lOMoARcPSD|14453842

Proyecto 2-Grupo 7

Estadística Aplicada 2 (Universidad Peruana de Ciencias Aplicadas)

Studocu no está patrocinado ni avalado por ningún colegio o universidad.

Descargado por Jair Portocarrero ([email protected])
 lOMoARcPSD|14453842

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA

ESTADÍSTICA APLICADA II

SECCIÓN:

XN41

DOCENTE DEL CURSO:

Angel David Miklavec Moreno

GRUPO 7

INTEGRANTES:

Apellidos y Nombres Código % de participación

Moreno Atao Natividad Valentina U201717466 100%
Mori Novoa Andrea Camila U202112222 100%
Mozo Narciso Necolle Rubi U20201C104 100%
Ocaña Ayala, Elizabeth U20201A947 100%
Rodríguez Pascual Nayely U20201B661 100%
Rubio Díaz, Giuliana Alessandra U202011750 100%

2022-1

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

ÍNDICE

Introducción……………………………………………………………………... 3
1.1. Planteamiento del problema……………………………………………... 3
1.2. Justificación………………………………………………………………4
1.3. Viabilidad………………………………………………………………... 5
Revisión bibliográfica……………………………………………………………..5
2.1. Hipótesis…………………………………………………………………. 5
2.2. Variables …………………………………………………………………6
Método…………………………………………………………………………… 7
3.1. Diseño. …………………………………………………………………... 7
3.2. Población………………………………………………………………… 7
3.3. Muestra…………………………………………………………………... 7
3.4. Diseño de instrumentos de recolección de datos………………………… 8
3.5. Procedimiento realizado para recolectar los datos………………………..8
Resultados y análisis………………………………………………………………9
4.1. Características demográficas de la muestra………………………………9
4.2. Análisis de la relación entre las variables………………………………... 10
Representación…………………………………………………………………….11
Plan de análisis…………………………………………………………………….11
Cálculo y análisis………………………………………………………………….12
Conclusiones………………………………………………………………………19
Recomendaciones………………………………………………………………… 19
Referencias bibliográficas………………………………………………………... 20
Apéndices………………………………………………………………………….22

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

1.Introducción:

Sabias que el agua contaminada que se utiliza para consumo humano provoca 485 000
muertes al año por enfermedades diarreicas (OMS, 2022). Esta situación se agrava en
contextos de pobreza, exclusión social y baja conciencia sobre la importancia del agua.
Para lograr comprender esta problemática, debemos identificar las principales casusas
que provocan la contaminación del agua. Algunas de ellas son los desechos industriales,
muchas fábricas expulsan restos de productos contaminantes derivados de sus procesos
directamente a los ríos u otros canales acuáticos. También influye el aumento de las
temperaturas, los cambios de este factor influyen fuertemente en la vida marina.
Asimismo, las aguas residuales que son vertidas en un sistema acuático provocan la
contaminación de este, al mezclar sus propiedades físicas y químicas. Por lo tanto,
según el informe de la OMS (2022) la gestión inadecuada de las aguas residuales
urbanas, industriales y agrícolas conlleva que el agua que beben cientos de millones de
personas se vea peligrosamente contaminada biológica o químicamente.
El Programa de las Naciones Unidas para el Medio Ambiente (UNEP), en su informe
Towards a Pollution-Free Planet (2017), alerta sobre los efectos del agua dulce en mal
estado sobre el medio ambiente, ya que impacta sobre los hábitats provocando la
pérdida de la biodiversidad acuática y facilita la floración de algas nocivas o la
eutroficación. Como lo menciona la UNEP los ecosistemas de agua dulce están en
peligro ya que están sufriendo una contaminación grave que con el tiempo sigue
incrementándose.
Por lo tanto, la UNESCO (2021) propone desarrollar un enfoque integral que tome en
cuenta las diferentes dimensiones del agua con el fin de identificar las opciones políticas
pertinentes., ya que se fundamenta que el agua tiene un valor profundo y complejo, no
hay aspecto del desarrollo sostenible que no dependa fundamentalmente de ella. Por
ello, muchos países comenzaron a tomar medidas para el cuidado del agua, con el fin de
disminuir este problema.
Por ende, la presente investigación tiene como propósito determinar las variables que
influyen en la contaminación del río Rímac, por medio de la medición del pH, que nos
sirve como indicador de calidad del agua. La investigación se basó en una muestra de
treinta datos de diferentes plantas de aguas residuales de Lima Metropolitana.

1.1. Planteamiento del problema

 Objetivo: Determinar si la presencia de sólidos suspendidos, oxígeno disuelto y

temperatura de las aguas residuales influyen en la incrementación del pH en el
río Rímac en los años 2017 y 2018.

 Pregunta de investigación: ¿La presencia de sólidos suspendidos, oxígeno

disuelto y temperatura de las aguas residuales influyen en la incrementación del
pH en el río Rímac en los años 2017 y 2018?

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

1.2. Justificación

“El 72% de los lagos y humedales del mundo están contaminados por vertidos
urbanos e industriales, provocando más de la mitad de las enfermedades infecciosas
conocidas” (Cusiche y Miranda, 2020) cifra alarmante en la cual se evidencia el
impacto de la contaminación del agua. Específicamente, en Perú es un problema que
con el tiempo fue incrementando, en los últimos años se realizó un reporte con
índices preocupantes, según la Municipalidad de Miraflores (2021) alrededor de 7 -
8 millones de ciudadanos peruanos aún no cuentan con un servicio de agua potable,
dejando a la ciudad de Lima como la más vulnerable a nivel mundial. Esto muestra
que una cantidad importante de personas no consumen agua de calidad, esto se debe
principalmente al avance de la contaminación del agua.

Uno de los factores que influye en este problema es el oxígeno disuelto, ya que es
un parámetro que nos ayuda a medir la calidad del agua en su estado natural. Es por
ello que para saber la calidad de agua es importante contar con las cantidades de
oxígeno disuelto, debido a que es la base para la vida marina como factor de
fotosíntesis y difusor de aire en el entorno (Rocca,
2021)
Debido a que la temperatura de las aguas residuales es mayor que las aguas no
contaminadas, ya que este tipo de agua al contener mayor actividad bioquímica por
parte de los microorganismos va a ser un factor proporcional al aumento de la
temperatura y puede degradar la calidad del agua y, en los casos más graves, puede
reducir la concentración de oxígeno disuelto en la misma, afectando de esta forma
las especies animales y vegetales que allí viven. (Osorio, 2021)
Otro de los factores que contaminan el agua son los sólidos suspendidos, que en
gran parte son llevados por los drenajes naturales a ríos y quebradas, así la
disposición de sólidos suspendidos en cuerpos de agua constituye uno de los
impactos más serios provocados sobre este recurso natural (Montes, 2018).
También, las descargas de aguas residuales domésticas, industriales y agrícolas sin
tratamiento provoca la contaminación de muchos ecosistemas acuáticos, ya que
según Cusiche y Miranda (2020) este tipo de aguas demandan oxígeno y al ser
arrojadas a medios acuáticos disminuye en gran porcentaje de este gas, es por ello
que interfieren la entrada del O hacia el seno del agua y la salida del CO , de tal
2 2

forma la calidad del agua se reduce bastante.

Como se mencionó anteriormente, la contaminación del agua es un problema

preocupante. Por ello, la relevancia de la presente investigación. El proyecto se
centrará en estudiar y analizar diversas variables relacionadas a la problemática,
para identificar la más dañina y posteriormente plantear soluciones. Cabe recalcar
que, en el presente informe, se analizarán tres variables independientes que influyen
en el aumento del pH del río Rímac, medida que se utiliza para evaluar la
contaminación del agua, las cuales son sólidos suspendidos, oxígeno disuelto y
temperatura de las aguas residuales.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

1.3. Viabilidad

La investigación es posible, debido principalmente a la gran cantidad de información de

estudios previos que facilitara la recolección de datos. Además, el equipo de
investigación
cuenta con los conocimientos indicados para discernir cuales son los datos más
adecuados a evaluar entre la información que incluye bases de datos, gráficos, tesis y
artículos. Algunas de las fuentes más confiables a utilizar es Instituto Nacional de
Estadística e Informática (INEI). Con respecto a los materiales, cada uno de los
integrantes del equipo cuenta con acceso a internet y computadora con herramientas
estadísticas como Excel y Minitab. Además de la teoría aprendida en el curso de
estadística Aplicada II. Para el desarrollo del trabajo se utilizarán datos relevantes que
están expuestos en los informes anuales de estadísticas ambientales realizado por INEI
(2019-2021).

2.Revisión bibliográfica:
Para un mayor entendimiento del tema, tanto a nivel social como ambiental, se realizó
una exploración de diversas fuentes bibliográficas. A partir de ello, se pudo corroborar
la importancia de realizar la investigación de este tema debido al incremento de la
contaminación del agua.
Por ejemplo, la tesis realizada por Cruz Camilla (2021) afirma que “El río Lurín,
ubicado al sur de Lima, presenta altos índices de contaminación, esto debido al aumento
de la demanda del agua producto del incremento poblacional, vertimientos de aguas
residuales (tratadas y sin tratar) e inadecuado manejo del recurso” (p.3) indicando que
uno de los factores que contaminaran los ríos, sería las propiedades físicas de las aguas
residuales (temperatura). Además, se encontró otra investigación que analiza como la
calidad y cantidad de oxígeno disuelto del agua del Estero Salado- La Chala influye la
vida acuática de tal sistema. (Holguín y León, 2021). Asimismo, el estudio de Córdova
(2021) concluye que la contaminación del agua se puede explicar por el factor de
sólidos suspendidos totales (SST) ya que se mezcla con la carga total de descargas de
aguas residuales vertidas sin tratamiento previo.

2.1. Hipótesis
La cantidad de oxígeno disuelto, la temperatura y los sólidos disueltos suspendidos
afectan el pH del río Rímac.
Referencia:
Se tomó en consideración los parámetros fisicoquímicos (Temperatura, Conductividad,
pH, Sólidos disueltos totales, Turbidez, Oxígeno disuelto, Demanda química de
oxígeno, Demanda Bioquímica de oxígeno) y microbiológicos (Coliformes fecales y
totales), realizando un total de tres monitoreos en el periodo comprendido del mes de
mayo a septiembre del año 2021, los criterios obtenidos en laboratorio indicaron valores
ligeramente por encima del límite máximo permitido por las TULSMAS como pH (7,34
UpH) (Ayora, 2021).

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

2.2. Variables

 Sólidos suspendidos.
Definición conceptual: Los Sólidos Suspendidos Totales (SST) se definen como el
material mantenido en suspensión en las corrientes de aguas residuales o superficiales,
estos también se consideran como la cantidad de residuos retenidos en un filtro de fibra
de vidrio (Dane, 2013).
Definición operacional: La definición operacional de los Sólidos Suspendidos Totales
se comprende a través del método gravimétrico, se obtiene la información básica de las
mediciones puntuales de las estaciones de monitoreo y su unidad de medición es en
mg/L (Dane, 2013).
 Oxígeno disuelto.
Definición conceptual: Cantidad de oxígeno gaseoso (O) efectivamente presente en el
agua expresada en términos de cualquiera de sus formas de presencia en el volumen de
agua (miligramos de O por litro) (INEI, 2014).
Definición operacional: Al oxígeno disuelto se le define como la concentración actual
en mg/L, la cantidad de oxígeno que presenta el agua a una cierta temperatura o como el
% de saturación (Water Boards, 2022).
 Temperatura
Definición conceptual: Parámetro físico que se mide en el punto de muestreo del agua.
La temperatura tiene influencia en la solubilidad de las sales contenidas en el agua
(INEI, 2018).
Definición operacional: La definición operacional que se le atribuye a la temperatura
es: cantidad de medición física la cual mide el grado o nivel de calor de un elemento o
ambiente, su unidad es de medida internacional es el Kelvin (Jiménez, 2017).

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

3.Método:

3.1. Diseño
Para la presente investigación se usará el diseño no experimental transversal, ya que en
este tipo de diseño no se controlan ni manipulan las variables de estudio. Asimismo, el
análisis que se realiza se enfoca en los efectos de un fenómeno que ocurre en algún
momento particular y su propósito es describir variables y su incidencia de interrelación
en un momento dado. (Baptista, Fernández, y Hernández, 2014)

3.2. Población

 Plantas de tratamiento de aguas residuales de Lima Metropolitana.

Tabla N° 1: Muestra de la investigación

Fuente: Elaboración propia

3.3. Muestra
Para el siguiente trabajo empleamos la siguiente fórmula matemática, la cual nos
permitirá determinar el número de muestras que se usarán.

x=número de variables
y=cantidad de muestra por variables

x*y= total de muestras a usar

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Luego reemplazamos con los valores que obtenemos:

x*y= 3*10= 30 muestras en total a usar

Lo que nos daría de respuesta 30 muestras en total,10 por cada variable.

3.4. Diseño de instrumentos de recolección de datos

Se realizó una investigación exhaustiva para así poder obtener una recopilación de datos
estadísticos sobre la presencia de oxígeno disuelto, residuos sólidos y temperatura de las
aguas residuales influyó en la disminución del ph en el río Rímac en los años 2017 y
2018. También, de otras investigaciones con el mismo fin.
Las fuentes encontradas utilizaron los siguientes instrumentos para la obtención de
datos:
 Temperatura de aguas residuales en las plantas de tratamiento de Lima
Metropolitana, 2009-2018. Termómetros y equipos químicos de control.
 Demanda bioquímica de oxígeno en plantas de tratamiento de aguas residuales
de Lima Metropolitana, 2011-2018 (INEI, 2019).
 Sólidos suspendidos en las plantas de aguas residuales de Lima Metropolitana,
2011-2018 (INEI, 2019).
 Nivel de pH en las plantas de tratamiento de aguas residuales de Lima
metropolitana (INEI, 2019).

3.5. Procedimiento realizado para recolectar los datos

Paso 1: Para empezar, se eligieron las variables que afectan al problema investigación.
Para ello, se consideraron las variables que más afectan y, a su vez, las que contaban
con más información de fuentes confiables. Así fue como todas las integrantes del grupo
nos aseguraríamos de tener y elegir plantas de tratamiento en las cuales se pueda
analizar los datos correctamente y que no sean datos variados. Finalmente se tomó la
decisión de usar 30 plantas de tratamiento de Lima Metropolitana.
Paso 2: Se recopilaron los datos numéricos del Anuario de Estadísticas ambientales del
Perú-2019 (INEI, 2019), luego ordenamos los datos por planta de tratamiento, y
finalmente en un archivo Excel.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

4.Resultados y análisis:

4.1. Características demográficas de la muestra

Tabla N° 2: Características demográficas de la muestra

Fuente: Elaboración propia

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

4.2. Análisis de la relación entre las variables

Tabla N° 3: Cuadro con datos estadísticos de las variables independientes y variable

dependiente

Fuente: Elaboración propia

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Representación:
Y: pH del rio Rímac
X1: Sólidos suspendidos
X2: Oxígeno disuelto
X3: Temperatura de las aguas residuales

Técnica/Herramienta estadística: Análisis de Regresión Lineal Múltiple (R.L.M.)

Nivel de significación del 5% y un nivel de confianza del 95%
Alfa a entrar 0.05 y alfa a retirar 0.05 (Para el Método Paso a Paso)

Plan de análisis:
1. Estimación la ecuación del modelo completo e interpretar las medidas de bondad
de ajuste (R2 adj y S).
2. Validación del modelo completo (Prueba Global/Conjunta (Tabla de ANOVA) y
Prueba Individual (Tabla de Coeficientes), si el Modelo Completo es válido debo
verificar el cumplimiento de supuestos y detección de puntos influyentes.
3. Si el modelo completo no es válido o incumple con algún supuesto se realiza la
estimación de un modelo reducido mediante el método de selección de Modelo Paso a
Paso.
4. Verificación del cumplimiento de los supuestos y detección de puntos
influyentes del modelo.
5. Pronóstico de la variable dependiente a través de un intervalo de confianza
(valor medio / individual).

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Cálculo y Análisis:
Paso 1: Estimación del MODELO COMPLETO e interprete las medidas de bondad de
ajuste (R2ajustado) y S
La ecuación estimada del Modelo Completo es:

R2 AJUSTADO = 64.01%. El
64.01%. del porcentaje de variación total en la variable pH del rio Rímac es explicada
por el modelo de regresión estimado.

S = 0.193814: La variabilidad/dispersión de los valores muestrales de Y alrededor de la

recta de regresión es 0.193814.

Paso 2: Validación del modelo completo (Prueba Global/Conjunta (Tabla de ANOVA)

y Prueba Individual (Tabla de Coeficientes), si el Modelo Completo es válido debo
verificar el cumplimiento de supuestos y detección de puntos influyentes.
Prueba Global/Conjunta del modelo COMPLETO (Tabla de ANOVA)
Ho: B1 = B2 = B3 = 0
H1: Algún Bi ≠ 0

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Fcal = 18.19
Como P_value = 0,000 < Alfa = 0,05
Decisión estadística: Rechazar Ho
Conclusión estadística: Al 5% de nivel de significancia, la evidencia muestra estadística
es SUFICIENTE para afirmar que Algún Bi ≠ 0, es decir, la prueba Global es VÁLIDO.
Pruebas individuales del modelo COMPLETO (Tabla de coeficientes)

Ho: β1 = 0 Ho: β2 = 0 Ho: β3 = 0

H1: β1 ≠ 0 H1: β2 ≠ 0 H1: β3 ≠ 0

Tcal = 5.28 Tcal = -3.42 Tcal = -3.10

Como P_valor = 0,000 < Como P_valor = 0,002 Como P_valor = 0,005 >
Alfa = 0,05 >Alfa = 0,05 Alfa = 0,05

Decisión estadística: Decisión estadística: Decisión estadística:

Rechazar Ho Rechazar Ho Rechazar Ho

Conclusión estadística: Al Conclusión estadística: Al Conclusión estadística: Al
5% de nivel de 5% de nivel de 5% de nivel de
significancia, la evidencia significancia, la evidencia significancia, la evidencia
muestra estadística es muestra estadística es muestra estadística es
SUFICIENTE para SUFICIENTE para SUFICIENTE para
afirmar que β1 ≠ 0, es afirmar que β1 ≠ 0, es afirmar que β1 ≠ 0, es
decir, el coeficiente B1 es decir, el coeficiente B1 es decir, el coeficiente B1 es
válido. válido. válido.

En conclusión, el modelo completo es válido.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Paso 3: Si el modelo completo no es válido o incumple con algún supuesto se realiza la

estimación de un modelo reducido mediante el método de selección de modelo paso a
paso (en MINITAB).

- Ecuación estimada del modelo: Después de realizar la prueba individual y global

concluimos que nuestro modelo completo es válido. Por lo tanto, nuestra ecuación
estimada del modelo es la misma.

Interpretación de los coeficientes de regresión: B1 y B2 y B3

: Cuando incrementamos en un mililitro/litro de sólidos suspendidos en el río Rímac y
mantenemos constante la cantidad de oxígeno disuelto en el agua y la temperatura de
las aguas residuales, el pH del rio Rímac aumenta en .
: Cuando disminuye en un miligramo/litro de oxígeno disuelto en el rio Rímac y
mantenemos constante la cantidad de sólidos suspendidos y la temperatura de las aguas
residuales, el pH del rio Rímac disminuye en .
: Cuando disminuye en un grado centígrado la temperatura de las aguas residuales y
mantenemos constante la cantidad de sólidos suspendidos y la cantidad de oxígeno
disuelto en el agua disminuye, el pH del rio Rímac disminuye en .

R2 AJUSTADO = 64.01%. El 64.01%. del porcentaje de variación total en la variable

Contaminación del rio Rímac es explicada por el modelo de regresión estimado.
S = 0.193814: La variabilidad/dispersión de los valores muestrales de Y alrededor de la
recta de regresión es 0.193814.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Paso 4: Verificación del cumplimiento de los supuestos y detección de puntos

influyentes del modelo.
1° Normalidad de los errores
Ho: Los errores siguen una distribución normal
H1: Los errores no siguen una distribución normal
Estadístico de AD= 0.701
Como P_valor = 0,060 > Alfa = 0,05
Decisión estadística: No Rechazar Ho

Conclusión estadística: Al 5% de nivel de significancia, la evidencia muestral estadística

es INSUFICIENTE para afirmar que Los errores no siguen una distribución normal, es
decir, el supuesto de Normalidad es válido.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

2° No autocorrelación de los errores

Ho: Los errores no están auto correlacionados (los errores son independientes)
H1: Los errores están auto correlacionados (los errores son dependientes)

Estadístico de Durbin-Watson = 2,12966

Como D-W = 2,12966 pertenece al intervalo [1,5; 2,5]
Entonces, se cumple el supuesto de No autocorrelación de los errores (Independencia de los
errores)
3° Homocedasticidad
Ho: Varianza constante de los errores (Homocedasticidad)
H1: Varianza no constante de los errores (Heterocedasticidad)

Estadístico de Durbin-Watson = 2,12966

Como D-W = 2,12966 pertenece al intervalo [1,5; 2,5]
Entonces, se cumple el supuesto de Varianza constante de los errores (Homocedasticidad)

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

4° No multicolinealidad entre las variables independientes

En la tabla mostrada,
se observa que los valores de la columna FIV / VIF los VALORES de las variables X1,
X2 y X3 son menores a 10, eso significa, que se cumple el supuesto de No
Multicolinealidad de las variables independientes.

Detección de observaciones o puntos influyentes (Distancia de Cook)

Se observa que TODOS los valores de la columna Distancia de Cook son menores a 1
(porque el máximo es 0,06387), por lo tanto, no existe ningún dato como observación
influyente.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Paso 5: Identificación de las variables que influyen y la variable más influyente

- Con un 5% de nivel de significancia, la evidencia muestral es suficiente para

afirmar que los sólidos suspendidos, el oxígeno disuelto y la temperatura de las
aguas residuales influyen en el pH del rio Rímac.
- Además, la variable independiente que más influye en el pH del rio Rímac es la
de sólidos suspendidos.
Paso 6: Pronóstico de la variable dependiente a través de un intervalo de confianza.
Si el rio Rímac presenta un pH promedio mayor a 7.5 cuando la cantidad de solidos
suspendidos en el agua sean de 440 ml/l, la cantidad de oxígeno disuelto sea de 0.63
mg/l y la temperatura de las aguas residuales sea de 23.5°C, se implementarán medidas
correctivas para ayudar a disminuir el pH del rio Rímac.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Con un nivel de confianza del 95%, el pH promedio del rio Rímac cuando la cantidad
de solidos suspendidos en el agua es de 440 ml/l, la cantidad de oxígeno disuelto es de
0.63 mg/l y la temperatura de las aguas residuales es de 23.5°C, se encuentra contenido
en el intervalo (7.388262, 8.20061).

5.Conclusiones:
A partir de los resultados obtenidos, podemos concluir lo siguiente:
 Las variables independientes que más influyen en el incremento de pH en el río
Rímac son: Sólidos Suspendidos, Temperatura y Oxígeno Disuelto; de esta
manera, confirmamos que nuestra hipótesis de investigación es correcta.
 Al aplicar el método Paso a Paso escalonado pudimos definir que la variable
más influyente en el incremento de pH del río Rímac es la de sólidos
suspendidos.
 Se implementarán medidas correctivas para ayudar a disminuir el nivel de pH
del río Rímac, debido a que el pH promedio se encuentra dentro del intervalo
[7.3883; 8.2006], lo cual supera el 7.5 del promedio de pH.

6.Recomendaciones:

 Evitar incluir datos muy antiguos para obtener análisis y resultados relevantes
más actualizados para la situación actual en: contexto económico, social y
ambiental.
 Utilizar la herramienta MINITAB de una manera correcta para así realizar
dichos cálculos requeridos en el tema de Análisis de Regresión Lineal Múltiple.
 En la recolección de datos de las tablas mostradas, considerar únicamente datos
estadísticos de fuentes confiables para evitar informaciones erróneas. Ningún
dato creado por uno mismo.
 Evitar seleccionar distritos de Lima que compartan áreas geográficas muy
similares; es decir, que sean cercanos los números estadísticos con los otros
distritos.

7.Limitaciones:
Durante nuestra investigación para el proyecto se presentaron algunas
limitaciones con respecto a la obtención de datos:
 Al tener un límite de máximo 5 años de antigüedad de las fuentes para los datos
se nos complicó la obtención de estos para el presente trabajo.

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

 Fallo durante el cálculo de las operaciones en MINITAB y en nuestra base de

datos (Excel).
 Diferencia en periodo de toma de datos, es decir, algunos datos fueron tomados
mensualmente mientras que otros fueron tomados anualmente.

8.Referencias bibliográficas:
Ayora Villalva, E. N. (2021). Evaluación de la contaminación físico-química y
microbiológica de aguas del Estero Salado, puente de Gómez Rendón, Guayaquil-
Ecuador año 2021 (Doctoral dissertation, Universidad de Guayaquil. Facultad de
Ciencias Químicas). BCIEQ-T- 0693 Ayora Villalva Elizabeth Noemi.pdf (ug.edu.ec)
Baptista, M., Fernández, C., & Hernández, R. (2014). Metodología de la investigación-
Sexta Edición. https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf

Cusiche Pérez, L. F., & Miranda Zambrano, G. A. (2019). Contaminación por aguas
residuales e indicadores de calidad en la reserva nacional ‘Lago Junín’, Perú. Revista
mexicana de ciencias agrícolas, 10(6), 1433-1447.
http://www.scielo.org.mx/scielo.php?pid=S2007-
09342019000601433&script=sci_arttext

Chávez, J. A. V. (2018). Calidad del agua y desarrollo sostenible. Revista Peruana de

Medicina Experimental y Salud Pública, 35, 304-308.
https://www.scielosp.org/pdf/rpmesp/2018.v35n2/304-308/es
Dane (2013). Sistema de información del medio ambiente
https://www.dane.gov.co/files/investigaciones/pib/ambientales/Sima/solidos_suspension
.pdf

Glosario de términos-INEI. (2018). Glosario de términos.

https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1635/glo
sario1.pdf
INEI. (2019). Perú anuario de estadísticas ambientales 2019.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1704/lib
ro.pdf
INEI. (2020). Perú anuario de estadísticas ambientales 2020.
https://www.inei.gob.pe/biblioteca-virtual/boletines/estadisticas-ambientales/1/
INEI. (2021). Perú anuario de estadísticas ambientales 2021.
https://www.inei.gob.pe/biblioteca-virtual/boletines/estadisticas-ambientales/1/

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Jiménez Carballo, Carlos (2017). Temperatura y expansión térmica.

https://repositoriotec.tec.ac.cr/bitstream/handle/2238/10177/Temperatura%20y
%20expansión%20térmica.pdf?sequence=1&isAllowed=y#:~:text=Una%20definición
%20operacional%20de%20la,en%20contacto%20por%20mucho%20tiempo.
Montes Cortés, C. (2018). Disposición final de residuos sólidos y contaminación
hídrica, una problemática ambiental no tan ajena. Tratado de derecho de aguas. Tomo I:
derecho de aguas colombiano para el siglo XXI.
https://bdigital.uexternado.edu.co/handle/001/2332

Municipalidad de Miraflores (2021) Un crimen recurrente : la falta de agua potable.

https://www.miraflores.gob.pe/un-crimen-recurrente-la-falta-de-agua-
potable/#:~:text=En%20Per%C3%BA%2C%20entre%207%20y,llueve%209%20mil
%C3%ADmetros%20al%20a%C3%B1o.
Osorio, M. A., Estuardo, W., Negrete, H., Antonio, X., & Javier, E. (2021). La calidad
de las aguas residuales domésticas. Polo Del Conocimiento: Revista Científico -
Profesional, 6(3), 228–245.
https://doi.org/https://dialnet.unirioja.es/descarga/articulo/7926905.pdf
Oviedo-Anchundia, R., Moina-Quimí, E., Naranjo-Morán, J., & Barcos-Arias, M.
(2017). Contaminación por metales pesados en el sur del Ecuador asociada a la
actividad minera. Bionatura,2,437-441.
https://www.revistabionatura.com/pluginAppObj/pluginAppObj_163_03/Bionatura.-
Vol-2-No-4--2017-ONLINE.pdf#page=25
Pabón, S. E., Benítez, R., Sarria, R. A., & Gallo, J. A. (2020). Contaminación del agua
por metales pesados, métodos de análisis y tecnologías de remoción. Una revisión.
Entre Ciencia e Ingeniería, 14(27), 9-18.
http://www.scielo.org.co/pdf/ecei/v14n27/1909-8367-ecei-14-27-9.pdf

Ramos-Ortega, Vidal, Vilardy & Saavedra (2008). Análisis de la contaminación

microbiológica (Coliformes totales y fecales) en la bahía de Santa Marta y Caribe
colombiano.http://www.scielo.org.co/pdf/abc/v13n3/v13n3a7.pdf
Vicente, J., Garcia, N., De, V., Disuelto, O., & Su, Y. (2013). UNIVERSIDAD
NACIONAL JOSÉ FAUSTINO SÁNCHEZ CARRIÓN HUACHO -2018 ESCUELA
DE POSGRADO TESIS.
http://repositorio.unjfsc.edu.pe/bitstream/handle/UNJFSC/3670/TESIS%20ROCA
%20BARRETO%20ELVIS%20JOEL.pdf?sequence=1&isAllowed=y
Vilchez Marin, M. (2019). Análisis de las causas de contaminación mineralógica en los
acuíferos de la costa del Perú: Morrope.
https://repositorio.unprg.edu.pe/handle/20.500.12893/4895

Water Boards (2022). Folleto informativo oxígeno disuelto.

https://www.waterboards.ca.gov/water_issues/programs/swamp/docs/cwt/guidance/3110
sp.pdf

WWAP Programa Mundial de Evaluación de los Recursos Hídricos de las Naciones

Unidas (2017). Informe Mundial de las Naciones Unidas sobre el Desarrollo de los

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Recursos Hídricos. Aguas residuales: El recurso desaprovechado. París, UNESCO.

https://www2.congreso.gob.pe/sicr/cendocbib/con4_uibd.nsf/9A13A8A4E16D102F052
58175006A9AD1/$FILE/1__15.247647s.pdf.

Apéndices

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Apéndice N°1

Apéndice N°2

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Apéndice N°3

Descargado por Jair Portocarrero ([email protected])

 lOMoARcPSD|14453842

Apéndice N°4

Descargado por Jair Portocarrero ([email protected])