat_ep - 63.25\
and depth < 10:
value = False
return value
def __get_channel_information(channel, lat_ep, lon_ep, depth, mag):

"""Creamos un diccionario con la informacion para una estacion y
una de las
componentes, o canales, de dicha estacion.
"""
station_lat = channel.latitude
station_lon = channel.longitude
arco_circulo = locations2degrees(lat_ep, lon_ep, station_lat,
station_lon)
dist_epicentral = degrees2kilometers(arco_circulo)
dist_hipocentral = np.sqrt(depth ** 2 + dist_epicentral ** 2)
loc_code = channel.location_code
cmpaz = channel.azimuth
cmpinc = 90 + channel.dip
sac_dict = {
'stla': station_lat,
'stlo': station_lon,
'gcarc': arco_circulo,
'khole': loc_code,
'cmpaz': cmpaz,
'cmpinc': cmpinc,
186
'evla': lat_ep,
'evlo': lon_ep,
'evdp': depth,
'mag': mag,
'dist': dist_hipocentral
}
return sac_dict
if __name__ == '__main__':
time0 = time.time()
adquisicion_resp_instrumental()
adquisicion_sismogramas()
print('time spent downloading data: ', time.time() - time0)
F.2 Script procesamiento
#!/usr/bin/python# -*- coding: utf-8 -*-

r"""Conjunto de funciones para procesar los sismogramas. es decir,
para
sacarles la respuesta instrumental, filtrarlos e integrarlos a
desplazamiento.
La funcion principal es physical_acc()
"""
import subprocess
from obspy.core.utcdatetime import UTCDateTime
from obspy import read
from obspy.io.sac import SACTrace
from obspy.taup import TauPyModel
import os
import glob
###################################
# strong motion
###################################
def physical_acc():
r"""Pescamos los acelerómetros, les agregamos una estimación de la
llegada
de la P y de la S, y les sacamos la respuesta instrumental
"""
list_dir = os.listdir()
print(list_dir)
list_dir_excluded = {'check_events', 'least_squares',\
'joyner_boore', 'save_parameters.py'}
187
list_dir = [file for file in list_dir if not file in
list_dir_excluded]
print(list_dir)
model = TauPyModel(model="/data/eew/gmpe/hussen")
pool = Pool()
sublists = [[dir for i, dir in enumerate(list_dir) if i % numproc
== k]
processing = [pool.apply_async(__worker, (sublist, model, ))
for sublist in sublists]
[res.get() for res in processing]
return
def __worker(list_dir, model):

"""
"""
data_folder = os.path.abspath(os.getcwd())
for dir in list_dir:
print(dir)
if not os.path.isdir(dir):
continue
year = int(dir[:4])
month = int(dir[4:6])
day = int(dir[6:8])
hour = int(dir[8:10])
minute = int(dir[10:12])
second = int(dir[12:])
start = UTCDateTime(year, month, day, hour, minute, second)
new_data_folder = os.path.join(data_folder, dir)
os.chdir(os.path.join(new_data_folder, 'accel'))
stations_str = select_str_files()
update_start(stations_str, start)
phases_pick(stations_str, model)
print('Stations: ', stations_str)
remove_response_str(stations_str)
os.chdir(data_folder)
def select_str_files():
r"""Queremos sacar trazas que se hayan cortado antes de tiempo, o
que
esten demasiado lejos de la ruptura.
"""
strong_motion_data = glob.glob('*_HN*sac') + glob.glob('*_HL*sac')
stations_str = []
for sac in strong_motion_data:

try:
st = read(sac)
syn_len = 250
if (st[0].stats.endtime - st[0].stats.starttime) >=
syn_len:
188
stations_str = stations_str + [sac]
except:
pass
return stations_str
def update_start(stations_str, start):

"""Necesitamos hacerlo pues por alguna razón las estaciones GFZ no
tienen
bien el inicio
"""
streams = [read(sac) for sac in stations_str]
for stream, sac in zip(streams, stations_str):
stream[0].stats.starttime = start - 5 * 60
stream.write(sac, format='SAC', byteorder=0)
return
def phases_pick(stations_str, model):

"""Una estimacion a priori de las llegadas de la P y de la S.
"""
sacheaders = [SACTrace.read(sac) for sac in stations_str]
for sacheader, sac in zip(sacheaders, stations_str):

depth = sacheader.evdp
dist = sacheader.gcarc
p_arrival = model.get_travel_times(
source_depth_in_km=depth, distance_in_degree=dist,
phase_list=['p', 'P', 'pP'])
sacheader.t1 = min([arr.time for arr in p_arrival])\
+ sacheader.b + 5 * 60
s_arrival = model.get_travel_times(
source_depth_in_km=depth, distance_in_degree=dist,
phase_list=['s', 'S', 'sS'])
sacheader.t2 = min([arr.time for arr in s_arrival])\
+ sacheader.b + 5 * 60
sacheader.t3 = sacheader.t2 + 100
sacheader.write(sac, byteorder = 'little')
return
def remove_response_str(stations_str):
"""Sacamos la respuesta instrumental.
"""
sacheaders = [SACTrace.read(sac) for sac in stations_str]
pzfile = lambda x, loc:\
'SAC_PZs_{}_{}_{}_{}'.format(x.knetwk, x.kstnm, x.kcmpnm, loc)
comp_name = lambda x: '{}N{}'.format(x[0], x[2])
new_name = lambda x:\
'STR.{}.{}.{}.ACC'.format(x.kstnm, comp_name(x.kcmpnm),
x.knetwk)
new_name2 = lambda x:\
189
'STR.{}.{}.{}.DISP'.format(x.kstnm, comp_name(x.kcmpnm),
x.knetwk)
input_sac = ''
for sacheader, sac in zip(sacheaders, stations_str):
loc = sacheader.khole
if len(loc) == 0 or loc is None:
loc = '__'
pzfile_val = pzfile(sacheader, loc)

if not os.path.isfile(pzfile_val):
continue
new_name_val = os.path.join('..', 'physical_accel',
new_name(sacheader))
new_name_val2 = os.path.join('..', 'filt_disp',
new_name2(sacheader))
input_sac = '{}\nread {} \n'.format(input_sac, sac)\

+ 'rmean \n'\
+ ('transfer from polezero s {} '\
+ 'freq 0.05 0.1 20 40\n').format(pzfile_val)\
+ 'write {}\n'.format(new_name_val)\
+ 'read {} \n'.format(new_name_val)\
+ 'int \n int \n hp c 0.16667 n 2 p 1\n '\
+ 'write {}'.format(new_name_val2)
input_sac = '{}\nquit\n'.format(input_sac)
p = subprocess.Popen('sac', stdin=subprocess.PIPE,
stdout=subprocess.PIPE,
stderr=subprocess.PIPE)
out, err = p.communicate(input=input_sac.encode('utf-8'))
print(err)
return()
if __name__ == '__main__':
root_dir = os.getcwd()
os.chdir(os.path.join(root_dir, 'data'))
physical_acc()
F.3 Script Save parameters
# -*- coding: utf-8 -*-"""Conjunto de funciones para calcular y

guardar los valores que nos interesan:
desplazamientos, magnitudes, profundidades, distancias hipocentrales.
"""
import numpy as np
import os
import glob
from obspy import read
190
import time
import matplotlib.pyplot as plt
import matplotlib
from matplotlib.pyplot import cm
import pandas as pd
#
# para guardar los datos, puedo almacenarlos en archivos npz
# notemos que solo usamos estaciones que tengan las 3 componentes
#
def save_data(folders, root_data):

r"""Leemos las trazas en formato sac, y guardamos los parámetros
de
interés en arreglos en archivos .npz, de manera de poder recuperar
aquellos
parámetros con facilidad.
"""
for folder in folders:
os.chdir(os.path.join(root_data, folder, 'physical_accel'))
files = os.listdir()
get_station = lambda x: x.split('.')[1]
stations = [get_station(file) for file in files if file[-3:]
== 'ACC']
stations = list(set(stations))
regex = lambda x, tipo: ''.join(['*', x, '*', tipo])
this_dir = os.getcwd()
disp_filt_dir = os.path.join('..', 'filt_disp')
stations = [sta for sta in stations\
if len(glob.glob(regex(sta, 'ACC'))) == 3]
stations = [sta for sta in stations if sta ]
files_arr = [glob.glob(regex(sta, 'ACC')) for sta in stations]
files_arr0 = []
for file in files_arr:
try:
read(file[0])
files_arr0 = files_arr0 + [file]
except:
pass
some_streams = [read(file_arr[0]) for file_arr in files_arr0]
some_streams = [st for st in some_streams\
if st[0].stats.sac.dist <= 400]
latitud = np.array([st[0].stats.sac.evla for st in
some_streams])
longitud = np.array([st[0].stats.sac.evlo for st in
some_streams])
stations = [st[0].stats.station for st in some_streams]
distances = np.array([st[0].stats.sac.dist for st in
some_streams])
deg_dists = np.array([st[0].stats.sac.gcarc for st in
some_streams])
191
depths = np.array([st[0].stats.sac.evdp for st in
some_streams])
magnitudes = np.array([st[0].stats.sac.mag for st in
some_streams])
p_disp = []
s_disp = []
stat = []
for station, depth, gcarc in zip(stations, depths, deg_dists):

files = glob.glob(regex(station, 'ACC'))
try:
for f in files:
read(f)
except:
continue
streams = [read(file) for file in files]
os.chdir(disp_filt_dir)
disp_files = [file for file in glob.glob(regex(station,
'DISP'))]
try:
for disp_f in disp_files:
read(disp_f)
except:
continue
disp_streams = [read(file) for file in disp_files]
os.chdir(this_dir)
p_max, s_max = max_disp_p_s(
disp_streams, [st[0] for st in streams])
p_disp = p_disp + [p_max]
s_disp = s_disp + [s_max]
stat = stat + [station]
p_disp = np.array(p_disp)
s_disp = np.array(s_disp)
if len(magnitudes) == 0 or not len(p_disp) == len(distances):

continue
mag = magnitudes[0]
depth = depths[0]
__data_quality(mag, depth, distances, p_disp, s_disp, stat)
np.savez('data', distances=distances, depths=depths,

stat=stat,
magnitudes=magnitudes, p_disp=p_disp,
s_disp=s_disp,\
latitud=latitud, longitud=longitud)
os.chdir(root_data)
return
def max_disp_p_s(streams, acc_traces):
192
"""Calculamos el desplazamiento maximo, tanto debido solo a la
onda P,
como el debido a la S. Este, es la norma euclideana de los
desplazamientos
de las 3 componentes.
"""
if len(streams) < 3 or len(acc_traces) < 3:
return 0, 0
traces = [stream[0] for stream in streams]
delta = traces[0].stats.delta
p_time = [int(trace.stats.sac.t1 / delta) for trace in traces]
s_time = [int(trace.stats.sac.t2 / delta) for trace in traces]
end_time = [int(trace.stats.sac.t3 / delta) for trace in traces]
p_data = [trace.data[min(int(3*tp/4), tp - int(10 /
trace.stats.delta)):\
ts - int(1 / trace.stats.delta)]\
for tp, ts, trace in zip(p_time, s_time, traces)]
s_data = [trace.data[
min(int(3*tp/4), tp - int(10 / trace.stats.delta)):tend]\
for tp, tend, trace in zip(p_time, end_time, traces)]
if min([len(data) for data in p_data]) == 0\
or min([len(data) for data in s_data]) == 0:
return 0, 0
min_size = min([len(data) for data in p_data])

p_data = [10 ** 5 * data[:min_size] for data in p_data]
p_max_disp = np.sqrt(p_data[0] ** 2 + p_data[1] ** 2 + p_data[2]
** 2)
if len(p_max_disp) > 0:
p_max_disp = max(p_max_disp)
else:
p_max_disp = 0
min_size = min([len(data) for data in s_data])
s_data = [10 ** 5 * data[:min_size] for data in s_data]
s_max_disp = np.sqrt(s_data[0] ** 2 + s_data[1] ** 2 + s_data[2]
** 2)
if len(s_max_disp) > 0:
s_max_disp = max(s_max_disp)
else:
s_max_disp = 0
#
# finalmente, un criterio señal ruido. si hay mucho ruido, no
consideramos
# el dato.
#
noise = [trace.data[tp - int(60 / trace.stats.delta)\
:tp - int(10 / trace.stats.delta)]\
for tp, trace in zip(p_time, traces)]
min_noise_size = min([len(data) for data in noise])
if min_noise_size >= int(20 / delta):
noise_data = [10 ** 5 * data[:min_noise_size] for data in
noise]
max_noise = np.sqrt(noise_data[0] ** 2 + noise_data[1] ** 2\
+ noise_data[2] ** 2)
193
if 3 * s_max_disp < max(max_noise):
p_max_disp = 0
s_max_disp = 0
return p_max_disp, s_max_disp
def __data_quality(mag, depth, distances, p_disp, s_disp, stat):
"""Grafico para detectar sismos malos.

"""
folder = os.getcwd()
root_data = os.path.dirname(folder)
event_folder = os.path.basename(root_data)
root_data = os.path.dirname(root_data)
fig = plt.figure()
ax_p = fig.add_subplot(121)
ax_s = fig.add_subplot(122)
x = np.linspace(min(distances), max(distances), len(distances))
japan_func_p = - 0.0005 * x - 1.2 * np.log10(x)
japan_func_p = japan_func_p + 0.005 * depth *
np.ones(len(p_disp))
japan_func_p = japan_func_p + (0.72 * mag - 0.46) *
np.ones(len(p_disp))
japan_func_p = 10 ** japan_func_p
japan_func_s = - 0.0019 * x - np.log10(x)
japan_func_s = japan_func_s + 0.005 * depth * np.ones(len(s_disp))
japan_func_s = japan_func_s + (0.87 * mag - 0.98) *
np.ones(len(s_disp))
japan_func_s = 10 ** japan_func_s
colorss = iter(cm.jet(np.linspace(0, 1, len(stat))))
handles_p = []
handles_s = []
for index, station in enumerate(stat):
colors=next(colorss)
handles_p = handles_p + [ax_p.scatter(distances[index],\
p_disp[index],color=colors, s=50)]
handles_s = handles_s + [ax_s.scatter(distances[index],\
s_disp[index], s=50, color=colors)]
plt.figlegend(handles_p, stat, title='Estaciones',\
bbox_to_anchor=(0.9,0.5), loc='center right',
borderaxespad=-3)
fig.suptitle('Magnitud, [Mw]: {:.1f}\nProfundidad, [Km]:\
{:.2f}'.format(mag, depth), weight='heavy',
fontsize=16)
ax_p.set_title('Onda P', weight='heavy')
ax_p.set_yscale('log', basey=10)
ax_p.set_ylabel(r'PGD$[10 \cdot \mu m]$', weight='heavy')
ax_p.set_xscale('log')
ax_p.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_p.loglog(x, japan_func_p, 'red', label='Curva P Japonesa')
ax_p.set_xticks([10, 40, 150, 500])
ax_p.grid(which='minor', alpha=0.5)
ax_p.grid(which='major', alpha=0.8)
194
ax_p.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_p = min(min(p_disp), min(japan_func_p))
maximum_p = max(max(p_disp), max(japan_func_p))
ax_p.set_ylim(0.8 * minimum_p, 3*maximum_p)
ax_p.legend(loc='upper right')
ax_s.set_title('Onda S', weight='heavy')
ax_s.set_yscale('log', basey=10)
ax_s.set_ylabel(r'PGD$[10 \cdot \mu m]$', weight='heavy')
ax_s.set_xscale('log')
ax_s.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_s.loglog(x, japan_func_s, 'red', label='Curva S Japonesa')
ax_s.set_xticks([10, 40, 150, 500])
ax_s.grid(which='minor', alpha=0.5)
ax_s.grid(which='major', alpha=0.8)
ax_s.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_s.legend(loc='upper right')
minimum_s = min(min(s_disp), min(japan_func_s))
maximum_s = max(max(s_disp), max(japan_func_s))
ax_s.set_ylim(0.8 * minimum_s, 3*maximum_s)
fig.tight_layout(rect=[0,0,0.8,0.9])
fig.set_figheight(5)
fig.set_figwidth(8)
fig.savefig(os.path.join(root_data, 'check_events', event_folder))
del fig
return
if __name__ == '__main__':
os.chdir('/data/eew/gmpe/data')
if not os.path.isdir('check_events'):
os.mkdir('check_events')
root_data = os.getcwd()
folders = [folder for folder in os.listdir() if
os.path.isdir(folder)]
excluded_folders = ['joyner_boore', 'least_squares',\
'check_events', 'GMPE_ajustados']
folders = [folder for folder in folders if folder not in
excluded_folders]
pool = Pool()
subsets = [[folder for i, folder in enumerate(folders) if i %
numproc == k]\
time1 = time.time()
results = [pool.apply_async(save_data, (subset, root_data))\
for subset in subsets]
[res.get() for res in results]
print('Total time: ', time.time() - time1)
195
F.4 Script GMPE
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.

"""
#import matplotlib
#matplotlib.use('Agg')
import numpy as np
import os
from matplotlib import pyplot as plt
import matplotlib.ticker
from scipy.optimize import lsq_linear
from scipy import stats
from pandas import DataFrame
import statistics_mod
from joyner_boore import joyner_boore
from numpy.random import random
from matplotlib.pyplot import cm, hist, Rectangle
from matplotlib.ticker import (MultipleLocator, FormatStrFormatter,
AutoMinorLocator)
import statistics
def get_data():
"""Determinamos los sismos y las estaciones para las cuales usamos
los
datos, y posteriormente recuperamos los datos guardados en
archivos .npz.
"""
direc = os.getcwd()
folders = os.listdir()
folders = [folder for folder in folders if os.path.isdir(folder)]
list_excluded = {'20140318213308', '20140317051935',
'20140401235728', '20140401235756',
'20140401235955',
'20140402000313', '20140402000454',
'20140402000644',
'20140402001120', '20140402001421',
'20140402001851',
'20140402003347', '20140402003751',
'20140402005752',
'20140402030441', '20140402050921',
'20140402192936',
'20140403025608', '20140403025954',
'20140403052614',
'20140403031119', '20140403034555',
'20140403040447',
'20140403052850',
'20140403053433', '20140403065651',
'20140403114537',
196
'20140403202840', '20140407134734',
'20140416031933',
'20140619195942',
'20150324224652', '20170812155931', ''}
list_excluded.add('least_squares')
list_excluded.add('joyner_boore')
list_excluded.add('check_events')
list_excluded.add('con_condicion')
list_excluded.add('GMPE_ajustados')
folders = [folder for folder in folders if not folder in
list_excluded]
distances = []
depths = []
magnitudes = []
p_disp = []
s_disp = []
event_index = []
stations = []
latitud =[]
longitud = []
event_list = []
for index, folder in enumerate(folders):
os.chdir(os.path.join(direc, folder, 'physical_accel'))
if not os.path.isfile('data.npz'):
continue
npzfile = np.load('data.npz')
if len(npzfile['magnitudes']) < 3:
continue
distances = distances + list(npzfile['distances'])

depths = depths + list(npzfile['depths'])
magnitudes = magnitudes + list(npzfile['magnitudes'])
p_disp = p_disp + list(npzfile['p_disp'])
s_disp = s_disp + list(npzfile['s_disp'])
stations = stations + list(npzfile['stat'])
latitud = latitud + list(npzfile['latitud'])
longitud = longitud + list(npzfile['longitud'])
event_index = event_index + [index for v in
list(npzfile['s_disp'])]
event_list = event_list + [folder for v in
list(npzfile['s_disp'])]
os.chdir(direc)
os.chdir(direc)
return distances, depths, magnitudes, p_disp, s_disp,
event_index,\
event_list, stations, latitud, longitud
def write_table(distances, depths, magnitudes, p_disp, s_disp, event,\

stations, latitud, longitud):
"""Escribimos tabla excel con los datos guardados en los .npz
"""
df = DataFrame({
197
'Magnitude': np.round(magnitudes,1),
'Depths': np.round(depths,2),
'Latitud': latitud,
'Longitud': longitud,
'R': distances,
'A_p': p_disp,
'A_s': s_disp,
'date': event,
'station': stations,
})
print(os.getcwd())
df.to_excel('gmpe_data.xlsx', sheet_name='sheet1', index=False)
def least_squares_get_gmpe(
distances, depths, magnitudes, disp, event, constraint):
new_disp = [dp for dp in disp if dp > 0]
new_distances = [dis for dis, dp in zip(distances, disp) if dp >
0]
new_depths = [dep for dep, dp in zip(depths, disp) if dp > 0]
new_magnitudes = [mag for mag, dp in zip(magnitudes, disp) if dp >
0]
dependent_data = np.zeros((len(new_depths), 5))
dependent_data[:,4] = np.ones(len(new_depths))
print(dependent_data)
dependent_data[:,0] = new_magnitudes[:]
dependent_data[:,1] = new_distances[:]
dependent_data[:,2] = np.log10(new_distances)
dependent_data[:,3] = new_depths[:]
print('rank of matrix: ', np.linalg.matrix_rank(dependent_data))
indep_data = np.log10(new_disp)
if constraint:
lb = [0.5, -1000, -1000, -1000, -1000]
ub = [0.75, 1000, 1000, 1000, 1000]
res = lsq_linear(dependent_data, indep_data, bounds=(lb, ub),
method='bvls', lsmr_tol='auto', verbose=1)
print(res.x)
best_coefs = res.x
else:
square_matrix = np.dot(np.transpose(dependent_data),
dependent_data)
full_matrix = np.dot(
np.linalg.inv(square_matrix),
np.transpose(dependent_data))
best_coefs = np.dot(full_matrix, indep_data)
print(best_coefs)
residuals = indep_data - np.dot(dependent_data, best_coefs)
sigma_r = np.dot(np.transpose(residuals), residuals) / 4
print('Variance: ', sigma_r)
statistic, critical_values, significance_level\
= statistics_mod.residual_normality_test(residuals /
np.sqrt(sigma_r))
198
print('Anderson-Darling normality test\n')
print(statistic, critical_values, significance_level)
if statistic > 10 * critical_values[-1]:
print('The residuals are unlikely to be normally
distributed\n')
return best_coefs
def scatterplots(fig1, fig2, magnitudes, distances, disp, i):
disp = [dp for dp in disp if dp > 0]

distances = [dis for dis, dp in zip(distances, disp) if dp > 0]
magnitudes = [mag for mag, dp in zip(magnitudes, disp) if dp > 0]
ax = fig1.add_subplot(1, 2, i)
ax.scatter(magnitudes, disp, alpha=0.5)
title = 'Onda P' if i == 1 else 'Onda S'
ax.set_title(title, weight='heavy')
ax.set_yscale('log')
ax.set_xlabel('Magnitud, Mw', weight='heavy')
ax.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter()
)
ax.yaxis.grid(which='major', linewidth=0.8)
fig1.legend(['Estaciones\nSismológicas'], loc='center right')
fig1.set_figheight(5)
fig1.set_figwidth(8.5)
fig1.tight_layout(rect=[0, 0, 0.83, 1])
ax2 = fig2.add_subplot(1, 2, i)
ax2.scatter(distances, disp, alpha=0.5)
ax2.set_title(title, weight='heavy')
ax2.set_yscale('log')
ax2.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax2.set_xscale('log')
ax2.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax2.set_xticks([10, 40, 150, 500])
ax2.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter(
))
ax2.yaxis.grid(which='major', linewidth=0.8)
fig2.legend(['Estaciones\nSismológicas'], loc='center right')
fig2.set_figwidth(8.5)
fig2.tight_layout(rect=[0, 0, 0.85, 1])
return fig1, fig2
def plots(data, best_coefs_p, best_coefs_s, opcion, constraint):

"""Rutina para graficar las leyes de atenuacion obtenidas, y como
explican
los datos observados.
"""
a_p, b_p, c_p, d_p, e_p = best_coefs_p
a_s, b_s, c_s, d_s, e_s = best_coefs_s
199
distances, depths, magnitudes, p_disp, s_disp, event_list,
stations,\
latitud, longitud =
data
print(event_list)
for this_event in list(set(event_list)):

print(this_event)
fig = plt.figure()
dists = [dis for dis, event in zip(distances, event_list)\
if event==this_event]
if len(distances) == 0:
continue
p_disps = [dp for dp, event in zip(p_disp, event_list)\
s_disps = [dp for dp, event in zip(s_disp, event_list)\
magn = [mag for mag, event in zip(magnitudes, event_list)\
mag = magn[0]
depth = [dep for dep, event in zip(depths, event_list)\
stats = [sta for sta, event in zip(stations, event_list)\
dep = depth[0]
x = np.linspace(min(dists), max(dists), len(dists))

func_p = b_p * x + c_p * np.log10(x) + d_p * np.array(depth)
func_p = func_p + (a_p * mag + e_p) * np.ones(len(p_disps))
func_p = 10 ** func_p
japan_func_p = - 0.0005 * x - 1.2 * np.log10(x) + 0.005 *
np.array(depth)
japan_func_p = japan_func_p + (0.72 * mag - 0.46) *
np.ones(len(p_disps))
japan_func_p = 10 ** japan_func_p
func_s = b_s * x + c_s * np.log10(x) + d_s * np.array(depth)
func_s = func_s + (a_s * mag + e_s) * np.ones(len(s_disps))
func_s = 10 ** func_s
japan_func_s = - 0.0019 * x - np.log10(x) + 0.005 *
np.array(depth)
japan_func_s = japan_func_s + (0.87 * mag - 0.98) *
np.ones(len(s_disps))
japan_func_s = 10 ** japan_func_s
ax_p = fig.add_subplot(121)
ax_s = fig.add_subplot(122)
fig.suptitle('Magnitud, [Mw]: {:.1f}\nProfundidad, [Km]:
{:.2f}'.format(mag, dep), weight='heavy', fontsize=16)
colorss = iter(cm.jet(np.linspace(0, 1, len(stats))))

handles_p = []
handles_s = []
for index, station in enumerate(stats):
colors = next(colorss)
200
handles_p = handles_p +
[ax_p.scatter(dists[index],p_disps[index], s=50, color=colors)]
handles_s = handles_s +
[ax_s.scatter(dists[index],s_disps[index], s=50, color=colors)]
plt.figlegend(handles_p, stats, title='Estaciones',

bbox_to_anchor=(0.9, 0.5), loc='center right',borderaxespad=-3)
ax_p.set_title('Onda P', weight='heavy')
ax_p.set_yscale('log', basey=10)
ax_p.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax_p.set_xscale('log')
ax_p.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_p.loglog(x, func_p, 'blue', label='Curva P Chilena')
ax_p.loglog(x, japan_func_p, 'red', label='Curva P Japonesa')
ax_p.legend(loc='upper right')
ax_p.set_xticks([5, 15, 40, 150, 500])
ax_p.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_p = min(min(p_disps), min(japan_func_p), min(func_p))
maximum_p = max(max(p_disps), max(japan_func_p), max(func_p))
ax_p.set_ylim(0.8 * minimum_p, 3*maximum_p)
ax_p.get_yaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_p.grid(which='minor', alpha=0.5)
ax_p.grid(which='major', alpha=0.8)
ax_s.set_title('Onda S', weight='heavy')
ax_s.set_yscale('log', basey=10)
ax_s.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax_s.set_xscale('log')
ax_s.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_s.loglog(x, func_s, 'blue', label='Curva S Chilena')
ax_s.loglog(x, japan_func_s, 'red', label='Curva S Japonesa')
ax_s.set_xticks([5, 15, 40, 150, 500])
ax_s.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_s = min(min(s_disps), min(japan_func_s), min(func_s))
maximum_s = max(max(s_disps), max(japan_func_s), max(func_s))
ax_s.set_ylim(0.8*minimum_s, 3*maximum_s)
ax_s.get_yaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_s.grid(which='minor', alpha=0.5)
ax_s.grid(which='major', alpha=0.8)
fig.set_figheight(5)
fig.set_figwidth(8)
fig.tight_layout(rect=[0, 0, 0.8, 0.9])
name = 'GMPE_fit_{}.png'.format(this_event)
if constraint:
name = ''.join(['constraint', name])
201
print(os.getcwd())
fig.savefig(os.path.join(opcion, name))
fig.clf()
return
def histograma_mag(fig3, event, magnitud):
total_eventos = []
magnitudes = []
for i in range(len(event)):
try:
index = total_eventos.index(event[i])
except ValueError:
total_eventos.append(event[i])
magnitudes.append(magnitud[i])
axes = fig3.gca()
axes.hist(magnitudes, bins=30, ec='k', rwidth=0.9)
axes.set_xlabel('Magnitud, [Mw]', weight='heavy')
axes.set_ylabel('Cantidad de sismos', weight='heavy')
axes.yaxis.grid(which='major', linewidth=0.8)
axes.legend(['Terremotos\n[2014 - 2018]'])
axes.set_yticks([0, 20, 40, 60, 80, 100, 120])
axes.set_xticks([4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5, 8.0])
fig3.suptitle('Histograma Magnitud', weight='heavy', fontsize=16)
fig3.set_figwidth(5)
fig3.tight_layout(rect=[0, 0, 1, 0.95])
return fig3
def histograma_prof(fig4, event, depths):

total_eventos = []
profundidades = []
try:
except ValueError:
profundidades.append(depths[i])
axes = fig4.gca()
axes.hist(profundidades, bins=30, rwidth=0.9, ec='k',\
label='Terremotos\n[2014 - 2018]')
axes.set_xlabel('Profundidad, [Km]', weight='heavy')
axes.set_ylabel('Cantidad de sismos', weight='heavy')
axes.yaxis.grid(which='major', linewidth=0.8)
axes.legend(['Terremotos\n[2014 - 2018]'])
axes.set_xticks([0, 10, 20, 30, 40, 50, 60])
axes.set_yticks([0, 10, 20, 30, 40, 50, 60])
fig4.suptitle('Histograma Profundidad', weight='heavy',
fontsize=16)
202
fig4.set_figwidth(5)
fig4.tight_layout(rect=[0, 0, 1, 0.95])
return fig4
def excel_mag(event, magnitud, latitud, longitud, profundidad):

total_eventos = []
magnitudes = []
latitudes = []
longitudes = []
profundidades = []
try:
except ValueError:
magnitudes.append(magnitud[i])
latitudes.append(latitud[i])
longitudes.append(longitud[i])
profundidades.append(profundidad[i])
df = DataFrame({
'Latitud': latitudes,
'Longitud': longitudes,
'Date': total_eventos,
'Magnitud Mw': magnitudes,
'Profundidad': profundidades,
})
df.to_excel('Lista_registro.xlsx', sheet_name='sheet1',
index=False)
def excel_coef(best_coefs_p, best_coefs_s):

df = DataFrame({
'Coeficientes onda P:': best_coefs_p,
'Coeficientes onda S:': best_coefs_s,
})
df.to_excel('Coeficientes_reg.xlsx', sheet_name='sheet1',
index=False)
def bias(best_coefs_p, best_coefs_s):

distances, depths, magnitudes, p_disp, s_disp, event_index,\
event_list, stations, latitud, longitud = get_data()
pred_p = np.array(magnitudes)*a_p + np.array(distances)*b_p +

np.log10(distances)*c_p+ np.array(depths)*d_p +
e_p*np.ones(len(magnitudes))
bias_p = np.log10(p_disp) - pred_p
203
pred_s = np.array(magnitudes)*a_s + np.array(distances)*b_s +
np.log10(distances)*c_s+ np.array(depths)*d_s + e_s*
np.ones(len(magnitudes))
bias_s = np.log10(s_disp) - pred_s
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD MAGNITUD', weight='heavy')
plt.scatter(magnitudes, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# plt.plot(magnitudes, intercept + slope*np.array(magnitudes),
color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(magnitudes, bias_s, alpha=0.5, label='Registros')
plt.xlabel('Magnitud, Mw', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
# slope, intercept, r_value, p_value, std_err =
stats.linregress(magnitudes, bias_s)
# print(slope, intercept)
# plt.plot(magnitudes, intercept + slope*np.array(magnitudes),
plt.legend()
plt.savefig('Bias_mag.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.show()
plt.close()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD DISTANCIA HIPOCENTRAL', weight='heavy')
plt.scatter(distances, bias_p, alpha=0.5, label='Registros')
stats.linregress(distances, bias_p)
# plt.plot(distances, intercept + slope*np.array(distances),
plt.legend()
plt.subplot(212)
plt.scatter(distances, bias_s, alpha=0.5, label='Registros')
plt.xlabel('Distancia hipocentral [Km]', weight='heavy')
stats.linregress(distances, bias_s)
204
# plt.plot(distances, intercept + slope*np.array(distances),
plt.legend()
plt.savefig('Bias_dist.png')
plt.subplots_adjust(hspace=0)
plt.show()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD PROFUNDIDAD', weight='heavy')
plt.scatter(depths, bias_p, alpha=0.5, label='Regitros')
stats.linregress(depths, bias_p)
# plt.plot(depths, intercept + slope*np.array(depths),
plt.legend()
plt.subplot(212)
plt.scatter(depths, bias_s, alpha=0.5, label='Registros')
plt.legend()
plt.xlabel('Profundidad [Km]', weight='heavy')
stats.linregress(depths, bias_s)
# plt.plot(depths, intercept + slope*np.array(depths),
plt.legend()
plt.savefig('Bias_depth.png')
plt.show()
df = DataFrame({
'Date': event_list,
'Estación': stations,
'log10(PGD_P real)': p_disp,
'log10(PGD_S real)': s_disp,
'PGD_P pred': pred_p,
'PGD_S pred': pred_s,
'log10(bias_p)': bias_p,
'log10(bias_s)': bias_s,
})
df.to_excel('Bias.xlsx', sheet_name='sheet1', index=False)
return
205
def k_p(sigma_p, NN, M):
k_p = (NN - M) * np.log(sigma_p**2)
return k_p
def k_s(sigma_s, NN, M):
k_s = (NN - M) * np.log(sigma_s**2)
return k_s
def h_p(sigma_p, p_disp, event_list, Yprom_p, x):

h_p = sum((np.log10(p_disp[i]) - Yprom_p)**2 for i,k in
enumerate(event_list) if k == x)/ sigma_p**2
return h_p
def h_s(sigma_s, s_disp, event_list, Yprom_s, x):
h_s = sum((np.log10(s_disp[i]) - Yprom_s)**2 for i,k in
enumerate(event_list) if k == x)/ sigma_s**2
return h_s
def g_p(sigma_p, tau_p, N, Yprom_p, Muprom_p):

g_p = (N*(Yprom_p - Muprom_p)**2)/(sigma_p**2 + N*tau_p**2)
return g_p
def g_s(sigma_s, tau_s, N, Yprom_s, Muprom_s):
g_s = (N*(Yprom_s - Muprom_s)**2)/(sigma_s**2 + N*tau_s**2)
return g_s
def f_p(sigma_p, tau_p, N):

f_p = np.log(sigma_p**2 + N*tau_p**2)
return f_p
def f_s(sigma_s, tau_s, N):
f_s = np.log(sigma_s**2 + N*tau_s**2)
return f_s
def analisis_residuales(best_coefs_p, best_coefs_s):

distances, depths, magnitudes, p_disp, s_disp, event_index,\
event_list, stations, latitud, longitud = get_data()
print(len([dp for dp in p_disp if dp == 0]))
print(len([dp for dp in s_disp if dp == 0]))
total_eventos = []
constraint = False
for i in range(len(event_list)):
try:
index = total_eventos.index(event_list[i])
except ValueError:
total_eventos.append(event_list[i])
for i in range(1, 30):

print(i)
Muprom_p = []
Muprom_s = []
206
Yprom_p = []
Yprom_s = []
Mu_p = []
Mu_s = []
for x in total_eventos:
N = event_list.count(x)
sumyprom_p = sum(np.log10(p_disp[i]) for i,k in \
enumerate(event_list)if k == x)/N
Yprom_p = Yprom_p + [sumyprom_p]
sumyprom_s = sum(np.log10(s_disp[i]) for i,k in \

enumerate(event_list)if k == x)/N
Yprom_s = Yprom_s + [sumyprom_s]
sumuprom_p = sum(magnitudes[i]*a_p +
np.array(distances[i])*b_p \
+ np.log10(distances[i])*c_p +
np.array(depths[i])*d_p \
+ e_p for i,k in enumerate(event_list) if k ==
x)/N
Muprom_p = Muprom_p + [sumuprom_p]
sumuprom_s = sum(magnitudes[i]*a_s +
np.array(distances[i])*b_s \
+ np.log10(distances[i])*c_s +
np.array(depths[i])*d_s \
+ e_s for i,k in enumerate(event_list) if k ==
x)/N
Muprom_s = Muprom_s + [sumuprom_s]
sumu_p = sum(magnitudes[j]*a_p +
np.array(distances[j])*b_p \
+ np.log10(distances[j])*c_p +
np.array(depths[j])*d_p \
+ e_p for j,k in enumerate(event_list) if k == x)
Mu_p = Mu_p + [sumu_p]
sumu_s = sum(magnitudes[j]*a_s +
np.array(distances[j])*b_s \
+ np.log10(distances[j])*c_s +
np.array(depths[j])*d_s \
+ e_s for j,k in enumerate(event_list) if k == x)
Mu_s = Mu_s + [sumu_s]
NN = len(event_list)
M = len(total_eventos)
#Maximizacion por fuerza bruta

verosimilitud_p = 0
sigma_p = []
tau_p = []
max_vero_p = - 10 **10
sigmacr_p = 0
taucr_p = 0
207
err_p = 0
error_p = []
x = np.linspace(0.05, 1.55, 15, dtype = float)
for tau_p in x:
for sigma_p in x:
Y_p = []
error_p2 = []
verosimilitud_p = - NN * np.log(2*np.pi)/2 -\
k_p(sigma_p, NN, M)/2
for i, event in enumerate(total_eventos):
N = event_list.count(event)
verosimilitud_p = verosimilitud_p - f_p(sigma_p,\
tau_p, N)/2 - h_p(sigma_p,
p_disp,\
event_list, Yprom_p[i], event)/2
- g_p(sigma_p,\
tau_p, N, Yprom_p[i],
Muprom_p[i])/2
Y_p = Y_p + [sum(np.log10(p_disp[l]) for l, k in
enumerate(event_list) if k == event)]
err_p = ((tau_p**2)*(Y_p[i] - Mu_p[i])/(sigma_p**2
+ N*tau_p**2))
error_p2 = error_p2 + [err_p]
if max_vero_p < verosimilitud_p:

max_vero_p = verosimilitud_p
sigmacr_p = sigma_p
taucr_p = tau_p
error_p = error_p2.copy()
print(max_vero_p)
verosimilitud_s = 0
sigma_s = []
tau_s = []
max_vero_s = - 10 **10
sigmacr_s = 0
taucr_s = 0
err_s = 0
error_s = []
for tau_s in x:
for sigma_s in x:
Y_s = []
error_s2 = []
verosimilitud_s = - NN * np.log(2*np.pi)/2 -\
k_s(sigma_s, NN, M)/2
for i, event in enumerate(total_eventos):
N = event_list.count(event)
verosimilitud_s = verosimilitud_s - f_s(sigma_s,\
tau_s, N)/2 - h_s(sigma_s,
s_disp,\
event_list, Yprom_s[i], event)/2
- g_s(sigma_s,\
tau_s, N, Yprom_s[i],
Muprom_s[i])/2
208
Y_s = Y_s + [sum(np.log10(s_disp[l]) for l, k in
enumerate(event_list) if k == event)]
err_s = ((tau_s**2)*(Y_s[i] - Mu_s[i])/(sigma_s**2
+ N*tau_s**2))
error_s2 = error_s2 + [err_s]
if max_vero_s < verosimilitud_s:

max_vero_s = verosimilitud_s
sigmacr_s = sigma_s
taucr_s = tau_s
error_s = error_s2.copy()
#Regresión
dependent_data = np.zeros((len(depths), 5))
dependent_data[:,4] = np.ones(len(depths))
dependent_data[:,0] = magnitudes[:]
dependent_data[:,1] = distances[:]
dependent_data[:,2] = np.log10(distances)
dependent_data[:,3] = depths[:]
indep_data_p = []
indep_data_s = []
lista_error_p = []
lista_error_s = []
for index, k in enumerate(total_eventos):

for x in event_list:
if k == x:
lista_error_p = lista_error_p + [error_p[index]]
lista_error_s = lista_error_s + [error_s[index]]
for i in range(len(event_list)):
indep_data_p = indep_data_p + [np.log10(p_disp[i]) -
lista_error_p[i]]
indep_data_s = indep_data_s + [np.log10(s_disp[i]) -
lista_error_s[i]]
if constraint:
lb = [0.5, -1000, -1000, -1000, -1000]
ub = [0.75, 1000, 1000, 1000, 1000]
res_p = lsq_linear(dependent_data, indep_data_p,
bounds=(lb,ub),\
res_s = lsq_linear(dependent_data, indep_data_s,
bounds=(lb,ub),\
print(res_p.x)
print(res_s.x)
best_coefs_p = res_p.x
best_coefs_s = res_s.x
else:
square_matrix = np.dot(np.transpose(dependent_data),\
dependent_data)
209
full_matrix = np.dot(np.linalg.inv(square_matrix),\
np.transpose(dependent_data))
best_coefs_p = np.dot(full_matrix, indep_data_p)
best_coefs_s = np.dot(full_matrix, indep_data_s)
print(best_coefs_p)
print(best_coefs_s)

pred_p = np.array(magnitudes) * a_p + np.array(distances) * b_p +

np.log10(distances) * c_p + np.array(depths)*d_p + e_p *
bias_p = indep_data_p - pred_p
pred_s = np.array(magnitudes) * a_s + np.array(distances) * b_s +

np.log10(distances) * c_s + np.array(depths) * d_s + e_s *
bias_s = indep_data_s - pred_s
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD MAGNITUD', weight='heavy')
plt.scatter(magnitudes, bias_p, alpha=0.5, label='Registros')
stats.linregress(magnitudes, bias_p)
# plt.plot(magnitudes, intercept +
slope*np.array(magnitudes),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(magnitudes, bias_s, alpha=0.5, label='Registros')
plt.xlabel('Magnitud, Mw', weight='heavy')
#slope, intercept, r_value, p_value, std_err =
stats.linregress(magnitudes, bias_s)
# plt.plot(magnitudes, intercept +
slope*np.array(magnitudes),color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_mag_ajustado.png')
plt.show()
plt.close()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD DISTANCIA HIPOCENTRAL', weight='heavy')
210
plt.scatter(distances, bias_p, alpha=0.5, label='Registros')
stats.linregress(distances, bias_p)
#print(slope, intercept)
#plt.plot(distances, intercept +
slope*np.array(distances),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(distances, bias_s, alpha=0.5, label='Registros')
plt.xlabel('Distancia hipocentral [Km]', weight='heavy')
stats.linregress(distances, bias_s)
#plt.plot(distances, intercept + slope*np.array(distances),
plt.legend()
plt.savefig('Bias_dist_ajustado.png')
plt.show()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD PROFUNDIDAD', weight='heavy')
plt.scatter(depths, bias_p, alpha=0.5, label='Registros')
stats.linregress(depths, bias_p)
# plt.plot(depths, intercept +
slope*np.array(depths),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(depths, bias_s, alpha=0.5, label='Registros')
plt.legend()
plt.xlabel('Profundidad [Km]', weight='heavy')
stats.linregress(depths, bias_s)
#plt.plot(depths, intercept +
slope*np.array(depths),color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_depth_ajustado.png')
211
plt.show()
df = DataFrame({
'Date': event_list,
'Estación': stations,
'log(PGD_P real)': np.log10(p_disp),
'log(PGD_S real)': np.log10(s_disp),
'PGD_P pred': pred_p,
'PGD_S pred': pred_s,
'log10(bias_p)': bias_p,
'log10(bias_s)': bias_s,
'sigma_p': sigmacr_p,
'sigma_s': sigmacr_s,
'tau_p': taucr_p,
'tau_s': taucr_s,
'lista_error_p': lista_error_p,
'lista_error_s': lista_error_s,
'indep_data_p': indep_data_p,
'indep_data_s': indep_data_s,
})
df.to_excel('Analisis_residuales.xlsx', sheet_name='sheet1',
index=False)
df = DataFrame({
'best_coefs_p': best_coefs_p,
'best_coefs_s': best_coefs_s,
})
df.to_excel('Coeficientes_ajustados.xlsx', sheet_name='sheet1',
index=False)
return best_coefs_p, best_coefs_s
def main():
"""Funcion principal. Encargada de seleccionar los datos a usar,
hacer la regresion, y efectuar graficos de la regresion.
"""
distances, depths, magnitudes, p_disp, s_disp, event_index,
event_list,\
stations, latitud, longitud = get_data()
write_table(distances, depths, magnitudes, p_disp, s_disp,
event_list,\
stations, latitud, longitud)
excel_mag(event_list, magnitudes, latitud, longitud, depths)
fig1 = plt.figure()
fig2 = plt.figure()
fig3 = plt.figure()
fig4 = plt.figure()
fig1, fig2 = scatterplots(fig1, fig2, magnitudes, distances,
p_disp, 1)
212
fig1, fig2 = scatterplots(fig1, fig2, magnitudes, distances,
s_disp, 2)
fig3 = histograma_mag(fig3, event_list, magnitudes)
fig4 = histograma_prof(fig4, event_list, depths)
fig1.savefig('Mw-PGD_scatterplot.png')
fig2.savefig('dist-PGD_scatterplot.png')
fig3.savefig('histograma_mag.png')
fig4.savefig('histograma_prof.png')
plt.show()
del fig1, fig2, fig3, fig4
constraint = False
print('Seleccione el tipo de regresion\n')
print('1. minimos cuadrados\n2. Joyner-Boore\n')
index = int(input('Ingrese opcion: '))
if index == 1:
opcion = 'least_squares'
best_coefs_p = least_squares_get_gmpe(
distances, depths, magnitudes, p_disp, event_index,
constraint)
best_coefs_s = least_squares_get_gmpe(
distances, depths, magnitudes, s_disp, event_index,
constraint)
excel_coef(best_coefs_p, best_coefs_s)
else:
opcion = 'joyner_boore'
best_coefs_p = joyner_boore(
distances, depths, magnitudes, p_disp, event_index)
best_coefs_s = joyner_boore(
distances, depths, magnitudes, s_disp, event_index)
data = [distances, depths, magnitudes, p_disp, s_disp,
event_list,\
stations, latitud, longitud]
plots(data, best_coefs_p, best_coefs_s, opcion, constraint)

print('COEFICIENTES ONDA P SON:', best_coefs_p)
print('COEFICIENTES ONDA S SON:', best_coefs_s)
bias(best_coefs_p, best_coefs_s)
new_best_coefs_p, new_best_coefs_s =
analisis_residuales(best_coefs_p, best_coefs_s)
plots(data, new_best_coefs_p, new_best_coefs_s, 'GMPE_ajustados',
False)
return best_coefs_p, best_coefs_s
if __name__ == '__main__':
os.chdir('data')
if not os.path.isdir('least_squares'):
os.mkdir('least_squares')
if not os.path.isdir('joyner_boore'):
os.mkdir('joyner_boore')
print(os.getcwd())
main()
213

GMPEs para Un Sistema de Alerta Temprana de Terremotos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

GMPEs para Un Sistema de Alerta Temprana de Terremotos

Transféré par

Droits d'auteur :

Formats disponibles

GMPEs PARA UN SISTEMA DE ALERTA TEMPRANA DE TERREMOTOS

GIANNINA VALENTINA SANCY BARRERA

Memoria para optar al Título de Ingeniera Civil en Obras Civiles

Profesor Guía: Sebastián Riquelme

FACULTAD DE INGENIERÍA Y CIENCIAS

GIANNINA VALENTINA SANCY BARRERA

Memoria para optar al Título de Ingeniera Civil en Obras Civiles

Profesor Guía: Sebastián Riquelme

FACULTAD DE INGENIERÍA Y CIENCIAS

Agradecer en primer lugar a mi familia, especialmente a mi mamá por todo el

A mi profesor guía Sebastián Riquelme por toda la disposición que tuvo de

Por último, a mis entrenadores de natación que me ayudaron a no morir de estrés,

Dado que Chile está constantemente expuesto a mega-terremotos, en esta

Since Chile is constantly exposed to mega-earthquakes, this research developed

ÍNDICE DE GRÁFICOS .......................................................................................... X

ÍNDICE DE TABLAS ........................................................................................... XIII

ÍNDICE DE ILUSTRACIONES ............................................................................. XIV

CAPÍTULO I: INTRODUCCIÓN .............................................................................. 1

1.1 INTRODUCCIÓN ............................................................................................... 1

2.1 CONTEXTO TECTÓNICO EN CHILE ..................................................................... 3

CAPÍTULO III: GAPS SÍSMICOS EN CHILE ....................................................... 18

3.1 GAP SÍSMICO 1 ............................................................................................. 20

4.1 ORGANIZACIÓN Y PROCESAMIENTO DE LA INFORMACIÓN ................................... 30

CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPES) ......... 51

CAPÍTULO VI: ANÁLISIS DE RESULTADOS ..................................................... 81

6.1 GAP SÍSMICO 1 ............................................................................................. 81

BIBLIOGRAFÍA .................................................................................................. 104

ANEXOS ............................................................................................................. 110

ANEXO A ...................................................................................................... 110

A.1 RED DE ACELERÓGRAFOS ............................................................................. 110

ANEXO C ...................................................................................................... 134

C.1 GRÁFICOS SEISMIC GAP 1 ............................................................................ 134

ANEXO F ....................................................................................................... 179

F.1 SCRIPT ADQUISICIÓN DE TRAZAS ................................................................... 179

Gráfico 1: Liberación de energía del terremoto de Mw = 8,1 del 2014 en Iquique,

Tabla 1: Resumen de los terremotos con Mw mayores o iguales a 8,0 en Chile. . 20

Ilustración 1: Esquema de la subducción chilena.................................................... 5

1.2 Objetivo general

Esta interacción en los bordes de las placas se puede clasificar en:

La nucleación de un sismo en esta interacción puede ocurrir en las zonas:

▪ Interplaca en el plano de Benioff o de contacto:

Ilustración 1: Esquema de la subducción chilena

2.2 Antecedentes leyes de atenuación

(a) Yih-Min y Wu Li Zhao (2006)

Wu & Li (2006) desarrollaron una ecuación de atenuación para el sur de

log10 (𝑃𝑑) = −3,463 + 0,729𝑀 − 1,374 log10 (𝑅) ± 0,305 (2. 2)

Aunque la capacidad de predicción de estas curvas de atenuación es más exacta

(b) Sergio Ruiz y Saragoni (2005)

Ruiz & Saragoni (2005) presentaron fórmulas de atenuación para valores

Donde 𝑥 representa el máximo valor esperado del parámetro sísmico estudiado; 𝑀

(c) Idini et al. (2016)

Idini et al. (2016) generaron curvas de atenuación con pseudoaceleración y

El modelo de atenuación propuesto se expresa como la suma de tres submodelos:

log10 (𝑌) = 𝐹𝐹 (𝑀𝑤 , 𝐻, 𝐹𝑒𝑣𝑒 ) + 𝐹𝐷 (𝑅, 𝑀𝑤 , 𝐹𝑒𝑣𝑒 ) + 𝐹𝑆 (2. 4)

En que 𝑌 es el valor máximo de la aceleración superficial del suelo o la respuesta

La función 𝐹𝐷 analiza los efectos en la superficie de debido a la trayectoria de la

𝐹𝐷 (𝑅, 𝑀𝑤 , 𝐹𝑒𝑣𝑒 ) = (𝑐3 + 𝑐4 (𝑀𝑤 − 𝑀ℎ ) + ∆𝑐3 𝐹𝑒𝑣𝑒 ) log(𝑅 + 𝑅𝑜 ) + 𝑐5 𝑅 (2. 6)

La función 𝑅𝑜 representa de manera ficticia la distancia aproximada desde la cual

En que la función 𝑠(𝑇 ∗ ) representa el coeficiente de la forma para la amplificación

La metodología de regresión utilizada en esta investigación el de inversión de

Contreras & Boroschek (2009) utilizaron fórmulas de atenuación para las

log10 (𝑌) = 𝐶1 + 𝐶2 𝑀𝑤 + 𝐶3 𝐻 + 𝐶4 𝑅 − 𝑔𝑙𝑜𝑔10 (𝑅) + 𝐶5 𝑍 (2. 10)

Bastías (2016) desarrolló un modelo predictivo de intensidades sísmicas que