Objective: To evaluate the predictive efficiency of two statistical models (one parametric and the other non-parametric) to predict critical episodes of air pollution exceeding daily air quality standards in Santiago, Chile by using the next day PM10 maximum 24 h value. Accurate prediction of such episodes would allow restrictive measures to be applied by health authorities to reduce their seriousness and protect the community's health. Methods: We used the PM 10 concentrations registered by a station of the Air Quality Monitoring Network (152 daily observations of 14 variables) and meteorological information gathered from 2001 to 2004. To construct predictive models, we fitted a parametric Gamma model using STATA v11 software and a non-parametric MARS model by using a demo version of Salford-Systems. Results: Both models showed a high correlation between observed and predicted values. However, the Gamma model predicted PM10 values below 240 mu g/m(3) more accurately than did MARS. The latter was more efficient in predicting PM10 values above 240 mu g/m(3) throughout the study period. Conclusion: MARS models are more efficient in predicting extreme PM10 values and allow health authorities to adopt preventive methods to reduce the effects of these levels on the population's health. The reason for this greater accuracy may be that MARS models correct variations in the series over time, thus better fitting the curve associated with PM10 concentrations. (C) 2009 SESPAS. Published by Elsevier Espana, S.L. All rights reserved.Objetivo: Evaluar la eficiencia predictiva de dos modelos estadísticos (uno paramétrico y otro no paramétrico) para predecir episodios críticos de contaminación del aire que excedan los estándares diarios de calidad del aire en Santiago de Chile utilizando el valor máximo de PM10 del día siguiente en 24 h. La predicción precisa de tales episodios permitiría aplicar medidas restrictivas por parte de las autoridades sanitarias para reducir su gravedad y proteger la salud de la comunidad. Métodos: Utilizamos las concentraciones de PM 10 registradas por una estación de la Red de Monitoreo de la Calidad del Aire (152 observaciones diarias de 14 variables) e información meteorológica recopilada entre 2001 y 2004. Para construir modelos predictivos, ajustamos un modelo Gamma paramétrico utilizando el software STATA v11 y un modelo MARS no paramétrico utilizando una versión de demostración de Salford-Systems. Resultados: Ambos modelos mostraron una alta correlación entre los valores observados y predichos. Sin embargo, el modelo Gamma predijo valores de PM10 por debajo de 240 µg/m(3) con mayor precisión que MARS. Este último fue más eficiente en la predicción de valores de PM10 superiores a 240 µg/m(3) durante todo el período de estudio. Conclusión: Los modelos MARS son más eficientes en la predicción de valores extremos de PM10 y permiten a las autoridades sanitarias adoptar medidas preventivas para reducir los efectos de estos niveles en la salud de la población. La razón de esta mayor precisión puede ser que los modelos MARS corrigen las variaciones de la serie a lo largo del tiempo, ajustando así mejor la curva asociada a las concentraciones de PM10. (C) 2009 SESPAS. Publicado por Elsevier España, SL Todos los derechos reservados.