Revista
de la
Universidad
del Zulia
Fundada en 1947
por el Dr. Jesús Enrique Lossada
DEPÓSITO LEGAL ZU2020000153
ISSN 0041-8811
E-ISSN 2665-0428
Ciencias del
Agro,
Ingeniería
y Tecnología
Año 15 N° 42
Enero - Abril 2024
Tercera Época
Maracaibo-Venezuela
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
428
Aplicación de la estadística multivariante para el desarrollo de un modelo
de calidad del agua del Estero El Macho, Machala-Ecuador
Rafael Gilberto Zhindon-Almeida*
Raúl Alfredo Sánchez-Ancajima**
Walter Javier Castañeda-Guzmán***
RESUMEN
El agua es un elemento indispensable para las personas, así como para el sostenimiento de la
vida en el planeta. De esta forma, debido a la contaminación que puede sufrir el agua de tipo
químico o biológico, es necesario tener conocimiento sobre su disponibilidad en función de
sus características de calidad. En consecuencia, los modelos estadísticos son el medio
pertinente para realizar una evaluación y estimaciones futuras sobre la calidad de las aguas
superficiales. Por tanto, el presente trabajo va encaminado a formular un modelo estadístico
que permita determinar el grado de contaminación de las aguas del estero El Macho,
ubicado en la ciudad de Machala, provincia de El Oro. La metodología aplicada fue de tipo
básico, ya que se realizó una búsqueda de fundamentos teóricos que permitan profundizan
en la modelación estadística para estudios de calidad del agua. El diseño de la investigación
es correlacional bajo un modelo estadístico multivariante de regresión lineal múltiple. El
modelo de regresión lineal múltiple unificado concluyó que la demanda bioquímica de
oxígeno determina en forma significativa la calidad del agua del estero, de acuerdo al
parámetro químico demanda química oxígeno y el parámetro físico sólidos disueltos totales.
El coeficiente de determinación indica que estas variables explican el 99,9% de la variación
de la variable dependiente.
PALABRAS CLAVE: Modelos estadísticos, calidad de agua, regresión lineal múltiple,
Ecuador.
* Docente. Universidad Nacional de Tumbes – Perú. ORCID: https://orcid.org/0000-0002-3901-1829. E-mail:
rzhindon.itso@gmail.com
**
Docente. Universidad Nacional de Tumbes – Perú. ORCID: https://orcid.org/0000-0003-3341-7382. E-
mail: rsanchez@untumbes.edu.pe
***
Docente. Universidad Nacional de Tumbes – Perú. ORCID: https://orcid.org/0000-0002-9483-0210. E-
mail: wcasta@untumbes.edu.pe
Recibido: 22/09/2023 Aceptado: 15/11/2023
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
429
Application of Multivariate Statistics for the Development of a Water
Quality Model of Estuary El Macho, Machala-Ecuador
ABSTRACT
Water is an essential element for people, as well as for sustaining life on the planet. In this
way, due to the contamination that water can suffer from a chemical or biological type, it is
necessary to have knowledge about its availability based on its quality characteristics.
Consequently, statistical models are the relevant means to carry out an evaluation and
future estimates about the quality of surface waters. Therefore, the present work is aimed
at formulating a statistical model that allows determining the degree of contamination of
the waters of the El Macho estuary, located in the city of Machala, province of El Oro. The
applied methodology was of a basic type, since a search of theoretical foundations was
carried out that allows to deepen in the statistical modeling for studies of water quality.
The research design is correlational under a multivariate statistical model of multiple linear
regression. The unified multiple linear regression model concluded that the biochemical
oxygen demand significantly determines the water quality of the estuary, according to the
chemical parameter, chemical oxygen demand and the physical parameter total dissolved
solids. The coefficient of determination indicates that these variables explain 99.9% of the
variation of the dependent variable.
KEYWORDS: Statistical models, Water quality, Multiple linear regression, Ecuador.
Introducción
El agua es el elemento vital de sustento de la vida en el planeta Tierra. Por la
importancia de este recurso es necesario tener conocimiento y control sobre sus
características de calidad. La forma tradicional de llevar a cabo un estudio de calidad de
agua es midiendo determinados parámetros tales como el oxígeno disuelto, niveles de pH y
temperatura, presencia de nitratos, coliformes fecales, sólidos disueltos, así como turbiedad,
entre otros (Torres etal., 2009).
No obstante, estos indicadores por sí mismos resultan insuficientes sin un análisis
estadístico que ayude a demostrar la variación espacial y temporal de la calidad del agua. En
este sentido, los modelos estadísticos son el medio pertinente para realizar una evaluación y
estimaciones futuras sobre la calidad de las aguas superficiales. Torres, Hernán y Patiño
(2009) señalan que el uso de la estadística en procesos de análisis de los índices de calidad
del agua que permiten revelar las variaciones espacio temporal de las propiedades del
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
430
recurso hídrico, ayudando además a interpretar una gran cantidad de datos, identificando
tendencias sobre la calidad.
En este sentido, el presente estudio se sitúa en la aplicación de la estadística
multivariantes para el desarrollo de un modelo predictivo de la calidad del agua del Estero
El Macho, de la ciudad de Machala en la provincia El Oro, mismo que recibe la descarga de
aguas residuales de aproximadamente el 48% de los habitantes de la ciudad (Sarie Palas,
2020), además sirve de drenaje a 800 ha cultivo de banano.
Bajo este contexto, se plantea la siguiente interrogante al problema: ¿El desarrollo de
un modelo estadístico permitirá determinar en forma significativa la calidad del agua del
estero El Macho de la ciudad de Machala, provincia de El Oro? En consecuencia, la
problemática se orienta a la utilización de la estadística multivariante para analizar
simultáneamente una serie de datos provenientes de varias variables, medidas para cada
objeto de estudio, es contribuir con una mejor comprensión de las múltiples correlaciones
de dicho fenómeno.
Respecto a investigaciones sobre estudios de calidad del agua, Samboni, Reyes y
Carvajal (2011) consideran importante la realización de estudios de indicadores de calidad
del agua, para los ámbitos domésticos, industriales o agrícolas. Bajo estos argumentos, un
adecuado procedimiento de medición consiste en integrar parámetros de tipo
fisicoquímicas y biológicas.
Respecto a la aplicación de técnicas de estadística multivariante Sotomayor (2016)
considera que la temática es de suma importancia como consecuencia del avance de las
ciudades e incremento de las actividades industriales y agrícolas que incrementa el uso de
recursos hídricos que a la vez deterioran su funcionalidad. En este sentido, señala que se
puede aplicar el análisis de componentes principales (PCA) de datos multivariados para
garantizar un nivel alto de rigurosidad científica en la evaluación de la calidad de agua
Por su parte Gómez y Peñuela (2017) señalan que dentro de los métodos estadísticos
apropiados para interpretar matrices sobre la calidad del agua se encuentran los siguientes
tipos de análisis: clúster, de componentes principales, factorial y discriminante. Mediante la
aplicación de estos métodos es posible desarrollar modelos estadísticos para estudios de
calidad de agua, tales como: a) correlación canónica; b) modelo jerárquico o de efectos
mixtos; c) modelo de ecuaciones estructurales: estudia de forma simultánea las relaciones
de las variables endógenas y exógenas. Al respecto, Gil Marín (2020) estos métodos y
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
431
modelos contribuyen a obtener e interpretar información valiosa para realizar diagnósticos
y predicciones importantes para la toma de decisiones respecto a los procesos de manejo de
calidad de agua.
En función de este conjunto de investigaciones se puede concluir que los principales
métodos estadísticos para evaluar la calidad del agua es el análisis de regresión lineal
múltiple, método de análisis de componentes principales, análisis clúster y análisis factorial.
Estos métodos permiten del desarrollo de modelos que contribuyen a establecer
estimaciones y predicciones sobre la calidad del agua, y por ende, una mejor gestión de los
recursos hídricos ya sea para el consumo, la industria o la agricultura (Quiñones Huatangari,
2021).
Bajo estos fundamentos teóricos el presente estudio tiene el objetivo de desarrollar
un modelo estadístico para determinar la calidad del agua del estero El Macho de la ciudad
de Machala, provincia de El Oro.
1. Metodología
1.1. Tipo y diseño de la investigación
Tomando como referencia la investigación de Sokolov y Black (1996), sobre la
modelación de la evolución temporal de parámetros de calidad del agua, y de Shen y otros
(2022), sobre proyectos de recuperación de agua de un estero, la presente investigación se
plantea de tipo aplicada. En este sentido, en el estudio se pone en práctica los aspectos
conceptuales relacionados con la modelación estadística para estudios de calidad del agua, a
fin de describir y predecir la evolución de los parámetros de calidad del agua del estero El
Macho de la ciudad de Machala, provincia de El Oro, en Ecuador.
Según una revisión crítica de bibliografía realizada por Syeed y otros (2023) para
orientar la investigación a la caracterización y definición de las propiedades del agua
mediante métodos estadísticos, en nivel de profundización de la investigación debe tener al
menos un alcance descriptivo. El diseño de la investigación es no experimental, llegando al
nivel correlacional de análisis con un modelo estadístico multivariante de regresión lineal
múltiple. Según Morantes-Quintana y otros (2019), el modelo de regresión lineal múltiple
con q variables responde a la ecuación:



REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
432
Donde:
Y = variable dependiente, valor observado
X = variable independiente, variable predictora
β = magnitud de las observaciones
ε = error por factores no controlados
1.2. Muestreo
El objeto de estudio son las aguas del estero El Macho de la ciudad de Machala,
provincia de El Oro. Teniendo en cuenta la metodología empleada por Morantes-Quintana y
otros (2019), en el que se utilizaron las muestras de material particulado recolectadas
durante un periodo de 72 horas reservadas para validar el modelo, se seleccionaron 4 puntos
de recolección de muestras que fueron sometidas a los estudios de laboratorio.
1.3. Hipótesis general
La demanda bioquímica de oxígeno determina en forma significativa la calidad del
agua del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme a los
parámetros físico, químicos y microbiológicos.
1.4. Hipótesis específicas
●
La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua
del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme a los
parámetros físicos.
● La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua
del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme a los
parámetros químicos.
●
La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua
del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme a los
parámetros microbiológicos.
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
433
1.5. Plan de procesamiento y análisis de datos
Teniendo en cuenta lo sugerido por Álvarez y otros (2012), Sotomayor (2016) y Bluhm
Gutiérrez (2008), el plan para el procesamiento y análisis datos consisten en:
●
Selección de 4 puntos de recolección de muestras.
● Obtención de los análisis de laboratorio de los parámetros fisicoquímicos y biológicos de
las muestras del agua.
● Organización y clasificación de los datos recabados.
● Determinación del grado de incidencia de los parámetros estadístico para la calidad del
agua del estero El Macho mediante el modelo estadístico multivariante de regresión
lineal múltiple. Siguiendo un método similar al empleado por Nel y otros (2022).
● Obtención de la ecuación y gráficas para la modelación, estudio y control de la calidad
del agua del estero mediante la aplicación de los softwares estadísticos: programa
estadístico SPSS. Siguiendo un método similar al empleado por Bravo Moreno (2022).
● Validar el modelo estadístico mediante los métodos de linealidad, normalidad,
homocedasticidad e independencia.
● Interpretar los resultados obtenidos, resaltando la importancia de la demanda
bioquímica de oxígeno como indicador clave de la calidad del agua en el estero El Macho.
● Discutir sobre las implicaciones y posibles acciones para mejorar la calidad del agua en
función de los hallazgos.
2. Resultados
La base de datos fue tomada del monitoreo realizado por la Empresa Pública Aguas
Machala en el año 2017, en cuatro puntos o sectores:
- A-1 Drenaje Macho El Cambio
- A-2 La Primavera 1
- A-3 La Primavera 2
- A-4 Estero Salinas (ver anexo 5)
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
434
Tabla 1. Resultados de monitoreo de agua
Parámetros
Sector
A-2
A-3
A-4
Parámetro
biológico
Demanda Bioquímica Oxígeno
4,75
10,71
37,07
Parámetros
físicos
Sólidos Disueltos Totales
638,00
1046,00
22784,00
Temperatura
24,80
25,00
21,10
Turbidez
20,70
17,80
15,30
Aceites Grasas IR
0,2
0,2
0,2
Parámetros
químicos
Potencial Hidrógeno
7,44
7,17
7,38
Demanda Química Oxígeno
10,00
22,00
75,30
Oxígeno Disuelto
64,83
14,93
33,26
Fosfatos
1,23
1,74
1,56
Nitritos
0,032
0,01
0,012
Nitratos
1
1
1
Sulfatos
102,50
103,50
1582,00
Arsénico
0,005
0,006
0,003
Cadmio
0,0004
0,0008
0,0004
Cobre
0,0024
0,002
0,001
Hierro
0,8
0,9
0,56
Parámetros
microbiológicos
Coliformes Fecales
13,00
68,00
24,00
Coliformes Totales
27,00
330,00
40,00
Fuente: Informe de Rendición de Cuentas 2017 (Aguas Machala EP, 2022).
-Regresión lineal múltiple
Según Mendoza y otros (2023), un modelo de regresión lineal múltiple es una
herramienta estadística flexible que permite analizar las relaciones entre una variable
objetivo continua y varios predictores preestablecidos. Siguiendo la lógica del análisis, en
seguida, se presentan las comprobaciones.
● Comprobación de la hipótesis 1:
el primer modelo de correlación es entre la variable
dependiente
(Demanda bioquímica de oxígeno)
y las cuatro variables independientes
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
435
(Demanda Bioquímica Oxígeno, Sólidos Disueltos Totales, Temperatura, Turbidez,
Aceites y Grasas IR)
se empleó el método de “Stepwise” o “Por pasos”, con la finalidad
de que el programa SPSS evalúe y determine un modelo o modelos que presenten
mayores correlaciones.
Tabla 2
. Correlaciones
Demanda
Bioquímica
Oxígeno
Sólidos
Disueltos
Totales
Temperatura
Turbidez
Aceites y
Grasas IR
Correlación
de Pearson
Demanda Bioquímica
Oxígeno
1,000
,972
-,952
-,302
.
Sólidos Disueltos Totales
,972
1,000
-,997
-,096
.
Temperatura
-,952
-,997
1,000
,039
.
Turbidez
-,302
-,096
,039
1,000
.
Aceites y Grasas IR
.
.
.
.
1,000
La variable Sólidos Disueltos Totales tiene una correlación de Pearson de ,972.
Por tanto, se comprobó que la variable dependiente tiene una correlación
significativa con: Sólidos disueltos totales. En consecuencia, se descartaron o eliminaron
las variables de temperatura y turbidez, además, se excluyó la variable Aceites y Grasas
IR por mantener valores constantes.
Ecuación de regresión 1
Tabla 3. Coeficientes
a
Modelo
Coeficientes no
estandarizados
B
Error
estándar
1
(Constante)
8,394
2,481
Sólidos Disueltos
,001
,000
Totales
a. Variable dependiente: Demanda Bioquímica
Oxígeno
y = B0 + B1*x1 + B2*x2 + Bn*xn
y = 8,394 + 0,001x (1)
Validación
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
436
Tabla 4.
R Cuadrado e Independencia
Modelo
b
R
R
cuadrado
R
cuadrado
ajustado
Durbin-
Watson
c
1
,972
a
,944
,916
2,837
a. Predictores: (Constante), Sólidos Disueltos Totales
b. Variable dependiente: Demanda Bioquímica
Oxígeno
c. Criterio: Si el valor está entre 1 y 3 aceptamos el
supuesto de independencia de errores.
a) Coeficiente de determinación – R
cuadrado: la variable independiente
Sólidos disueltos totales, se explica el
94,4% de la varianza de la variable
dependiente (R cuadrado: ,944)
b) Prueba de Durbin-Watson –
Independencia: El puntaje indica que
hay independencia de errores (2,837)
Tabla 5
. Colinealidad
Modelo
a
Estadísticas de
colinealidad
b
Tolerancia
VIF
1
Sólidos Disueltos
Totales
1,000
1,000
a. Variable dependiente: Demanda Bioquímica
Oxígeno
b. Criterio: Ningún valor por encima de 10 y en
conjunto todos los valores cercanos a 1.
c) Colinealidad:
El factor de varianza
inflada (FIV) indica que se cumple el
supuesto de no colinealidad (FIV =
1,000).
Tabla 6. Prueba de normalidad
Shapiro-Wilk
Estadístico
gl
Sig.
Standardized
Residual
,968
4
,828
d) Prueba de normalidad: La prueba de
normalidad SW indica que se cumple
el supuesto de normalidad (Estadístico
= ,968; gl = 4; Sig. ,828)
La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua
del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme al
parámetro físico sólidos disueltos totales
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
437
● Comprobación de la hipótesis 2: el segundo modelo de correlación entre la variable
dependiente Demanda bioquímica de oxígeno y las once variables independientes, se
empleó el método de “Stepwise” o “Por pasos”, con la finalidad de que el programa SPSS
evalúe y determine un modelo o modelos que presenten mayores correlaciones.
Al efectuar el análisis de correlación de Pearson, se comprobó una correlación
significativa con la variable demanda química oxígeno de 0,999.
Por tanto, se descartaron o eliminaron las variables de potencial hidrógeno, oxígeno
disuelto, fosfatos, nitritos, sulfatos, arsénico, cadmio, cobre y hierro, al no presentar
correlaciones significativas con la variable dependiente. Asimismo, se excluyó la variable
nitratos, por presentar valores constantes.
● Comprobación de la hipótesis 3: Se aplicó el método de regresión múltiple por pasos, el
cual no generó modelo de regresión, debido a que no hay correlaciones significativas
entre las variables Demanda Bioquímica Oxígeno con las variables Coliformes Fecales y
Coliformes Totales.
-Modelo unificado
El propósito de este proceso es verificar si existe un modelo que se puede configurar
con las variables predictoras que presentaron mayor correlación respecto a la variable
dependiente demanda bioquímica de oxígeno (Montero Granados, 2016). En este sentido se
utilizó en el programa SPSS el método de regresión múltiple aplicado fue el jerárquico,
dando los siguientes resultados:
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
438
Tabla 7.
Correlaciones
Demanda
Bioquímica
Oxígeno
Potencial
Hidrógeno
Demanda
Química
Oxígeno
Oxígeno
Disuelto
Fosfatos
Nitritos
Nitratos
Sulfatos
Arsénico
Cadmio
Cobre
Hierro
Demanda
Bioquímica
Oxígeno
1,000
-,074
,999
-,294
-,103
-
,479
.
,971
-
,629
-
,274
-
,994
-
,626
Potencial
Hidrógeno
-,074
1,000
-,027
,957
,878
-
,076
.
-,165
,594
-
,669
,142
-
,729
Demanda
Química
Oxígeno
,999
-,027
1,000
-,252
-
,052
-
,500
.
,961
-
,592
-
,293
-,991
-,661
Oxígeno
Disuelto
-,294
,957
-,252
1,000
,760
,196
.
-
,332
,598
-
,692
,373
-
,556
Fosfatos
-,103
,878
-,052
,760
1,000
-
,465
.
-
,286
,807
-
,256
,122
-
,585
Nitritos
-,479
-,076
-,500
,196
-
,465
1,000
.
-
,264
-
,239
-
,374
,542
,336
Nitratos
.
.
.
.
.
.
1,000
.
.
.
.
.
Sulfatos
,971
-,165
,961
-,332
-,286
-
,264
.
1,00
0
-,783
-
,347
-
,953
-
,549
Arsénico
-,629
,594
-,592
,598
,807
-
,239
.
-
,783
1,00
0
,160
,617
,000
Cadmio
-,274
-,669
-,293
-,692
-,256
-
,374
.
-
,347
,160
1,000
,167
,748
Cobre
-,994
,142
-,991
,373
,122
,542
.
-
,953
,617
,167
1,000
,564
Hierro
-,626
-,729
-,661
-,556
-,585
,336
.
-
,549
,000
,748
,564
1,000
Ecuación de regresión 2
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
439
Tabla 8.
Coeficientes
a
Modelo
Coeficientes no
estandarizados
B
Error
estándar
1
(Constante)
-,631
,767
Sólidos Disueltos Totales
,497
,018
a. Variable dependiente: Demanda Bioquímica Oxígeno
y = B0 + B1*x1 + B2*x2 + Bn*xn
y = -0,631 + 0,497x (2)
Validación
Tabla 9
. R cuadrado e Independencia
Modelo
b
R
R
cuadrado
R
cuadrado
ajustado
Durbin-
Watson
c
1
,999
a
,997
,996
,89216
a. Predictores: (Constante), Sólidos Disueltos Totales
b. Variable dependiente: Demanda Bioquímica
Oxígeno
c. Criterio: Si el valor está entre 1 y 3 aceptamos el
supuesto de independencia de errores.
a) Coeficiente de determinación – R
cuadrado: la variable independiente
demanda química de oxígeno, esta
explica el 99,7% de la varianza de la
variable dependiente (R cuadrado: ,997)
b) Prueba de Durbin-Watson –
Independencia: El puntaje indica que
hay independencia de errores (1,423)
Tabla 10. Colinealidad
Modelo
Estadísticas de
colinealidad
b
Tolerancia
VIF
1
Sólidos Disueltos
Totales
1,000
1,000
a. Variable dependiente: Demanda Bioquímica
Oxígeno
b. Criterio: Ningún valor por encima de 10 y en
conjunto todos los valores cercanos a 1.
c) Colinealidad:
El factor de varianza
inflada (FIV) indica que se cumple el
supuesto de no colinealidad (FIV =
1,000).
Tabla 11. Prueba de normalidad
Shapiro-Wilk
Estadístico
gl
Sig.
Standardized
Residual
,696
4
,010
d) Prueba de normalidad: La prueba de
normalidad SW indica que no se
cumple el supuesto de normalidad
(Estadístico = ,696; gl = 4; Sig. = ,010)
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
440
La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua
del estero El Macho de la ciudad de Machala, provincia de El Oro, conforme al
parámetro químico de Demanda Química Oxígeno.
Tabla 12.
Variables entradas/eliminadas
Modelo
Variables entradas
Método
1
Demanda Química Oxígeno
Por pasos (Criterios: Probabilidad-de-F-
para-entrar <= ,050, Probabilidad-de-F-
para-eliminar >= ,100).
2
Sólidos Disueltos Totales
b
Entrar
a. Variable dependiente: Demanda Bioquímica Oxígeno
b. Todas las variables solicitadas introducidas.
Por tanto, se aplica el modelo 2 conformada por todas las variables.
Correlaciones
Tabla 13. Correlaciones
Demanda
Bioquímica
Oxígeno
Demanda
Química
Oxígeno
Sólidos
Disueltos
Totales
Correlación de
Pearson
Demanda Bioquímica Oxígeno
1,000
,999
,972
Demanda Química Oxígeno
,999
1,000
,961
Sólidos Disueltos Totales
,972
,961
1,000
Ecuación de regresión (unificada)
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
441
Tabla 14.
Coeficientes
a
Modelo
a
Coeficientes no
estandarizados
B
Error
estándar
2
(Constante)
,635
1,024
Demanda
Química
,423
,051
Oxígeno
Sólidos
Disueltos
Totales
,000
,000
y = B0 + B1*x1 + B2*x2 + Bn*xn
y = 0,635 + 0,423x (3)
a. Variable dependiente: Demanda Bioquímica Oxígeno
Validación
Tabla 15.
R Cuadrado e Independencia
Modelo
b
R
R
cuadrado
R
cuadrado
ajustado
Durbin-
Watson
c
2
1,000
a
,999
,998
,69326
a Predictores: (Constante), Demanda Química
Oxígeno, Sólidos Disueltos Totales
b. Variable dependiente: Demanda Bioquímica
Oxígeno
c. Criterio: Si el valor está entre 1 y 3 aceptamos el
supuesto de independencia de errores.
a) Coeficiente de determinación – R
cuadrado: la variable independiente
demanda química de oxígeno y sólidos
disueltos totales, estas explican el
99,9% de la varianza de la variable
dependiente (R cuadrado: ,999)
b) Prueba de Durbin-Watson –
Independencia: El puntaje indica que
hay independencia de errores (2,029)
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
442
Tabla 16
. Colinealidad
Modelo
Estadísticas de
colinealidad
b
Tolerancia
VIF
2
Demanda Química
Oxígeno
,076
13,129
Sólidos Disueltos
Totales
,076
13,129
a. Variable dependiente: Demanda Bioquímica
Oxígeno
b. Criterio: Ningún valor por encima de 10 y en
conjunto todos los valores cercanos a 1.
c) Colinealidad: El factor de varianza
inflada (FIV) indica que no se cumple
el supuesto de no colinealidad (FIV =
13,129)
Tabla 17. Prueba de normalidad
Shapiro-Wilk
Estadístico
gl
Sig.
Standardized
Residual
,877
4
,328
d) Prueba de normalidad:
La prueba de
normalidad SW indica que se cumple
el supuesto de normalidad (Estadístico
= ,877; gl = 4; Sig. ,328)
La demanda bioquímica de oxígeno determina en forma significativa la calidad del agua del
estero El Macho de la ciudad de Machala, provincia de El Oro, conforme al parámetro
químico demanda química oxígeno y el parámetro físico sólidos disueltos totales.
3. Discusión
Los resultados de las pruebas de hipótesis permitieron elaborar los respectivos modelos
predictivos que demuestran lo siguiente:
- El modelo propuesto con el parámetro de demanda bioquímica de oxígeno y los 4
parámetros físicos (ver tabla 1) dio como resultado que existe una relación significativa
con el parámetro físico de solidos disueltos. Esto se puede contrastar con los resultados
del estudio de Flores Suárez y Pozo Merejildo (2023), en el que, además, se llega a
demostrar que, para la demanda bioquímica y química de oxígeno, la carga
contaminante de salida difiere de la carga contaminante de entrada.
- El modelo propuesto que vincula la demanda bioquímica de oxígeno con los 11
parámetros químicos (ver tabla 1) reveló que existe una relación significativa sólo con la
Demanda Química Oxígeno. Esta demostración corrobora los hallazgos de García Juárez
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
443
y otros (2022), quienes determinan, además, que es viable el tratamiento de aguas en
condiciones similares para su reutilización.
- El modelo propuesto que vincula la demanda bioquímica de oxígeno con los parámetros
microbiológicos no generó relaciones para un análisis predictivo. Una situación similar
concluyen Yamashita y otros (2022) para lo cual sugieren la implementación de un
biosensor de la demanda bioquímica de oxígeno para el tratamiento de aguas residuales.
Por su parte, Lopez Balladares y Tooth Flores (2022) proponen, para esta situación, la
remoción de la demanda química de oxígeno empleando filtros de carbón activado para
las aguas residuales.
De acuerdo a García et al (2021), la disparidad en los resultados arrojados por la
eliminación de parámetros en los distintos modelos propuestos, estriba en los aspectos de la
propia naturaleza o condiciones ambientales y a la necesidad de asignar grados de
importancia en los parámetros para que los datos converjan en un modelo con mejores
correlaciones y menores desviaciones.
A pesar de ello, Gil Marin (2020) señala que la regresión lineal múltiple es importante
para efectuar análisis más aproximados a la realidad de los hechos o procesos naturales, en
consecuencia, proporcionó una precisión adecuada para el pronóstico de la calidad de agua.
El análisis multivariante, como parte de los métodos cuantitativos de investigación es
considerado como uno de los de mayor efectividad al momento de verificar un fenómeno,
proceso o recurso (Closas etal., 2013).
Bajo estos argumentos, en la presente investigación se desarrolló además un modelo
unificado de todos los parámetros de calidad de agua, aplicando el método de regresión
múltiple jerárquico, llegando a resultados similares, a nivel interpretativo, a los logrados por
Shenbagalakshmi y otros (2023), quienes aplican un análisis jerárquico profundo de
conglomerados (cluster). En el presente estudio se llega a comprobar que la demanda
bioquímica de oxígeno determina, en forma significativa, la calidad del agua del estero El
Macho de la ciudad de Machala, provincia de El Oro, conforme al parámetro químico
demanda química oxígeno y el parámetro físico sólidos disueltos totales. Entonces,
mediante la aplicación de la estadística multivariante se puede entender cómo los datos de
una variedad de variables se relacionan entre sí y poder efectuar análisis como el de la
calidad del agua (Giraud Herrera & Morantes Quintana, 2017).
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
444
Conclusión
Una vez finalizada la investigación se pudo comprobar :
- La verificación de la hipótesis 1, permitió establecer una correlación fuerte de ,972 entre
la variable dependiente Demanda Bioquímica Oxígeno y una sola variable independiente
Sólidos Disueltos Totales. El coeficiente de determinación señala que el modelo explica
el 94,4% de la varianza de la variable dependiente.
- La verificación de la hipótesis 2, determinó una correlación fuerte de ,999 entre la
variable dependiente Demanda Bioquímica Oxígeno y una sola variable independiente
Demanda Química Oxígeno. El coeficiente de determinación indica que el modelo
explica el 99,7% de la varianza de la variable dependiente.
- En relación con la hipótesis 3, se determinó que no hay correlaciones significativas entre
las variables Demanda Bioquímica Oxígeno con las variables Coliformes Fecales y
Coliformes Totales.
- Se implementó un modelo unificado con las variables que presentaron mayor
correlación respecto a la variable dependiente: demanda bioquímica de oxígeno. Por lo
tanto, se concluye, en que la demanda bioquímica de oxígeno determina en forma
significativa la calidad del agua del estero, conforme establece el parámetro químico
demanda química oxígeno y el parámetro físico sólidos disueltos totales. El coeficiente
de determinación indica que estas variables explican el 99,9% de las
alteraciones/variaciones de la variable dependiente.
- La validación mediante pruebas de independencia y normalidad respalda la
confiabilidad del modelo estimado para evaluar la calidad del agua, asegurando
resultados confiables y estimaciones precisas en futuras aplicaciones.
Referencias
Aguas Machala EP. (2022). Transparencia. Ley Orgánica de Transparencia y Acceso a la
Información Pública. https://www.aguasmachala.gob.ec/transparencia
Álvarez, R., Vergara, E., Corral, M., & Navarro, Á. (2012). Análisis multivariante de la línea de
aguas consuntivas en la ETAP “Rio Iregua” de Logroño. XVI Congreso Internacional de Ingeniería de
Proyectos
, 846-857.
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
445
Bluhm Gutiérrez, J. (2008). Modelación unidimensional de la calidad del agua en embalses. Análisis
comparativo de modelos y multivariantes
[Http://purl.org/dc/dcmitype/Text, Universitat Politècnica
de València]. https://dialnet.unirioja.es/servlet/tesis?codigo=18239
Bravo Moreno, J. I. (2022).
Modelación Matemática del tratamiento Anaerobio de Aguas Residuales
Urbanas para la Hacienda Teresita, sector Agrícola de Milagro. En:
https://repositorio.unemi.edu.ec/handle/123456789/6050
Closas, A., Arriola, E. A., Zening, C. I. K., Amarilla, M. R., & Jovanovich, E. C. (2013). Análisis
multivariante, conceptos y aplicaciones en Psicología Educativa y Psicometría. Enfoques: Revista
de la Universidad Adventista del Plata, 25(1), 65-92.
Flores Suárez, Á. G., & Pozo Merejildo, E. J. (2023).
Evaluación estadística de los parámetros de
análisis físico, químico y biológico de los afluentes y efluentes del sistema de tratamiento de aguas residuales
regulado por la Empresa Pública Mancomunada Aguapen-EP, ubicado en la cabecera cantonal del cantón Santa
Elena, provincia de Santa Elena
.
García Juárez, H. D., Mendoza Zuta, J. C., Armas Juárez, R. A., & Cruz Salinas, L. E. (2022).
Tratamiento de aguas residuales provenientes del proceso de curtido de pieles. Alfa Revista de
Investigación en Ciencias Agronómicas y Veterinaria, 6(18), 423-435.
Gil-Marín, J. A., & González, A. (2020). Modelo de calidad del agua de un río mediante el uso
combinado de análisis de componentes principales (ACP) y regresiones lineales múltiples
(RLM). Caso de estudio: Cuenca del río Guarapiche, Maturín, Monagas, Venezuela.
Anales
Científico 81
(1), 152-172.
Giraud Herrera, L. M., & Morantes Quintana, G. R. (2017). Aplicación del análisis
multivariante para la sostenibilidad ambiental urbana. Bitácora Urbano Territorial, 27(1), 89-100.
Gómez Miranda, I. N., & Peñuela Mesa, G. A. (2017). Revisión de los métodos estadísticos
multivariados usados en el análisis de calidad de aguas. Revista Mutis; Vol. 6, Núm. 1 (2016); 54-63.
https://doi.org/10/647
Lopez Balladares, J. C. J., & Tooth Flores, F. M. (2022).
Remoción de demanda química de oxígeno de
aguas residuales empleando carbón activado en la laguna de oxidación, Nuevo Chimbote-2022. En:
https://repositorio.ucv.edu.pe/handle/20.500.12692/97332
Mendoza, K. S., Acosta, D. S., Torres, L. F., & Parra, J. M. (2023, mayo 2). Modelo de regresión
lineal multiple sobre el PIB.
RPubs
. https://rpubs.com/Karen_Mendoza/1038030
Montero Granados, R. (2016). Modelos de regresión lineal múltiple. Documentos de Trabajo en
Economía Aplicada. En: https://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
Morantes-Quintana, G. R., Rincón-Polo, G., & Pérez-Santodomingo, N. A. (2019). Modelo de
regresión lineal múltiple para estimar concentración de PM1. Revista Internacional de
Contaminación Ambiental, 35(1), 179-194.
Nel, T., Clarke, C. E., & Hardie, A. G. (2022). Evaluation of simple and multivariate linear
regression models for exchangeable base cation conversion between seven measurement
REVISTA DE LA UNIVERSIDAD DEL ZULIA. 3ª época. Año 15, N° 42, 2024
R. G. Zhindon-Almeida et al // Aplicación de la estadística multivariante para el desarrollo…428-446
DOI: https://doi.org/10.46925//rdluz.42.24
446
techniques on South African soils. Geoderma Regional, 30, e00571.
https://doi.org/10.1016/j.geodrs.2022.e00571
Osorio-Ortega, M., García-González, J., Saquicela-Rojas, R., & Cadme, M. (2021).
Determinación del índice de calidad del agua en ríos de Santo Domingo de los Tsáchilas,
Ecuador.
Ingeniería del Agua
,
25
(2), 115-126.
Quiñones Huatangari, L. (2021). Estimación de la calidad del agua, mediante el desarrollo de un modelo
matemático dinámico, Río Utcubamba–Perú
. En:
https://renati.sunedu.gob.pe/handle/sunedu/3204966
Samboni, N., Trujillo, A. R., & Carvajal, Y. (2011). Aplicación de los indicadores de calidad y
contaminación del agua en la determinación de la oferta hídrica neta. Ingeniería y Competitividad,
13
(2), 49-60.
Sarie Palas, A. D. (2020). Análisis de la vulnerabilidad de las familias en el sector denominado
Manglar del Afro de las Riberas del Canal El Macho de la Ciudad de Machala. Repositorio Digital
FLACSO Ecuador, 50. http://hdl.handle.net/10469/16543
Shen, Y., Zhang, H., & Tang, J. (2022). Hydrodynamics and water quality impacts of large-scale
reclamation projects in the Pearl River Estuary. Ocean Engineering, 257, 111432.
https://doi.org/10.1016/j.oceaneng.2022.111432
Shenbagalakshmi, G., Shenbagarajan, A., Thavasi, S., Gomathy Nayagam, M., & Venkatesh, R.
(2023). Determination of water quality indicator using deep hierarchical cluster analysis. Urban
Climate, 49, 101468. https://doi.org/10.1016/j.uclim.2023.101468
Sokolov, S., & Black, K. P. (1996). Modelling the time evolution of water-quality parameters in
a river: Yarra River, Australia. Journal of Hydrology, 178(1), 311-335. https://doi.org/10.1016/0022-
1694(95)02797-1
Sotomayor, G. (2016).
Evaluación de la calidad de las aguas superficiales mediante técnicas de estadística
multivariante: Un estudio de caso en la cuenca del Río Paute, al sur de Ecuador
. En:
https://sedici.unlp.edu.ar/handle/10915/53959
Syeed, M. M. M., Hossain, M. S., Karim, M. R., Uddin, M. F., Hasan, M., & Khan, R. H. (2023).
Surface water quality profiling using the water quality index, pollution index and statistical
methods: A critical review. Environmental and Sustainability Indicators, 18, 100247.
https://doi.org/10.1016/j.indic.2023.100247
Torres, P., Cruz, C. H., & Patiño, P. J. (2009). Índices de calidad de agua en fuentes
superficiales utilizadas en la producción de agua para consumo humano: Una revisión crítica.
Revista Ingenierías Universidad de Medellín
,
8
(15), 79-94.
Yamashita, T., Hasegawa, T., Hayashida, Y., Ninomiya, K., Shibata, S., Ito, K., Mizuguchi, H., &
Yokoyama, H. (2022). Energy savings with a biochemical oxygen demand (BOD)- and pH-
based intermittent aeration control system using a BOD biosensor for swine wastewater
treatment. Biochemical Engineering Journal, 177, 108266. https://doi.org/10.1016/j.bej.2021.108266