Un análisis de correlación de variables contaminantes proporciona información completa sobre el comportamiento de dependencia y, por lo tanto, es útil para relacionar el riesgo y las consecuencias de los eventos de contaminación. Sin embargo, las medidas de correlación comunes no logran capturar las diversas propiedades de los datos de contaminación del aire, como su distribución no normal, colas pesadas y cambios dinámicos a lo largo del tiempo. Por lo tanto, no pueden generar información altamente precisa. Para superar este problema, este estudio propone una combinación del modelo de Heterocedasticidad Condicional Autorregresiva Generalizada, la distribución de Pareto generalizada y cópulas estocásticas como una herramienta para investigar la estructura de dependencia entre la variable PM y otras variables contaminantes, incluidas CO, NO, O y SO. Los resultados indican que la estructura de dependencia dinámica entre PM y otras variables contaminantes se puede describir con una clasificación de PM-CO > PM-SO > PM-NO > PM-O para las trayectorias de tiempo en general () y las medidas de dependencia de la cola superior () o inferior (). Este estudio revela una correlación evidente entre variables contaminantes que cambia con el tiempo; dicha correlación refleja una dependencia dinámica.