Universidad de San Carlos de Guatemala

Facultad de Ingeniería
Escuela de Ingeniería Química

ELABORACIÓN DE UN SIMULADOR PARA EL CÁLCULO DE LA DISPERSIÓN DE

CONTAMINANTES EN RÍOS EN FUNCIÓN DE LA DEMANDA BIOQUÍMICA DE OXÍGENO Y
EL OXÍGENO DISUELTO

Luis Miguel Martínez Morales

Asesorado por el Ing. Jorge Mario Estrada Asturias

Guatemala, agosto de 2020

 UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

FACULTAD DE INGENIERÍA

ELABORACIÓN DE UN SIMULADOR PARA EL CÁLCULO DE LA DISPERSIÓN DE

CONTAMINANTES EN RÍOS EN FUNCIÓN DE LA DEMANDA BIOQUÍMICA DE OXÍGENO Y
EL OXÍGENO DISUELTO

TRABAJO DE GRADUACIÓN

PRESENTADO A LA JUNTA DIRECTIVA DE LA

FACULTAD DE INGENIERÍA
POR

LUIS MIGUEL MARTÍNEZ MORALES

ASESORADO POR EL ING. JORGE MARIO ESTRADA ASTURIAS

AL CONFERÍRSELE EL TÍTULO DE

INGENIERO QUÍMICO

GUATEMALA, AGOSTO DE 2020

 UNIVERSIDAD DE SAN CARLOS DE GUATEMALA
FACULTAD DE INGENIERÍA

NÓMINA DE JUNTA DIRECTIVA

DECANA Inga. Aurelia Anabela Cordova Estrada

VOCAL I Ing. José Francisco Gómez Rivera
VOCAL II Ing. Mario Renato Escobedo Martínez
VOCAL III Ing. José Milton de León Bran
VOCAL IV Br. Christian Moisés de la Cruz Leal
VOCAL V Br. Kevin Armando Cruz Lorente
SECRETARIO Ing. Hugo Humberto Rivera Pérez

TRIBUNAL QUE PRACTICÓ EL EXAMEN GENERAL PRIVADO

DECANA Inga. Aurelia Anabela Cordova Estrada

EXAMINADOR Ing. Williams Guillermo Álvarez Mejía
EXAMINADORA Inga. Adela María Marroquín Gonzales
EXAMINADOR Ing. Mario José Mérida Meré
SECRETARIO Ing. Hugo Humberto Rivera Pérez
 HONORABLE TRIBUNAL EXAMINADOR

En cumplimiento con los preceptos que establece la ley de la Universidad de

San Carlos de Guatemala, presento a su consideración mi trabajo de
graduación titulado:

ELABORACIÓN DE UN SIMULADOR PARA EL CÁLCULO DE LA DISPERSIÓN DE

CONTAMINANTES EN RÍOS EN FUNCIÓN DE LA DEMANDA BIOQUÍMICA DE OXÍGENO Y
EL OXÍGENO DISUELTO

Tema que me fue asignado por la Dirección de la Escuela de Ingeniería

Química, con fecha 7 de mayo de 2015.

Luis Miguel Martínez Morales

 䐀吀䜀⸀
 ㄀㜀㄀⸀
㈀　㈀　

䰀愀 䐀攀挀愀渀愀 搀攀 氀
愀 䘀愀挀甀氀
琀愀搀 搀攀 
䤀渀最攀渀椀攀爀
愀 搀攀 氀愀 
唀渀椀瘀攀爀猀椀
搀愀搀 搀攀 匀愀渀 䌀愀爀氀
漀猀 搀攀 
䜀甀愀琀攀洀愀氀愀Ⰰ 氀
甀攀最漀 搀攀 挀漀渀漀挀攀爀 氀愀 愀瀀爀漀戀愀挀椀渀 瀀漀爀 瀀愀爀
琀攀 搀攀氀 䐀椀
爀攀挀琀漀爀
 搀攀 氀愀 
䔀猀挀甀攀氀愀  搀攀  䤀渀最攀渀椀
攀爀愀  䌀椀
瘀椀氀
Ⰰ  愀氀  吀爀愀戀愀樀漀  搀攀  䜀爀愀搀甀愀挀椀渀  琀椀
琀甀氀
愀搀漀㨀 
䔀䰀䄀䈀伀刀䄀䌀䤀팀一 䐀䔀 唀一 匀䤀
䴀唀䰀䄀䐀伀刀 倀䄀刀䄀 䔀䰀 䌀섀䰀䌀唀䰀伀 䐀䔀 䰀䄀 
䐀䤀匀倀䔀刀匀䤀
팀一 䐀䔀 䌀伀一吀䄀䴀䤀
一䄀一吀䔀匀 䔀一 刀촀
伀匀 䔀一 䘀唀一䌀䤀팀一 䐀䔀 䰀䄀 
䐀䔀䴀䄀一䐀䄀 䈀䤀伀儀唀촀䴀䤀
䌀䄀 䐀䔀 伀堀촀
䜀䔀一伀 夀 䔀䰀 伀堀촀䜀䔀一伀 䐀䤀匀唀䔀䰀吀伀Ⰰ
 
瀀爀攀猀攀渀琀愀搀漀 瀀漀爀 
攀氀 
攀猀琀甀搀椀愀渀琀
攀 甀渀椀
瘀攀爀猀椀
琀愀爀椀
漀㨀䰀甀椀
  猀 
䴀椀最甀攀氀
 䴀愀爀琀
渀攀稀 䴀漀爀愀氀
攀猀Ⰰ 
礀 
搀攀猀瀀甀猀 搀攀 栀愀戀攀爀 
挀甀氀洀椀渀愀搀漀 氀
愀猀 爀
攀瘀椀
猀椀漀渀攀猀 
瀀爀攀瘀椀
愀猀 
戀愀樀
漀 氀
愀 爀
攀猀瀀漀渀猀愀戀椀
氀
椀搀愀搀 
搀攀 
氀
愀猀 椀渀猀琀
愀渀挀椀愀猀 挀漀爀爀
攀猀瀀漀渀搀椀攀渀琀攀猀Ⰰ
 愀甀琀
漀爀椀
稀愀 氀
愀 椀
洀瀀爀攀猀椀
渀 
搀攀氀 
洀椀猀洀漀⸀ 

䜀甀愀琀
攀洀愀氀
愀Ⰰ 
愀最漀猀琀
漀 搀攀 
㈀　㈀　

䄀䄀䌀䔀⼀
猀攀氀
攀渀攀
 ACTO QUE DEDICO A:

Dios Creador de vida y dador de la sabiduría, quien

me ha dado la fe, fortaleza y esperanza para
lograr esta meta y por cumplir su propósito en
mi vida al permitirme llegar a este momento.

Mi madre María Luisa Morales Gatica, por concederme el

privilegio más grande que es la vida, por tu
ejemplo, tu apoyo, por siempre creer en mí y
darme la oportunidad de convertirme en un
profesional, sobre todo por tu amor
incondicional.

Mi padre Rubén Darío Martínez Avilés, por todo el

esfuerzo y trabajo hecho para el bienestar de
nuestra familia, por todos tus consejos, por
guiarme en el camino del bien y por ser la
mejor persona que como padre, Dios me pudo
dar.

Mis hermanos Rubén Darío y Claudia Ivonne Martínez

Morales, por siempre inspirarme y ser mi
motivación para seguir adelante, por
enseñarme a compartir el amor de familia, a
ambos siempre los llevo en el corazón.
Mi familia Por su apoyo en los buenos y malos
momentos, por su ejemplo de lucha, por su
motivación y cariño.

Señor presidente de Dr. Alejandro Giammatei, por sus sabios

la República de consejos e incondicional apoyo, ejemplo de
Guatemala perseverancia y esmero, por su lucha diaria
y su trabajo incansable en la construcción de
un país desarrollado.
 AGRADECIMIENTOS A:

USAC Por brindarme la educación, valores con sentido

social y la oportunidad de conocer a grandes
compañeros y profesionales dentro de esta
institución. Orgulloso de ser sancarlista.

Facultad de Ingeniería Por brindarme una formación personal, académica y

profesional de calidad con herramientas necesarias
para desempeñarme como profesional.

Mis docentes Por sus enseñanzas y por su invaluable apoyo a lo

largo de mi formación como profesional, muy
especialmente al Ing. Jorge Mario Estrada, Dr. Adolfo
Gramajo, Inga. Adela Marroquín, Ing. William
Álvarez, Ing. Anabela Cordova e Ing. Víctor Monzón.
 ÍNDICE GENERAL

ÍNDICE DE ILUSTRACIONES ........................................................................... V

LISTA DE SÍMBOLOS ..................................................................................... VII
GLOSARIO ....................................................................................................... IX
RESUMEN...................................................................................................... XIII
OBJETIVOS .................................................................................................... XV
Hipótesis ................................................................................................ XVI
INTRODUCCIÓN ............................................................................................ XIX

1. ANTECEDENTES GENERALES ..............................................................1

2. MARCO TEÓRICO...................................................................................5
2.1. Contaminación ambiental ..........................................................5
2.2. Contaminación en agua superficial ............................................6
2.3. Contaminación en aguas receptoras .........................................6
2.4. Descargas de desagües cloacales y residuales .........................8
2.5. Calidad del agua ......................................................................11
2.5.1. Criterios de calidad del agua ...................................11
2.5.1.1. Parámetros físicos ...............................12
2.5.1.2. Parámetros químicos ...........................14
2.6. Modelación matemática ...........................................................17
2.6.1. Tipos de modelos ....................................................18
2.6.1.1. Modelo de Streeter-Phelps (Curva
SAG) ....................................................25

I
3. DISEÑO METODOLÓGICO................................................................... 31
3.1. Localización ............................................................................ 31
3.2. Variables ................................................................................. 31
3.3. Recursos humanos disponibles ............................................... 32
3.4. Recursos materiales disponibles ............................................. 33
3.4.1. Software estadístico ............................................... 33
3.5. Técnica cualitativa o cuantitativa ............................................. 34
3.6. Recolección y ordenamiento de la Información ....................... 35
3.6.1. Obtención de muestras........................................... 36
3.6.2. Datos para la simulación de escenarios ................. 39
3.7. Tabulación y ordenamientos de datos ..................................... 41
3.8. Análisis estadístico .................................................................. 44
3.8.1. Verificación del modelo........................................... 44
3.8.2. Análisis de sensibilidad........................................... 46
3.8.2.1. Prueba de Tukey ................................. 47

4. RESULTADOS ...................................................................................... 49
4.1. Modelo de regresión para cada escenario simulado ............... 49
4.2. Estadísticas de regresión para cada escenario simulado ........ 51
4.3. Pruebas hipótesis .................................................................... 55
4.3.1. Prueba de hipótesis de correlación (r) para cada
escenario simulado ................................................. 56
4.3.2. Prueba de hipótesis de medias ( , , )

según sus constantes ( , ) ................................ 56

5. INTERPRETACIÓN DE RESULTADOS ................................................ 59

II
CONCLUSIONES .............................................................................................63
RECOMENDACIONES .....................................................................................65
BIBLIOGRAFÍA.................................................................................................67
ANEXOS ..........................................................................................................69

III
IV
 ÍNDICE DE ILUSTRACIONES

FIGURAS

1. Representación del ciclo de un modelo de simulación .............................25

2. Curva SAG de oxígeno disuelto ...............................................................29
3. Ubicación del área de estudio ..................................................................31
4. Curva de agotamiento del oxígeno ...........................................................34
5. Descripción gráfica del modelo elemental de la calidad del agua .............35
6. Visualización de los puntos a muestrear ..................................................37
7. Modelo ajustado de la curva SAG del escenario A ...................................50
8. Modelo ajustado de la curva SAG del escenario B ...................................50
9. Modelo ajustado de la curva SAG del escenario C ...................................51
10. Modelo simulado vrs ajustado del escenario A .........................................53
11. Modelo simulado vrs ajustado del escenario B .........................................54
12. Modelo simulado vrs ajustado del escenario C.........................................55

TABLAS

I. Datos calculados de OD (mg/l) con la fórmula 1.................................. 15

II. Valores típicos de la constante de desoxigenación ............................. 28
III. Valores típicos de la constante de reaireación .................................... 29
IV. Variables Independientes. ................................................................... 32
V. Variables dependientes. ...................................................................... 32
VI. Recursos materiales disponibles ......................................................... 33
VII. Datos experimentales.......................................................................... 38
VIII. Clasificación de cuerpos de agua según OD (mg/l) ............................. 39

V
 IX. Valores de mínimos promedios y máximos de las constates

para la simulación…..………………………………………………………..41
X. Modelo de regresión por cada escenario simulado. ............................ 41
XI. Resultados del análisis de regresión por cada escenario simulado. ... 42
XII. Indicadores estadísticos para la validación de cada escenario
simulado………………... ....................................................................... 42
XIII. Análisis para la prueba de hipótesis de correlación (r) por escenario
simulado…………………. ..................................................................... 43
XIV. Resultados del análisis de varianza de un factor. ............................... 43
XV. Prueba post Hoc de Tukey ................................................................. 44
XVI. Datos estimados de cada simulación .................................................. 49
XVII. Estadísticas de regresión del escenario A .......................................... 52
XVIII. Estadísticas de regresión del escenario B .......................................... 53
XIX. Estadísticas de regresión del escenario C .......................................... 54
XX. Indicadores de verificación por modelo simulado ................................ 55
XXI. Análisis para la prueba de hipótesis de correlación (r) por escenario
simulado…………………………………………………………………..…..56
XXII. Resultados del Análisis de Varianza de un Factor. ............................. 56
XXIII. Prueba Post Hoc de Tukey ................................................................. 57

VI
 LISTA DE SÍMBOLOS

Símbolo Significado

Q Caudal
°C Grados Celsius
h Hora
Km Kilometro
m Metro
m3 Metro cúbico

VII
VIII
 GLOSARIO

Análisis de varianza Técnica estadística que se puede utilizar para decidir

si las medias de dos o más poblaciones son iguales.

Caudal Cantidad de agua que lleva una corriente o que fluye

de un manantial o fuente.

Coeficiente de Medida que permite conocer el grado de

correlación asociación lineal entre dos variables.

Constante de Constante que expresa el paso del oxígeno del aire

reaireación al agua, este proceso se lleva a cabo por el contacto
agua-aire

Criterios de Medida de la calidad relativa para la selección

información de modelos estocásticos para un comportamiento.

Demanda bioquímica Parámetro que mide la cantidad de oxígeno

de oxígeno consumido al degradar la materia orgánica de una
muestra orgánica.

Demanda química Parámetro que mide la cantidad de sustancias

de oxígeno susceptibles de ser oxidadas por medios químicos que
hay disueltas o en suspensión en una muestra líquida.

IX
Desviación estándar Medida que ofrece información sobre la dispersión
media de una variable. La desviación estándar es
siempre mayor o igual que cero.

Estadística inferencial Rama de la estadística que mide el promedio de los

errores al cuadrado, es decir, la diferencia entre el
estimador y lo que se estima.

Fotosíntesis Proceso químico que tiene lugar en las plantas con

clorofila y que permite, gracias a la energía de la luz,
transformar un sustrato inorgánico en materia
orgánica rica en energía.

Media La media es el valor promedio de un conjunto de

datos numéricos, calculada como la suma del
conjunto de valores dividida entre el número total de
valores.

Oxígeno disuelto Oxígeno presente en un cuerpo de agua, este se

produce gracias a la fotosíntesis y se consume
gracias a la respiración de los organismos, además
de la descomposición de material orgánico y otras
sustancias químicas.

Prueba de hipótesis Realizar una afirmación acerca del valor del

parámetro de la población bajo estudio puede tomar.
Esta afirmación puede estar basada en alguna
creencia o experiencia pasada que será contrastada

X
 con la evidencia que se desea obtener a través de la
información que se obtiene.

Simulación Proceso de diseñar un modelo de un sistema real y

llevar a término experiencias con él, con la finalidad
de comprender el comportamiento del sistema o
evaluar nuevas estrategias -dentro de los límites
impuestos por un cierto criterio o un conjunto de ellos
-para el funcionamiento del sistema.

Temperatura Grado o nivel térmico de un cuerpo o de la atmósfera.

XI
XII
 RESUMEN

Este estudio brinda información preliminar de la autodepuración de los

efluentes que son contaminados por industrias que vierten sus residuos líquidos
al paso del rio. El objetivo de esta investigación es elaborar un simulador para el
cálculo de dispersión de contaminantes en ríos, en función de la demanda
bioquímica de oxígeno y de la distancia entre puntos. De esta forma se
obtendrá un diagnóstico rápido de la demanda química y bioquímica de oxígeno
en el rio que sea objeto del estudio.

Se considera un rio específico para realizar el estudio del que se tomarán

muestras en distintos puntos previamente ubicados a determinadas distancias,
se harán pruebas en el laboratorio para la obtención de los distintos resultados
necesarios para la elaboración de los modelos que nos permitirán elaborar
gráficos que muestren la disminución de la demanda bioquímica de oxígeno en
el agua estudiada.

El simulador tendrá la capacidad de mostrar gráficamente un modelado de

la dispersión de contaminantes en los distintos puntos del rio estudiado, gráficas
que se obtendrán a partir de los resultados que nos brinden la ecuación clásica
de Streeter-Phelps. Se podrá lograr una caracterización completa y proponer
estrategias para la reducción de la contaminación.

XIII
XIV
 OBJETIVOS

General

Elaborar un simulador para el cálculo de dispersión de contaminantes en ríos en

función de la disminución de la demanda bioquímica de oxígeno, oxígeno
disuelto y de la distancia recorrida, en un tramo del río Pantaleón ubicado en el
municipio de Siquinalá, departamento de Escuintla.
.
Específicos

• Obtener la curva SAG (modelo Streeter-Phelps) de oxígeno disuelto del río

Pantaleón en función de la distancia recorrida (km).

• Determinar los valores críticos de oxígeno disuelto (mg/L) y la DBO((mg/L)

según su distancia crítica (km) y tiempo crítico (horas) por escenario.

• Obtener el modelo de regresión lineal que explique el comportamiento del

oxígeno disuelto del río Pantaleón en función de la distancia recorrida
(km), a partir de la modelación de escenarios.

• Determinar la verificación y validación del modelo de regresión lineal que

explica el comportamiento del oxígeno disuelto del rio Pantaleón en
función del tiempo (horas).

• Deducir a partir de los resultados obtenidos si el río Pantaleón se

encuentra actualmente contaminado.

XV
Hipótesis

Es posible construir un modelo para estimar el comportamiento del oxígeno

disuelto (mg/l) del rio Pantaleón en función de la distancia recorrida (km), a
partir de la modelación de escenarios.

Hipótesis nula:

la correlación de oxígeno disuelto (mg/l) del río Pantaleón en función de la

distancia recorrida en kilómetros para los 3 escenarios posibles (A, B y C) es

igual a cero, a un nivel de significancia del 5 %.

no existe diferencia significativa en la evaluación para la construcción de

los 3 escenarios posibles (A , B y C) a diferentes y para estimar el

comportamiento del oxígeno disuelto (mg/l) del río Pantaleón en función de la

distancia recorrida en km, a un nivel de significancia del 5 %.

: =

Hipótesis alterna:

: la correlación de oxígeno disuelto (mg(l) del río Pantaleón en función de la

distancia recorrida en kilómetros para los 3 escenarios posibles (A, B y C) no es

igual a cero, a un nivel de significancia del 5 %.

XVI
 existe diferencia significativa en la evaluación de la construcción de

escenarios posibles (A, B y C) a diferentes y para estimar el

comportamiento del oxígeno disuelto (mg/l) del río Pantaleón en función de la

distancia recorrida en kilómetros, a un nivel de significancia del 5 %.

XVII
XVIII
 INTRODUCCIÓN

Las aguas superficiales escurren o se almacenan sobre la superficie

terrestre, en este estudio se evaluarán las vertientes de aguas dulces; por su
importancia es imprescindible que sean objetos de una gestión integral para
obtener el máximo provecho de este, con equidad y con el fin de evitar el abuso
en la contaminación y al mismo tiempo promover su conservación para las
generaciones futuras.

Los beneficios esperados se pueden agrupar en finales e intermedios,

entre los primeros se pueden mencionar el aprovechamiento para la generación
de energía eléctrica a través de las hidroeléctricas, el mejoramiento de la
calidad de vida, como suministro de agua potable y el mejoramiento y
conservación de lagos y ríos los cuales son utilizados entre otras actividades
para la agricultura la cual es una de las actividades que más aprovecha este
tipo de efluentes.

El agua es tan abundante, tres cuartas partes de la tierra se encuentran

cubiertas de agua. Es el principal componente de todos los organismos vivos,
sin este elemento no es posible la vida. El agua es la sustancia que ayuda a
digerir los alimentos, distribuye el calor absorbido en el cuerpo humano y
mantiene su temperatura normal, es esencial para la circulación de la sangre y
la eliminación de los desechos.

Una de las principales y mayores causas de la contaminación de aguas,

es la falta de tratamiento de afluentes industriales antes de verterlos en los ríos,
mares u océanos, bajo este contexto, los ríos operan como verdaderos filtros y

XIX
emplean sus características hidráulicas para tratar de diluir las aguas residuales
de las industrias.

Los contaminantes vertidos tienden a dispersarse en el curso de agua de

una manera influenciada por diferentes factores, tales como la geometría del
curso de agua, el caudal y las características fisicoquímicas del agua,
características medio ambientales, entre otros.

Esta dispersión es susceptible de modelaciones que permitan predecir,

tanto la migración y dilución de contaminantes, como las concentraciones de
estos en puntos específicos, lo que ayudara a la toma de decisiones en materia
de gestión del recurso hidráulico.

El presente estudio versará sobre la disminución de la demanda

bioquímica de oxígeno en el agua para la elaboración de modelos que nos
permitan crear gráficas para generar un simulador el cual tendrá la capacidad
de mostrar la dispersión de contaminantes en los distintos puntos del río
estudiado, esto a través de la ecuación básica de Streeter-Phelps.

XX
 1. ANTECEDENTES GENERALES

En el 2001 se desarrolla una metodología de modelización de los

procesos difusivos en condiciones de régimen estacionario, de contaminantes y
nutrientes de origen superficial y puntual, aportados por los tributarios al
Embalse Frontal de Termas de Río Hondo (Provincias de Tucumán y Santiago
del Estero, República Argentina). El modelo analógico-digital, genera isolíneas
de potencial V (curvas equipotenciales) o bien superficies reticuladas, que se
corresponden con la dispersión espacial de contaminantes y nutrientes, en el
medio líquido, cuando se emplea la Concentración C como parámetro
distribuido. En los procesos de difusión y mezclado, en medio isótropo, con
conductividad eléctrica O, independiente de la posición r, es posible emplear un
sistema análogo de conducción eléctrica continua óhmica descrito por la
ecuación de Laplace (V2 V (r) = O). El modelo, electro-analógico bidimensional,
fue construido a escala con papel semiconductor, respetando la planimetría del
Embalse Frontal de Termas de Río Hondo, cuando el espejo alcanza la cota
máxima. Se obtuvieron valores de tensión o potencial eléctrico y de este modo,
se generaron soluciones para la ecuación de Laplace.

En el 2013 se llevó a cabo en la Universidad de El Salvador para la

Facultad de Ingeniería y Arquitectura un trabajo de investigación con el tema
Caracterización hidrodinámica y dispersión de contaminantes de la parte alta
del Río Suquiapa, Santa Ana por los investigadores Roberto Leandro Espinoza
Rivas, Allan Vinicio Merino y Rebeca María Zavaleta Lemus, con el objetivo de
la evaluación de los principales parámetros hidrodinámicos y la evaluación del
coeficiente de dispersión de un tramo de aproximadamente 10 km de la parte
alta del río Suquiapa. La obtención de los parámetros hidrodinámicos se realizó

1
mediante la técnica de aforo por vadeo, utilizando un molinete hidrométrico tipo
Gurley y mediante un experimento de pulso de trazadores utilizando cloruro de
sodio y tomando como parámetro de campo la conductividad eléctrica con un
medidor multiparamétrico de calidad de agua. Los resultados que obtuvieron
mediante la técnica de aforo por vadeo fueron valores de caudal, velocidad
media, perímetro mojado, radio hidráulico, profundidad, área de sección
transversal y coeficientes de dispersión obtenidos con la ecuación empírica de
Fischer.

Si se parte de la premisa que la mayoría de los ríos que se encuentran

dentro de nuestro territorio han sido evaluados como aguas contaminadas, y
que estos poseen diversos usos para los habitantes de las zonas aledañas a
ellos, como lo puede ser: riego, bebedero para ganado, usos domésticos,
recreación, generación de energía eléctrica y punto de descarga de aguas
residuales. Se hace imprescindible el conocer a ciencia cierta la cantidad de
contaminantes que puede soportar un río.

El estudio permanente de los ríos y sus contaminantes, por medio de la

determinación de los niveles de la demanda bioquímica de oxígeno y la
demanda química de oxigeno que necesita un rio para satisfacer su
autodepuración, definitivamente podría contribuir a controlar y disminuir la
contaminación.

Esto se podría lograr, y es el motivo del presente trabajo, al contar con un

modelo que muestre los niveles de autodepuración que cada vertiente es capaz
de hacer naturalmente. Esto a su vez proporcionaría la información necesaria
para medir la dispersión de los contaminantes que se le están introduciendo al
agua del río objeto de estudio y contribuir a que los procesos de auto-
regeneración puedan ser una realidad en la cuenca estudiada.

2
 Los estudios que nos indiquen los niveles de la DBO y la DQO nos darían
una idea de las medidas correctivas que se deben tomar para evitar que exista
un daño permanente en la cuenca del río en estudio. Como este daño incide en
la calidad de vida tanto de la flora y fauna como de los habitantes que residen
alrededor de dicha vertiente.

Como se sabe las fuerzas naturales de autodepuración, físicas, químicas y

biológicas, son múltiples y variables, y se encuentran relacionadas entre sí y
resultan ser mutuamente dependientes.

Entonces, cuando se vierte una carga importante de materia orgánica

biodegradable en una corriente limpia, la luz solar no puede llegar a las
profundidades y mueren las plantas verdes y algas, que mediante la fotosíntesis
proporcionan oxígeno que se disuelve en el agua formando con la mezcla del
agua y el aire el oxígeno disuelto (OD). Los organismos que se alimentan de los
nutrientes aumentan su actividad y esta se refleja en la magnitud de la
demanda bioquímica de oxígeno. Se utiliza para satisfacer esa demanda
bioquímica de oxígeno (DBO), el OD existente en el agua. Debemos tener en
cuenta que en las descargas pueden existir substancias inorgánicas que se
oxidan, produciendo una demanda química de oxígeno (DQO), que también se
satisface del OD existente.

Con el transcurso del tiempo los microorganismos van consumiendo los

nutrientes y el agua se aclara con lo que aparecen las plantas verdes y algas de
nuevo, reiniciando la incorporación del oxígeno en el agua, es decir, aumenta el
OD y disminuye el requerimiento de la DBO.

El problema real, estriba en que no se puede determinar con certeza la

longitud del rio en la que se dispersarán los contaminantes y se logrará la

3
autodepuración del río. Por lo que el uso del simulador podrá ser una
herramienta para estimar empíricamente esas distancias, que servirán para la
toma de decisiones en materia de gestión ambiental.

4
 2. MARCO TEÓRICO

2.1. Contaminación ambiental

Se considera que la contaminación ambiental es la que produce

alteraciones al medio ambiente, dañándolo de manera leve, grave o
destruyéndolo por completo. También se debe tener en cuenta el factor tiempo,
ya que el daño puede ser temporal o continuo. Se tendrá entonces todas las
combinaciones posibles, desde un daño leve y temporal, hasta la destrucción
continuada en el tiempo, misma que impide la natural recuperación del medio
ambiente.

El medio ambiente tiene una capacidad de autodepuración o

biodegradación de los contaminantes que se vuelcan en él. Esta capacidad de
autodepuración es diversa y característica de cada tipo y condición del medio
ambiente. No es lo mismo la capacidad de autodepuración de un arroyo que la
de un río, ni tampoco puede considerarse similar a la de un lago o laguna ya
que sus mecánicas biológicas son distintas.

La capacidad de carga, es la cantidad de contaminante que puede ser

volcado al medio por unidad de tiempo y que dicho medio puede aceptar sin
sufrir cambios apreciables en el transcurrir del tiempo. Determinar cuál es la
capacidad de carga para un contaminante es bastante difícil por la cantidad de
ensayos que deben realizarse. Debido a esto, se toman los contaminantes
considerados peligrosos y se determina la capacidad de carga del medio
ambiente.

5
2.2. Contaminación en agua superficial

Las aguas superficiales, son las comprendidas por los arroyos, ríos, lagos,
lagunas, mares y océanos. Estas son las aguas que más uso tienen por parte
de los hombres y animales, por lo que son las más fáciles de contaminar. Estas
aguas se contaminan fundamentalmente por las acciones antrópicas, ya sean
industriales, agrícolas, ganaderas o residenciales.

Los volcados de efluentes de las industrias y los desagües cloacales a las

aguas superficiales, pueden derivar en que las mismas sean contaminadas de
tal manera que las vuelvan inapropiadas para ser reutilizadas y en algunos
casos totalmente nocivas.

También a esta contaminación contribuye la actividad agrícola, ya que el

uso de fertilizantes industriales y agroquímicos o pesticidas, que se depositan
en el suelo, estos pueden ser arrastrados por la lluvia a las aguas superficiales.

Además, hay que tener en cuenta que no solo por las actividades del
hombre se contaminan las aguas superficiales, sino también aportan las lluvias
los componentes inorgánicos que componen los suelos, por lo que las
características de las aguas, varía de acuerdo a la composición de los suelos
que la rodean, están presentes entonces: calcio, magnesio, sulfatos, nitratos,
sodio y potasio como los elementos más comunes.

2.3. Contaminación en aguas receptoras

El agua se contamina cuando se descargan residuos que perjudican el

equilibrio ecológico natural. Los contaminantes pueden ser organismos

6
patógenos, materia orgánica, sustancias inorgánicas, disueltas o en partículas
sólidas, nutrientes, substancias tóxicas, color, calor y materiales radiactivos.

• Patógenos surgen cuando se descargan los desagües cloacales

domiciliarios.

• Materia orgánica (DBO) cuando mayor es la DBO (demanda bioquímica

de oxigeno) mayor es la cantidad de materia orgánica que puede ser
biodegradada por las bacterias, que necesitan oxígeno para realizar ese
trabajo. Esta situación hace descender el OD (oxígeno disuelto) del agua y
puede llevarlo a valores tan críticos que provoque la mortandad de peces.
Si el OD baja, se pueden producir olores por la actividad bacteriológica
anaeróbica.

• Sólidos las partículas de materia orgánica e inorgánica pueden ser sólidos

sedimentables, flotantes y en suspensión capaz de formar depósitos de
variadas características, pero generalmente con olor y color desagradable,
mientras que el particulado es suspensión reduce la penetración de la luz
solar en el agua, afectando procesos biológicos que dependen de ella.

• Nutrientes los nitratos y fosfatos que proceden de aguas cloacales son

nutrientes inorgánicos que favorecen el crecimiento de plantas y algas.
Además de su efecto antiestético por su color y aspecto, las algas pueden
ser tóxicos, perjudicar el sabor del agua, obstruir los filtros y aumentar las
necesidades químicas en el tratamiento del agua.

• Substancias tóxicas y peligrosas pequeñas concentraciones de ácidos,

cianuros, arsénicos, metales pesados y numerosas substancias químicas
son tóxicas para los organismos incluyendo a los humanos, y por supuesto

7
 a la población bacteriana que se utiliza en el tratamiento de líquidos
residuales. Los materiales radiactivos son dañinos para la vida biológica y
son bioacumulativos, pero como estos materiales son empleados con
muchas normas de seguridad, es muy raro encontrarlos en el agua.

• Otros contaminantes el color y el calor son algunos ejemplos de otros

contaminantes que causan problemas. El color (tinturas que se usan en la
industria textil) no solo es objetable por razones estéticas, sino que limita
la penetración de la luz solar. Las descargas térmicas, (calor) causan un
mayor requerimiento de oxígeno por el aumento de la masa biológica que
se ve favorecida en su crecimiento por una mayor temperatura del agua.

2.4. Descargas de desagües cloacales y residuales

Alrededor de las descargas de desagües cloacales y los residuales

industriales, se forman cuatro zonas de contaminación o influencia del desagüe,
cuyas formas geométricas varían según sean las características de las aguas
receptoras. Por ejemplo, si fuera un lago en donde no existen prácticamente
corrientes de agua, las zonas concéntricas, con centro en el desagüe, mientras
si la descarga se realiza en un curso de agua, la forma geométrica toma el
sentido de la corriente de agua con forma parecida a un cono con su vértice en
el desagüe, y la velocidad de dispersión depende de la velocidad del caudal del
curso receptor.

• Zona de degradación: esta zona se encuentra normalmente alrededor del

punto de descarga. En esta zona, las cualidades físicas y químicas del
agua son deterioradas rápidamente, y las formas de vida microbianas
reemplazan a las otras formas de vida más complejas. El límite de esta
zona corresponde aproximadamente cuando la cantidad de oxígeno

8
 disuelto cae hasta llegar al 45 % con respecto a la saturación. En esta
zona de degradación aumenta la flora bacteriana, se producen depósitos
de lodo de alto contenido de materia orgánica, decrece muy rápidamente
el oxígeno disuelto y se incrementa el anhídrido carbónico. En cuanto a la
descomposición, los hongos acuáticos reemplazan a las plantas verdes y
microorganismos superiores.

• Zona de activa descomposición: esta zona se caracteriza por la ausencia

de oxígeno disuelto y condiciones sépticas, marcado color gris oscuro, con
olor característico a descomposición, depósito de lodo viscoso de color
negro y desprendimiento de burbuja de gas. Al establecerse la
descomposición anaeróbica, se incrementa el anhídrido carbónico, el
amoniaco y las bacterias anaeróbicas reemplazan a las aeróbicas,
descomposición que permanecen hasta que la DBO es menor que la tasa
de aeración.

• Zona de recuperación: en esta zona, las características son opuestas a la

zona de degradación. Hay una gradual clarificación del agua, el oxígeno
disuelto se incrementa hasta el punto de saturación, disminuye el
anhídrido carbónico mientras que los nitritos y nitratos aumentan. No hay
burbujas. El recuento bacteriano disminuye a medida que baja el alimento
del agua y se desarrollan los protozoarios rotíferos y crustáceos.

• Zona de aguas claras: esta zona se caracteriza por una similitud con las
aguas naturales. Es atractiva en apariencia y tiene vida animal y vegetal,
hay bacterias aeróbicas junto con otros microorganismos y comienzan a
estar presentes los peces. En general las aguas de los desagües
cloacales también llamadas aguas negras, son una mezcla muy compleja
que contiene una gran cantidad de agua, en general un 99 %, mezclada

9
con los contaminantes orgánicos e inorgánicos, tanto en suspensión como
disueltos.

Las aguas residuales provenientes de las industrias, varían de

acuerdo al tipo de las mismas y en general tienen residuos de los
procesos que estos realizan, como así también las aguas de los
procesos de enfriamiento y calentamiento en el caso que existan. Las
más preocupantes son las que provienen con residuos de los procesos,
ya que suelen no ser muy abundantes de agua y por ello con una alta
concentración de contaminantes y nutrientes.

Este contraste con las aguas cloacales domiciliarias, implica que

deba hacerse variados estudios para realizar los procesos de tratamiento
de las mismas. Pero hay una manera de compararlas con las aguas
domiciliarias y es el llamado equivalente de población en base por
ejemplo a la DBO. Es decir, se compara el DBO de las aguas
domiciliarias con la DBO del efluente industrial y eso proporciona el
equivalente de población que debería vivir en una ciudad para producir la
misma contaminación que la industria compara.

Los desagües de la precipitación lluvias, fusión de nieve, lavado de

calles y veredas, está mucho menos contaminada que las dos anteriores,
salvo casos muy excepcionales. Hay que tener en cuenta que tienen un
gran volumen y poca contaminación, por lo que contribuyen a diluir los
mismos y al volcarse en algunos casos junto con los desagües
domiciliarios, lo diluyen de similar forma. Esto es válido cuando se volco
directamente a un curso de agua, pero si los desagües son tratados en
plantas específicas, este gran volumen causa enormes perturbaciones
en la eficiencia de la misma, llegando a la imposibilidad de tratar los

10
 desagües cloacales, por lo que si existen planta de tratamiento, no
pueden desaguarse en conjunto los pluviales y cloacales.

2.5. Calidad del agua

El criterio de calidad de agua es una determinada concentración de un

parámetro que, si se logra, se espera que se pueda dar al agua un beneficio.

2.5.1. Criterios de calidad del agua

La calidad del agua, como cuantificación científica del estado ambiental de

un cuerpo de agua sometido a diferentes impactos o condiciones ambientales,
es una herramienta muy importante, ya que constituye una estrategia
fundamental en el diseño e implementación de soluciones en el manejo de los
recursos hídricos. Relacionados estrechamente con tal concepto están la
capacidad de asimilación y autodepuración del cuerpo receptor, variables
afectadas directamente por factores que inciden de manera determinante en la
calidad del agua, tales como el uso del suelo, la producción industrial, el
tratamiento aplicado a los efluentes vertidos, y a la cantidad de agua que corre
por el cauce.

Los parámetros que determinan la calidad del agua se clasifican en físicos

y químicos.

11
 2.5.1.1. Parámetros físicos

• Temperatura

Es una medida relativa de la cantidad de calor contenida en el agua. Esta

propiedad termodinámica influye notablemente en las características físicas,
químicas y biológicas de los cuerpos de agua. Afecta a la flora y faunas
acuáticas, la velocidad de reacción bioquímica, y la transferencia de gases. Así,
por ejemplo, al incrementarse la temperatura, la velocidad de biodegradación de
los compuestos orgánicos, también se incremente, pero la solubilidad del
oxígeno en el agua disminuye. Por esto es importante su determinación en
cualquier intento por evaluar la calidad de las aguas .1

• Solidos suspendidos

“Se define a los sólidos como los residuos que quedan una vez que la
parte líquida se ha evaporado y el remanente se ha secado a peso constante a
103 °C”2. Además, se distingue entre sólidos disueltos y sólidos en suspensión,
luego de evaporación de muestras filtradas de agua a 180 °C, siendo las
sustancias no disueltas las que se conocen como sólidos suspendidos.

Luego, “la cantidad de materia orgánica es determinada, a través de la

calcinación la muestra a 550 °C ± 50 °C en una mufla, para obtener por
volatilización los sólidos volátiles, y como residuo a los sólidos fijos.”3

De todos ellos, los sólidos suspendidos (SS) son los más importantes en
relación con las aguas superficiales, puesto que altos niveles de ellos producen
en el cuerpo de agua receptor, efectos tales como: turbidez, bloqueo del paso
para la radiación solar necesaria para la vegetación acuática, y obstrucción de
las branquias de los peces. “Además, su sedimentación puede acumular

1
RAMOS, Rubén y VILLALLOBOS, Francisco. El agua en el medio ambiente: muestreo y
análisis. p. 20.
2
HENRY, G., y HEINKE, G.W. Ingeniería ambiental. p. 423.
3
ROMERO; R. Calidad del agua. p. 400.

12
materia orgánica en depósitos de lodos que ejercen una demanda de oxígeno
en el cuerpo de agua receptor.”.4

• Conductividad eléctrica

La conductividad del agua es una expresión numérica de su habilidad para

transportar una corriente eléctrica, que depende de la concentración total de
sustancias disueltas ionizadas en el agua y de la temperatura a la que se haga
la determinación. Por tanto, cualquier cambio en la cantidad de sustancias
disueltas, implica un cambio en la conductividad. Por esta razón, el valor de la
conductividad se usa mucho en análisis de aguas para obtener un estimativo
rápido del contenido de sólidos disueltos.

La conductividad eléctrica del agua suele expresarse en μmho/cm o en

μS/cm, teniendo en cuenta que 1 mho = 1 siemens, y empíricamente se ha
determinado que el valor de “la conductividad en μmho/cm multiplicado por un
factor que oscila entre 0,55 y 0,7, dependiendo de los iones en solución en el
agua y la temperatura, da como resultados el contenido de sólidos disueltos, en
mg/.” 5

• Turbidez

Acerca de la turbidez, el término “turbio se aplica a las aguas que

contienen materia en suspensión que interfiere con el paso de la luz a través del
agua, y que la turbidez o turbiedad puede ser causada por una gran variedad de
materiales en suspensión.”6

4
CHIN, David. Water‐Quality Engineering in Natural Systems. p.200
5
RAMOS, Rubén y VILLALLOBOS, Francisco. El agua en el medio ambiente: muestreo y
análisis. p. 114.
6
ROMERO; R. Calidad del agua. p. 400.

13
 2.5.1.2. Parámetros químicos

• Oxígeno disuelto

En condiciones ambientales normales, las aguas superficiales tienen

concentraciones de oxígeno disuelto (OD) muy cercanas a la saturación, por lo
que hay un equilibrio del ecosistema acuático con la vida que alberga, de modo
que “el oxígeno es consumido por los organismos vivos, y producido por las
plantas verdes acuáticas durante el día, incluyendo el proceso natural de re-
oxigenación.”7
.
Acerca de la solubilidad del oxígeno en el agua dulce a 1 atmósfera de
presión, Sawyer, Mc.Carty y Parkin (2001) indican que varía desde 14,6 mg/l a
0 °C, hasta aproximadamente 7 mg/l a 35 °C. En la práctica de la ingeniería
ambiental, las condiciones críticas relacionadas con deficiencia del “oxígeno
disuelto ocurren con mayor frecuencia en los meses de verano, cuando la
temperatura es alta la solubilidad del oxígeno es mínima.”8

Además, añaden que, en condiciones críticas, el nivel máximo de oxígeno

disuelto es aproximadamente 8 mg/l. Sin embargo, una ecuación más
compacta, expresada en función de la temperatura en grados Celsius, 𝑇, qua a
veces se usa es

= (Ecu. 1, Ref. 1)

El oxígeno disuelto es en el movimiento de las aguas en su discurrir

reoxigena las aguas de modo que la carga contaminante vertida disminuye por
biooxidación, “tendiendo la concentración de oxígeno disuelto a recuperar la

7
GIL, Manuel. Depuración de aguas residuales: modelización de procesos de lodos activos. p.
400
8
, Op.cit. p 423.

14
saturación, a la vez que se degrada la materia microbiana, denominándose a
este proceso autodepuración.”9 A continuación, en la tabla 1 la concentración
de oxígeno disuelto, según su temperatura (°C) calculada con la ecuación 1.

Tabla I. Datos calculados de OD (mg/l) con la fórmula 1

Temperatura (°C) OD(mg/l) Temperatura (°C) OD(mg/l)

0 14.6 16 9.9
1 14.2 17 9.7
2 13.8 18 9.6
3 13.5 19 9.3
4 13.1 20 9.1
5 12.8 21 8.9
6 12.5 22 8.7
7 12.1 23 8.6
8 11.8 24 8.4
9 11.6 25 8.3
10 11.3 26 8.1

Fuente: elaboración propia, empleando ecuación1.

• Demanda bioquímica de oxígeno (DBO)

La mayoría de los métodos para determinar la materia orgánica en aguas

se basan en la cantidad de oxígeno que se necesita para convertir el material
oxidable en productos finales estables. Así, al ser el oxígeno consumido por los
microorganismos, proporcional a la materia degradable aeróbicamente, la
demanda bioquímica de oxígeno (DBO), ciertamente se constituye en el
parámetro más importante en el control de la contaminación orgánica del agua.
“LA DBO se define como la cantidad de oxígeno que requieren las bacterias
durante la estabilización de la materia.”10

9
GIL, Manuel. Depuración de aguas residuales: modelización de procesos de lodos activos.
pp. 51-52.
10
HENRY, G., y HEINKE, G.W. Ingeniería ambiental. p. 150.

15
• Ph

Sobre el concepto del pH, es: la fuerza de un ácido o base se puede

indicar por su concentración molar de iones hidrógeno. Sin embargo, se ha
establecido la convención de expresar la concentración de ión hidrógeno en
términos de su logaritmo negativo, que se conoce como el pH de la solución.
Una solución acuosa neutra (es decir ni ácida ni básica) tiene por definición
concentraciones iguales de iones y , y a 25 °C su pH = p=OH = 7.

“Las soluciones acuosas con un pH menor de 7 se describen como ácidas, y

aquéllas con un pH mayor de 7 se conocen como básicas o alcalinas.”11

(Ecu. 2, Ref. 1)

• Nitrógeno

La oxidación de las distintas formas del nitrógeno puede consumir grandes

cantidades de oxígeno. En los cuerpos agua existe una gran variedad de
compuestos del nitrógeno, que incluyen: (1) el nitrógeno orgánico (proteínas,
aminoácidos y urea); (2) el nitrógeno amoniacal, 𝑁𝐻4+ y 𝑁𝐻3; (3) el nitrito,
𝑁𝑂2−; el nitrato, 𝑁𝑂3−; y (4) “el gas nitrógeno disuelto, N2; siendo el nitrógeno
total Kjeldahl (NTK), la suma del nitrógeno orgánico con el nitrógeno
amoniacal”12. Con respecto a los cambios en las formas del nitrógeno en el
agua: la mayor parte del nitrógeno inicialmente está presente en forma de
nitrógeno orgánico (proteína) y amoniaco. A medida que el tiempo pasa, el
nitrógeno orgánico se convierte gradualmente a nitrógeno amoniacal, y más
tarde, si existen condiciones aeróbicas, ocurre la oxidación del amoniaco a
nitritos y nitratos.

11
HENRY, G., y HEINKE, G.W. Ingeniería ambiental. p. 150.
12
CHIN, David. Water‐Quality Engineering in Natural Systems. p. 16.

16
 Por lo que se concluye lo siguiente, sobre el cambio de las formas del
nitrógeno y su relación con la contaminación del agua: se considera que un
agua de polución reciente, y por consiguiente de gran peligro potencial,
contiene la mayoría del nitrógeno como nitrógeno orgánico y amoniacal. “Así
mismo, aguas en que la mayor parte del nitrógeno está en la forma de nitratos
son consideradas de polución ocurrida un largo tiempo antes del momento de
13.
efectuarse el análisis.”

• Metales pesados

Los metales pesados más importantes que suelen encontrarse en cuerpos

de agua contaminados son el arsénico (Ar), el cadmio (Cd), el cobre (Cu), el
cromo (Cr), el plomo (Pb), el mercurio (Hg), el níquel (Ni), y el zinc (Zn), los
cuales tienden a acumularse en los sedimentos del fondo y, dependiendo del
pH, la temperatura y la salinidad, “pueden ser más o menos solubles, de modo
que a niveles tóxicos pueden afectar adversamente la salud humana.”14

2.6. Modelación matemática

Un modelo matemático es uno de los tipos de modelos científicos que a

través de proposiciones sustantivas de hechos, variables, parámetros,
entidades y relaciones entre las mismas describen, “explican y predicen el
comportamiento de un fenómeno natural o componentes del mismo en un
entorno social.”15

13
ROMERO; R. Calidad del agua. p. 138.
14
Op. cit. p. 20.
15
FRAUME Néstor. Diccionario ambiental. p 25.

17
 Un modelo matemático de calidad de agua es una herramienta
matemática que representa o simula los procesos que ocurren dentro de un
cuerpo de agua. Generalmente, considera tres factores: transporte
hidrodinámico, ingresos externos y las reacciones químicas y biológicas que
ocurren dentro del sistema. Incorporan aspectos tales como el mezclado, las
fuentes puntuales y no puntuales, la fotosíntesis, “la temperatura del agua, la
dinámica del oxígeno disuelto, el comportamiento de varios nutrientes, los
efectos de las cargas atmosféricas y la demanda de oxígeno por los
sedimentos.”16

2.6.1. Tipos de modelos

“Una simulación de eventos es un conjunto de relaciones lógicas y

matemáticas que integran el comportamiento de un sistema bajo estudio
cuando se pretenda un evento determinado.”17

Según García, Dunna para realizar un estudio de simulación se debe de

seguir la siguiente secuencia, es de resaltar que en la mayoría de situaciones
será necesario agregar o suprimir algunos de los pasos aquí enumerados:

• Definición del sistema bajo estudio

Esta etapa es necesario conocer el sistema a modelar. Para ello se

requiere saber qué origina el estudio de simulación y establecer los supuestos
del modelo: es conveniente definir con claridad las variables de decisión del
modelo: determinar las interacciones entre estas, y establecer con precisión los
alcances y limitaciones que aquel podría llegar a tener.

16
FRAUME Néstor. Hydrodynamics and water quality: modeling rivers, lakes, and estuaries. p.
385.
17
GARCÍA, Dunna. Simulación y análisis de sistemas con ProModel. p.4

18
 Antes de concluir este paso es recomendable contar con la información
suficiente para lograr establecer un modelo conceptual o un mapa mental del
sistema bajo estudio, el cual debe incluir sus fronteras y todos los elementos
que lo componen, además de las interacciones entre ellos, los flujos de
productos, las personas y los recursos, así como las variables de mayor interés
para el problema.

• Generación de modelos de simulación base

Una vez definido el sistema en términos de un modelo conceptual, la

siguiente etapa del estudio consiste en la generación de un modelo de
simulación base. No es preciso que este modelo sea demasiado detallado, pues
se requiere mucha más información estadística sobre el comportamiento de las
variables de decisión del sistema. La generación de este modelo es el primer
reto para el programador de la simulación, ya que debe traducir a un lenguaje
de simulación la información que se obtuvo en la etapa de definición del
sistema, e incluir las interrelaciones de todos los posibles subsistemas que
existan en el problema a modelar. En caso de que se requiera una animación,
este también es un buen momento para definir qué gráfico puede representar
mejor el sistema que se modela.

• Recolección y análisis de datos.

Es posible comenzar la recopilación de la información estadística de las

variables del modelo de manera paralela a la generación del modelo base. En
esta etapa se debe establecer qué información es útil para la determinación de
la simulación del modelo. De no contar con la información requerida o en caso
de desconfiar de la disponible, será necesario realizar un estudio estadístico del
comportamiento de la variable que sea identificar, para luego incluirla en el

19
modelo. Al finalizar la recolección y análisis de datos para todas variables del
modelo, se tendrán las condiciones para generar una versión preliminar del
problema que se está simulando.

• Generación del modelo preliminar.

En esta etapa se integra la información obtenida a parir del análisis de los

datos, los supuestos del modelo y todos los datos necesarios para crear un
modelo lo más cercano posible a la realidad del problema bajo estudio. En
algunos casos sobre todo cuando se trata del diseño de un nuevo proceso
esquema de trabajo no se cuenta con información estadística, por lo que debe
estimarse un rango de variación o determinar (con ayuda del cliente) valores
constantes que permitan realizar el modelado. Si éste es el caso, el encargado
de la simulación puede, con base en su experiencia, realizar algunas
sugerencias de distribuciones de probabilidad que comúnmente se asocien al
tipo de proceso que se desea incluir en el modelo. Al finalizar esta etapa el
modelo está listo para su primera prueba: su verificación o, en otras palabras, la
comparación con la realidad.

• Verificación del modelo

Una vez que se han identificado las variables del modelo y se han
implantado los supuestos acordados, es necesario realizar un proceso de
verificación de datos para comprobar la propiedad de la programación del
modelo, y comprobar que todos los parámetros usados en la simulación
funcionen correctamente. Ciertos problemas, en especial aquellos que
requieren muchas operaciones de programación o que involucran distribuciones
de probabilidad difíciles de programar, pueden ocasionar que el
comportamiento del sistema sea muy diferente del que se esperaba. Por otro

20
lado, no se debe descartar la posibilidad de que ocurran errores humanos al
alimentar el modelo con la información. Incluso podría darse el caso de que los
supuestos iniciales hayan cambiado una o varias veces durante el desarrollo del
modelo. Por lo tanto, debemos asegurarnos de que el modelo que se va a
ejecutar esté basado en los más actuales.

Una vez que se ha completado la verificación, el modelo está listo para su

comparación con la realidad del problema que se está modelando. A esta etapa
se le conoce también como validación del modelo.

• Validación del modelo.

El proceso de validación del modelo consiste en realizar una serie de

pruebas al mismo, utilizando información de entrada real para observar su
comportamiento analizar sus resultados. Si el problema bajo simulación
involucra un proceso que se desea mejorar, el modelo debe someterse a
prueba con las condiciones actuales de operación, lo que nos dará como
resultado un comportamiento similar al que se presenta realmente en nuestro
proceso. Por otro lado, si se diseñan nuevos procesos la validación resulta más
complicada. Una manera de validar el modelo en este caso, consiste en
introducir algunos escenarios sugeridos por el cliente y validar que el
comportamiento sea congruente con las expectativas que se tienen de acuerdo
con la experiencia. Cualquiera que sea las situaciones importantes que el
analista conozca bien el modelo, de manera que pueda justificar aquellos
comportamientos que sean contrarios a las experiencias de los especialistas en
el proceso que participan de su validación.

21
 • Generación del modelo final.

Una vez que el modelo se ha validado, el analista está listo para realizar la
simulación y estudiar el comportamiento del proceso. En caso de que se desee
comparar escenarios diferentes para un mismo problema, éste será el modelo
raíz; en tal situación, el siguiente paso es la definición de los escenarios a
analizar.

• Determinación de los escenarios para el análisis

Tras validar el modelo es necesario acordar con el cliente los escenarios

que se quiere analizar. Una manera muy sencilla de determinarlos consiste en
utilizar un escenario pesimista, uno optimista y uno intermedio para la variable
de respuesta más importante. Sin embargo, es preciso tomar en cuenta que no
todas las variables se comportan, igual ante los cambios en los distintos
escenarios, por lo que tal vez sea necesario que más de una variable de
respuesta se analice bajo las perspectivas pesimista, optimista e intermedia.

El riesgo de esta situación radica en que el analista podría caer en un

diseño de experimentos capaz de generar una gran cantidad de réplicas, lo que
redundaría en un incremento considerable de costo, análisis y tiempo de
simulación. Es por ello que muchos paquetes de simulación cuentan con
herramientas para realizar este proceso, eliminando la animación y acortando
los tiempos de simulación. Estas herramientas permiten realizar varias réplicas
del mismo escenario para obtener resultados con estadísticas importantes
respecto de la toma de decisiones (por ejemplo, los intervalos de confianza).

22
 Por su parte, el analista también puede contribuir a la selección de
escenarios, sugiriendo aquellos que considere más importantes; al hacerlo dará
pie a que se reduzca el número de combinaciones posibles.

• Análisis de sensibilidad.

Una vez que se obtienen los resultados de los escenarios es importante

realizar pruebas estadísticas que permitan comparar los escenarios con los
mejores resultados finales. Si dos de ellos tienen resultados similares será
necesario comparar sus intervalos de confianza respecto de la variable de
respuesta final. Si no hay intersección de intervalos podremos decir con certeza
estadística que los resultados no son iguales; sin embargo, si los intervalos se
traslapan será imposible determinar, estadísticamente hablando, que una
solución es mejor que otra. Si se desea obtener un escenario "ganador" en
estos casos, será necesario realizar más réplicas de cada modelo y/o
incrementar el tiempo de simulación de cada corrida. Con ello se busca acortar
los intervalos de confianza de las soluciones finales y, por consiguiente,
incrementar la probabilidad de diferenciar las soluciones.

• Documentación del modelo, sugerencias y conclusiones.

Una vez realizado el análisis de los resultados, es necesario efectuar toda

la documentación del modelo. Esta documentación es muy importante, pues
permitirá el uso del modelo generado en caso de que se requieran ajustes
futuros. En ella se deben incluir los supuestos del modelo, las distribuciones
asociadas a sus variables, todos sus alcances y limitaciones y, en general, la
totalidad de las consideraciones de programación. También es importante
incluir sugerencias tanto del uso del modelo como sobre los resultados
obtenidos, con el propósito de realizar un reporte más completo. Por último,

23
deberán presentarse asimismo las conclusiones del proyecto de simulación, a
partir de las cuales es posible obtener los reportes ejecutivos para la
presentación final.

Por lo que se puede decir que la realización de un modelo de simulación

implica tres grandes fases. El diseño del modelo del problema a realizar, la
construcción y la experimentación que se puede realizar con este. La figura 2
ilustra una manera alternativa de presentar este mismo proceso.

24
 Figura 1. Representación del ciclo de un modelo de simulación

Fuente: GARCÍA, Eduardo. Simulación y análisis de sistemas con PromModel. p 16.

Los modelos matemáticos de calidad de agua podrían clasificarse como sigue:

• Soluciones analíticas este modelo se puede aplicar en corrientes o ríos cómo

será el caso estudiado.
• Soluciones numéricas, segmentos finitos: este modelo se puede aplicar en
estuarios, lagos y océanos.

2.6.1.1. Modelo de Streeter-Phelps (Curva SAG)

Esta modelación matemática es reconocida a nivel mundial por su valor en

la planificación de estrategias de saneamiento de ríos. En este contexto, el
modelo de Streeter-Phelps permite describir la calidad del agua en términos del
oxígeno disuelto (OD) y “la demanda bioquímica de oxígeno en función de las
características hidrodinámicas y de los procesos químicos y biológicos que

25
tienen lugar en el río como resultado de la incorporación de fuentes puntuales o
dispersas.” 18

“La demostración del modelo Streeter-Phelps se ha tomado con

adaptaciones del tratamiento matemático a partir de la ecuación de advección-
difusión unidimensional.”19 De una ecuación diferencial por medio del cálculo
diferencial (ver anexo 1), se llega a la ecuación 3:

(Ecu. 3, Ref. 1)

En donde:
• D = Déficit de oxígeno en el agua (g de O2/m3)
• Do = Déficit inicial de oxígeno, después de la descarga de aguas
residuales
• K2 = Coeficiente de reaireación (t, usualmente en días)
• K1 = Coeficiente de desoxigenación (t, usualmente en días)
• x/U = Distancia sobre velocidad del río (tiempo de viaje)

En la ecuación las condiciones iniciales L = Lo y D = Do en el t = 0 (x = 0),

esto se puede calcular partiendo de la ecuación de dilución.

(Ecu. 4, Ref. 1)

En donde:
• Lb = Concentración de DBO en el río antes de la descarga
• Ls = Concentración de DBO de las aguas residuales

18
DOMINGUEZ, Jorge. Calibración de modelos matemáticos de calidad de agua para valorar el
impacto de estrategias de saneamiento del río "Almendares. pp.98-105.
19
CHIN, David. Water‐Quality Engineering in Natural Systems. p. 25.

26
• ODo = Oxígeno disuelto aguas debajo de la descarga
• ODb = Oxígeno disuelto en el río antes de la descarga
• ODs = Oxígeno disuelto de las aguas descargadas
• qb = Caudal del río antes de la descarga (m3/s)
• qs = Caudal descargado de aguas residuales

El máximo valor del déficit de oxígeno disuelto dc, es alcanzado cuando el

consumo de la DBO, iguala a las contribuciones a causa de la reaireación
superficial, el cual se encuentra a una determinada distancia Xc y tiempo Tc del
lugar del vertido. Aguas abajo, de este punto el flujo neto de oxígeno entre la
atmósfera y el agua es superior al consumo, lo que implica una reducción del
déficit de oxígeno disuelto a partir de éste punto Xc. La ecuación de punto
crítico se obtiene al igualar a cero la primera deriva de la ecuación 3, (ver el
procedimiento del cálculo diferencial en el anexo 2) por lo que se obtiene:

] (Ecu. 5, Ref. 1)

Y el tiempo crítico:

] (Ecu. 6, Ref. 1)

“Por último, se calcula el déficit de oxígeno disuelto con la siguiente

ecuación”20

(Ecu. 7, Ref. 1)

20
GIL, Manuel. Depuración de aguas residuales: modelización de procesos de lodos activos. pp.
51-52.

27
 Para determinar los valores de la constante cinética K1 y K2, así como
cualquier otro coeficiente cinético se utiliza la siguiente ecuación:

(Ecu. 8, Ref. 1)

En donde:
• Lu = Concentración de DBO aguas arriba, punto u
• Ld = Concentración de DBO aguas abajo, punto d
• t = Tiempo de viaje entre los dos puntos de medición (días)

A continuación, en la tabla II se presenta una tabla de valores

típicos de constante de desoxigenación según su la temperatura del
cuerpo de agua a 20 °C.

Tabla II. Valores típicos de la constante de desoxigenación

Tipo de agua
Aguas residuales no
0.35-0.70
tratadas
Aguas residuales tratadas 0.10-0.35
Río contaminado 0.10-0.25
Río no contaminado <0.05

Fuente: SANCHÉZ, David, Calidad de agua en ríos. p.26.

Para calcular K2 se utiliza la ecuación experimental de Streeter-Phelps

(Ecu.9 , Ref. 1)

En donde:
• U = velocidad de la corriente (m/s)
• H = profundidad media (m)

28
 • DL = Difusividad del oxígeno en el agua (1,76 x 10-5 m2/día).

A continuación, en la tabla III se presenta una tabla de valores típicos de

constante de reaireación según su la temperatura del cuerpo de agua a 20 °C.

Tabla III. Valores típicos de la constante de reaireación

Cuerpo de agua
Pequeñas lagunas 0.1-0.23
Ríos de aguas muy lentas y grandes lagos 0.2-0.35
Ríos de velocidad lenta 0.35-0.46
Ríos de velocidad media 0.46-0.69
Ríos rápidos 0.69-1.15
Rápidos >1.15

Fuente: SANCHÉZ, David, Calidad de agua en ríos. p.27.

La gráfica de la ecuación 3 se conoce con el nombre de la curva SAG de

oxígeno, representa el déficit de oxígeno disuelto (OD) en mg/L en función de la
distancia en km desde la fuente (x). Ver figura

Figura 2. Curva SAG de oxígeno disuelto

Fuente: CHIN, David. Water-quality engineering in natural systems: fate and transport
processes in the water environment, p 99.

29
30
 3. DISEÑO METODOLÓGICO

3.1. Localización

El presente estudio se limitará a la porción del río Pantaleón ubicada entre

los puntos (14° 19' 57.453" N 90° 59' 52.092" W) y (14° 15' 50.386" N 91° 3'
31.181" W) que se visualizan en la figura 3.

Figura 3. Ubicación del área de estudio

Fuente: Google Maps. https://goo.gl/maps/dq1TQVieB6j94teh6 Consulta: octubre 2019.

3.2. Variables

Propiedad, característica o atributo susceptible de asumir diferentes

valores, es decir, pueden variar. A continuación, se detallan las variables
independientes y dependientes usada en las tablas IV y V respectivamente.

31
 Tabla IV. Variables Independientes
Variable Abreviatura Dimensional Descripción
Oxígeno presente en un cuerpo de agua, este se
produce gracias a la fotosíntesis y se consume
gracias a la respiración de los organismos,
Oxígeno Disuelto OD mg/L además de la descomposición de material
orgánico y otras sustancias químicas. Por lo que
en la medida en que disminuye el grado de
contaminación aumenta.

Fuente: elaboración propia.

Tabla V. Variables dependientes

Variable Abreviatura Dimensional Descripción
Es la longitud total de la trayectoria realizada por
Distancia D Km
un objeto móvil entre dos puntos

Fuente: elaboración propia

3.3. Recursos humanos disponibles

Investigador Br. Luis Miguel Morales Martinez

Asesor: Ingeniero Químico, Jorge Mario Estrada Asturias.

32
3.4. Recursos materiales disponibles

A continuación, en la tabla VI se presentan los materiales disponibles a

utilizar para este estudio.

Tabla VI. Recursos materiales disponibles

Tipo Nombre
Campana de extracción
Equipo
Balanza analítica
Botella yodo-métrica de 125 ml

Cilindro graduado de 50 ml o pipeta volumétrica de 25 ml

Matraz Erlenmeyer o fiola de 125 ml

Cristalería
Pipeta graduada de 1 ml
Bureta graduada de 25 ml
Soporte universal con pinzas para Bureta
Vidrio reloj
Espátula
Reactivo alcalino de yoduro de potasio
Solución de sulfato manganoso
Solución de tiosulfato de sodio 0,01n
Reactivos
Solución de almidón al 10 %.
Agua de río
Agua destilada

Fuente: elaboración propia.

3.4.1. Software estadístico

Para realizar la simulación de la calidad de agua en el río Pantaleón se

utiliza el programa Microsoft Excel 2016, para realizar la regresión del modelo
se emplea el programa Eviews 10 y para hacer el análisis de sensibilidad se

33
realiza un ANDEVA en Excel 2016 la herramienta datos (análisis de varianza de
dos factores de una sola muestra por grupo).

3.5. Técnica cualitativa o cuantitativa

Se medirá el proceso de decaimiento de la DBO y la DQO, de primer

orden, en función de la distancia (km). Esto se hará con la medición de distintos
parámetros de calidad del agua, basándose en una curva de agotamiento del
oxígeno. La reducción química de la DBO, da como resultado un descenso de
la OD. En ese mismo instante, a causa de la reaireación superficial, el OD se
recupera a una velocidad directamente proporcional al de oxígeno disuelto
presente en ese instante.

Figura 4. Curva de agotamiento del oxígeno

Fuente: elaboración propia

34
3.6. Recolección y ordenamiento de la Información

Como se tomó la consideración de flujo estable entonces el caudal de la

vertiente y el caudal de los desperdicios son constantes, y eventualmente la
concentración de OD también será constante. Esta ecuación se puede escribir
en términos del déficit de oxígeno disuelto en una localidad dada. Por lo tanto,
podemos tratar con la diferencia del OD bajo condiciones saturadas y el nivel de
OD que realmente existe en una localidad. El resultado será la ecuación clásica
de Streeter-Phelps para el déficit de oxígeno disuelto, descrita en el marco
teórico (ver página 50).

Figura 5. Descripción gráfica del modelo elemental de la calidad del agua

Fuente: elaboración propia

35
 3.6.1. Obtención de muestras

Para obtener datos representativos, se estimará el número óptimo de

muestras con un nivel de confianza del 90 % y un nivel de significancia del
10 % (error) utilizando la siguiente fórmula:

La frecuencia de muestreo indica el tiempo transcurrido entre dos tomas

de muestra dentro de un mismo programa de muestreo. La frecuencia de
muestreo está fuertemente condicionada por dos cuestiones, como son: la
necesidad de conocer de la manera más completa posible los valores de los
parámetros de un sistema hídrico y el abaratamiento del proceso de análisis y
control de dicho sistema. Es por ello por lo que siempre habrá que encontrar el
número óptimo de muestras que nos permita conocer la situación del sistema a
un coste asequible.

Por lo anterior se tomarán 3 muestras en época de lluvia (julio, agosto y

septiembre) y otras 3 muestras en época seca (noviembre y diciembre), siendo
5 puntos los que se estudiarán a lo largo de aproximadamente de 25 kms del río
Pantaleón, y se obtendrá un total de 15 muestras.

36
 Figura 6. Visualización de los puntos a muestrear

Fuente: elaboración propia.

Luego de recopilar los datos de DBO(mg/L) y DQO (mg/L) se llevan al

laboratorio para así obtener el OD (mg/L) con su respectiva temperatura. A
continuación, en la tabla VI se presentan tabulados los datos del apéndice 1, 2 y
3 es de resaltar que los datos faltantes 1-5 de temperatura (°C) se estimaron
con la ecuación 1 (ver página 40).

37
 Tabla VII. Datos experimentales

DQO
Datos Fuente DBO (mg/L) OD (mg/L) T(°C)
(mg/L)
1.0000 punto 1 1.0000 3.0000 8.1400 25.9939
2.0000 punto 2 1.0000 2.0000 9.2400 19.1494
3.0000 punto 3 1.0000 1.0000 8.7000 22.2931
4.0000 punto 4 1.0000 1.0000 7.9300 27.5164
5.0000 punto 5 1.0000 1.0000 8.7000 22.2931
6.0000 punto 1 1.0000 2.0000 7.9500 28.0000
7.0000 punto 2 3.5000 9.0000 7.2500 29.4000
8.0000 punto 3 7.0000 17.0000 7.5400 33.0000
9.0000 punto 4 12.0000 38.0000 7.0800 36.0400
10.0000 punto 5 7.6500 24.0000 7.7300 35.0800
11.0000 punto 1 1.0000 2.0000 7.6000 25.9000
12.0000 punto 2 0.8000 1.6000 7.8000 25.9000
13.0000 punto 3 0.5000 1.6000 8.3700 25.8000
14.0000 punto 4 0.9000 1.5000 9.9500 25.9000
15.0000 punto 5 1.0000 2.0000 10.5000 26.4000
promedio 2.6900 7.1133 8.2987 27.2444
mínimo 0.5000 1.0000 7.0800 19.1494
máximo 12.0000 38.0000 10.5000 36.0400

. Fuente: elaboración propia.

La media aritmética o promedio de un conjunto de valores {x1, x2,…, xi}

de una variable x viene “determinada por la suma de dichos valores, dividida
por el número de la muestra (n), representada matemáticamente de la siguiente
forma.”21

(Ecu.11, Ref. 1)

21
JOHNSON, Robert. Estadística elemental. p.64.

38
 El mínimo y máximo se obtiene con la función de Excel: MIN(datos) y MÁX
(datos).

3.6.2. Datos para la simulación de escenarios

Para realzar la simulación de la contaminación del río Pantaleón se

necesitan los siguientes datos.

• Datos del río:

o Caudal ( : según el Instituto Privado en Investigación sobre el cambio

climático el río Pantaleón tiene un caudal máximo de 413,1 para este

estudio se establece de 200

o DBO (mg/l): según el Insivumeh el límite máximo para considerar que un

río no este contaminado es de 50mg/l. Para este estudio se establece un
DBO de 70mg/l.
o Oxígeno disuelto (mg/l): a continuación, se presenta la siguiente tabla de
clasificación de cuerpos de agua según su oxígeno disuelto (OD)

Tabla VIII. Clasificación de cuerpos de agua según OD (mg/l)

OD(mg/l) Clasificación
<2 Fatales
2 a3 Dañino
3a5 Grave
5 a 7.5 Malo
>8 Bien

Fuente: elaboración propia, empleando información variada de la UNAM.

39
 Al considerar que el río Pantaleón se encuentra contaminado en una
situación dañina se establece el oxígeno disuelto (OD) de 2,5 mg/l.

o Temperatura (°C): debido a que se realizó el estudio en época

lluviosa, se establece una temperatura de 15 °C.

• Datos de la descarga

o Caudal ( : según el Instituto Privado en Investigación sobre el

cambio climático el río Pantaleón tiene un caudal máximo de

293,9 para este estudio se establece de 108 .

o DBO (mg/l): para este estudio se establece la demanda bioquímica

de oxigeno promedio (DBO) de 2.69 mg/l. Ver tabla VII.
o Oxígeno disuelto (mg/l): para este estudio se establece el oxígeno
disuelto promedio (OD) de 2.69 mg/l. Ver tabla VII.
o Temperatura (°C): para este estudio se establece una temperatura
promedio (T) de 29,14 °C. Ver tabla VI.

• Datos de la mezcla:

o Caudal ( : el cambio climático el río Pantaleón tiene un caudal

máximo de 500,4 para este estudio se establece de 408 .

o Temperatura (°C): debido a que se utilizan las y a 20°C, se

establece una temperatura de 20 °C para este estudio. Ver tablas II y

III.

40
 o Oxígeno disuelto (mg/l): debido a que la T es de 20 °C, para este
estudio se establece el oxígeno disuelto (OD) de 9,10 mg/l. Ver tabla
I.

Para realizar el modelo de simulación se varía la constante de aireación

( ) y desoxigenación ( en sus valores descriptivos: mínimos, promedios y

máximos para así poder generar los 3 escenarios respectivos.

Tabla IX. Valores de mínimos promedios y máximos de las constates

para la simulación

Valores Valores Valores

Constante Cuerpo de agua Intervalo mínimos promedios máximos
Escenario A Escenario B Escenario C
K1 Río contaminado 0.10-0.25 0.15 0.175 0.25
K2 Ríos rápidos 0.69-1.15 0..69 0.92 1.15
Fuente: elaboración propia.

3.7. Tabulación y ordenamientos de datos

A continuación, se presentan las tablas y herramientas utilizadas para la

recopilación de la información y su posterior análisis:

Tabla X. Modelo de regresión por cada escenario simulado

Modelo t t Distancia
Escenario estimado crítico crítico Crítica
(días) (horas) (km)
A 0.15 0.69
B 0.175 0.92
C 0.25 1.15
Fuente: elaboración propia.

41
Tabla XI. Resultados del análisis de regresión por cada escenario
simulado

Variable Coeficiente Error. Estándar Estadístico Probabilidad

Estadísticas de la regresión
Media de la
R2 variable
dependiente
S.D. variable
R 2 ajustado
dependiente
SE. Regresión Akaike Info
Suma de cuadrados
Criterios de Schwarz
residuales (SCR)
información
Hannan -
Log likelihood
Quinn Critr
F-estadístico F crítico
Nivel de
Probabilidad(F
significancia
estadístico)
establecido

Fuente: elaboración propia.

Tabla XII. Indicadores estadísticos para la validación de cada

escenario simulado

Modelo RMSE ME
Simulación/indicador ajustado MAE
A
B
C

Fuente: elaboración propia.

42
Tabla XIII. Análisis para la prueba de hipótesis de correlación (r) por
escenario simulado
Estadístico F crítico a
de un Regla de
Simulación Prueba F decisión Decisión
A
B
C

Fuente: elaboración propia.

Tabla XIV. Resultados del análisis de varianza de un factor

Resumen
Grupos Cuenta Suma Promedio Varianza

Análisis de varianza
Valo
r
Promedio de
Origen de las Suma de Grados de crític
los F Probabilidad
variaciones cuadrados libertad os
cuadrados
para
F
Entre los grupos
Dentro de los
grupos
Total

Fuente: elaboración propia.

43
 Tabla XV. Prueba post Hoc de Tukey

Combinación Comparador Valor Comparación Conclusión

1 >
2 >

.... >

Fuente: elaboración propia.

3.8. Análisis estadístico

Es un procedimiento para realizar diversos análisis y estudiar

cuantitativamente datos que se deben cuantificar y evaluar.

3.8.1. Verificación del modelo

Luego de realizar la regresión lineal para cada simulación se debe de

evaluar si cada uno de los modelos ajustados son aceptables con las siguientes
alternativas estadísticas:

• Coeficiente de correlación(r): es la relación estadística, existente entre las

variables OD (mg/l) y distancia (km). Se debe de interpretar con los
criterios del anexo 3 para luego darle su interpretación y significado según
el número de observaciones (ver anexo 4).
• Coeficiente de determinación ( ): mide el porcentaje de cambio en la

variable OD (mg/l) debido a cambios en la variable distancia (km).

• ajustado: considerará la mejora marginal agregada por un término

adicional en el modelo.
• Prueba de significancia conjunta e individual:

44
• Criterios de información: se utiliza para elegir el mejor modelo de
predicción, ya que poco cada escenario se realizaron 3 modelos (lineal,
cuadrático y cubico). Estos criterios evalúan parsimonia y varianza
residual, los cuales son:

o Akaike Info criterion

o Schwarz criterion
o Hannan -Quinn Criterion
• Error medio (ME): es la diferencia media entre los valores observados y
estimados. Se calcula con la siguiente fórmula:
(Ecu.12, Ref. 1)

• Error absoluto medio (MAE): es el promedio de la diferencia absoluta entre

el valor observado y los valores estimados. El error absoluto medio o MAE
es un valor lineal, lo que significa que todas las diferencias individuales se
ponderan por igual en el promedio. Por ejemplo, la diferencia entre 8 y 0
será el doble de la diferencia entre 4 y 0. Se calcula con la siguiente
fórmula:

(Ecu.13, Ref. 1)

• Error cuadrático medio (RMSE): representa a la raíz cuadrada de la

distancia cuadrada promedio entre el valor real y el valor estimado.

Indica el ajuste absoluto del modelo a los datos, cuán cerca están los
puntos de datos observados de los valores predichos del modelo. El error
cuadrático medio o RMSE es una medida absoluta de ajuste.

45
 Como la raíz cuadrada de una varianza, RMSE se puede interpretar como
la desviación estándar de la varianza inexplicada, y tiene la propiedad útil de
estar en las mismas unidades que la variable de respuesta.

Los valores más bajos de RMSE indican un mejor ajuste. RMSE es una
buena medida de la precisión con que el modelo predice la respuesta. Se
calcula con la siguiente formula:

(Ecu.14, Ref. 1)

3.8.2. Análisis de sensibilidad

En realizar el análisis de sensibilidad se requiere a la estadística

inferencial:

• Prueba de hipótesis para el coeficiente de correlación

Responde a la pregunta ¿puede haber una correlación cero en la

población entre el OD (mg/l) y la distancia (km) de la muestra seleccionada?
Para lo cual se plantearon las hipótesis respectivas (ver la sección de
hipótesis). Para ello se utiliza el siguiente estadístico de prueba:
(Ecu.15, Ref. 1)

En donde:

• r: es el valor del coeficiente de correlación previamente calculado.

46
• : es el valor del coeficiente de correlación a probar en la hipótesis (en

este caso cero).

Luego se rechaza la hipótesis nula cuando el estadístico Z > 1.96, de lo

contrario se acepta la hipótesis alterna. Para conocer el valor de crítico de Z ver

anexo 5.

• Prueba de medias con 3 poblaciones

El método de análisis de varianza (ANDEVA) es utilizado específicamente

para determinar si las medias de dos o más poblaciones son iguales o distintas. Se
utilizará el de bloques aleatorios para un factor. Aquí el factor son las diversas
constantes ( que se colocaron en el modelo según la tabla III y IV, ya

que la variable respuesta (OD) del modelo Streeter-Phelps (curva SAG). Para
conocer ¿cómo realizar el ANDEVA?, ver anexo 6.

Si al realizar un análisis de varianza se rechaza la hipótesis nula de

igualdad de medias es necesario realizar pruebas llamadas Post Hoc para
determinar cuál o cuáles de los tratamientos son los que presentan una media
distinta. Las pruebas a realizar son la prueba de Tukey y la prueba de
Duncan.22 Se usará la prueba de Tukey en este estudio ya que es más estricta.

3.8.2.1. Prueba de Tukey

La prueba de Tukey consiste en la comparación de las medias de todas

las poblaciones estudiadas, tomando pares de medias. El método se basa en la

22
CARVAJAL, Mayra. Análisis de Varianza. pp 4-5.

47
distribución del rango estudentizado. El punto apropiado del percentil es una
función de α, k y v = grados de libertad para .

El procedimiento de la prueba consiste en comparar el valor absoluto de

cada diferencia de medias con un el criterio calculado de Tukey, el mismo se
calcula utilizando la siguiente ecuación:

(Ecu.16, Ref. 1)

En donde:
• Cuadrado medio del error (CME), obtenido del ANDEVA.

• n: Tamaño de la muestra.
• v: Grados de libertar del error
• k: Número de tratamientos

Luego se obtiene el número de comparaciones a realizar con la siguiente

combinación . Si el valor absoluto de la diferencia de medias es mayor que

el criterio de Tukey las medias son distintas, si es menor las medias son
iguales. Esto debe hacerse para cada par de medias con el propósito de
determinas las medias distintas.

(Ecu.18, Ref. 1)

48
 4. RESULTADOS

4.1. Modelo de regresión para cada escenario simulado

A continuación, se presenta una tabla resumen de cada regresión

estimada por escenario (A, B, C), elaborada a partir de los datos simulados (ver
apéndice 4, 5 y 6 resaltado el punto crítico en amarillo).

Tabla XVI. Datos estimados de cada simulación

t t Distancia
Escenario crítico crítico crítica
(días) (horas) (km)
A 0.15 0.69 0.65 15 184.81
B 0.175 0.92 1.20 28.8 339.51
C 0.25 1.15 0.72 17.28 203.705

Fuente: elaboración propia, empleando Microsoft Excel, 2016.

A continuación, en la figura 7, 8 y 9 se presentan los modelos ajustados de

regresión cúbica para el escenario A, B y C respectivamente.

49
Figura 7. Modelo ajustado de la curva SAG del escenario A

Fuente: elaboración propia, empleando Microsoft Excel, 2016.

Figura 8. Modelo ajustado de la curva SAG del escenario B

Fuente: elaboración propia, empleando Microsoft Excel, 2016.

50
 Figura 9. Modelo ajustado de la curva SAG del escenario C

Fuente: elaboración propia, empleando Microsoft Excel, 2016.

4.2. Estadísticas de regresión para cada escenario simulado

A continuación, se presenta en las tablas XVII, XVIII y IX las estadísticas

de regresión para cada modelo simulado (A, B, C) obtenidas del apéndice 7, 8 y
9 respectivamente. Simultáneamente, se observa la gráfica de los datos
observados de la simulación vs. el modelo ajustado para cada escenario en las
figuras (A, B, C) 10, 11 y 12 respectivamente.

51
 Tabla XVII. Estadísticas de regresión del escenario A
Variable Coeficiente Error. Estándar Estadístico Probabilidad
C 3.314703 0.007373 449.5998 0.0000
D -0.001412 4.54* -31.13079 0.0000
4.65* 7.49* 62.10590 0.0000
-1.76* 3.49* -50.46064 0.0000
Estadísticas de la regresión
Media de la
R2 0.998745 variable
4.167186
dependiente
S.D. variable 0.831689
R 2 ajustado 0.998730
dependiente
SE. Regresión 0.029638 Akaike Info -4.183698
Suma de cuadrados
Criterios de Schwarz -4.127516
residuales (SCR) 0.216970 información
Hannan -
Log likelihood 529.0541 0.006292
Quinn Critr
Probabilidad(F
F-estadístico 65537.88 0.0000
estadístico)
Nivel de
0.05
F crítico 2.6408 significancia
establecido

Fuente: elaboración propia, con datos obtenidos de Eviews 10.

52
 Figura 10. Modelo simulado vs. ajustado del escenario A

Fuente: elaboración propia, empleando Eviews

Tabla XVIII. Estadísticas de regresión del escenario B

Variable Coeficiente Error. Estándar Estadístico Probabilidad

C 3.341082 0.005896 566.6256 0.0000
D -0.003430 3.63* -94.51329 0.0000
5.74* 5.99* 95.94237 0.0000
-1.91* 2.79* -68.36446 0.0000
Estadísticas de la regresión
Media de la
R2 0.998362 variable
3.395001
dependiente
S.D. variable 0.582210
R 2 ajustado 0.998342
dependiente
SE. Regresión 0.023704 Akaike Info -4.630527
Suma de cuadrados
Criterios de Schwarz -4.574344
residuales (SCR) 0.138786 información
Hannan -
Log likelihood 585.1311 -4.607017
Quinn Critr
Probabilidad(F
F-estadístico 50190.17 0.0000
estadístico)
Nivel de
0.05
F crítico 2.6408 significancia
establecido
Fuente: elaboración propia, con datos obtenidos de Eviews 10.

53
 Figura 11. Modelo simulado vs ajustado del escenario B

Fuente: elaboración propia, empleando Eviews 10.

Tabla XIX. Estadísticas de regresión del escenario C

Variable Coeficiente Error. Estándar Estadístico Probabilidad
C 3.139022 0.018327 1711.2811 0.0000
D -0.002969 0.000113 -26.32748 0.0000
8.44* 1.86* 45.38324 0.0000
-3.41* 8.67* -39.35569 0.0000
Estadísticas de la regresión
Media de la
R2 0.996191 variable
4.251455
dependiente
S.D. variable 1.186501
R 2 ajustado 0.996144
dependiente
SE. Regresión 0.073675 Akaike Info -2.362508
Suma de cuadrados
Criterios de Schwarz -2.306326
residuales (SCR) 1.340704 información
Hannan -
Log likelihood 300.4948 -2.339899
Quinn Critr
Probabilidad(F
F-estadístico 21530-85 0.0000
estadístico)
Nivel de
0.05
F crítico 2.6408 significancia
establecido
Fuente: elaboración propia, con datos obtenidos de Eviews 10.

54
 Figura 12. Modelo simulado vs ajustado del escenario C

Fuente: elaboración propia, empleando Eviews 10.

A continuación, se presenta en la tabla XX los indicadores estadísticos de

verificación de predicción de los escenarios simulados.

Tabla XX. Indicadores de verificación por modelo simulado

Simulación Modelo ajustado RMSE MAE ME

A 0.029638 0.0002432 -0.001474

B 0.023704 0.0002805 0.004415

C 0.073675 0.0006058 0.004436

Fuente: elaboración propia, con datos obtenidos de Eviews 10.

4.3. Pruebas hipótesis

A continuación, se presentan las pruebas y el desglose del estudio.

55
 4.3.1.Prueba de hipótesis de correlación (r) para cada
escenario simulado
A continuación, se presentan tablas que ayudan al estudio de las
hipótesis.

Tabla XXI. Análisis para la prueba de hipótesis de correlación (r) por

escenario simulado
F crítico a
Estadístico de Regla de
un
Simulación Prueba F decisión Decisión
A 0.998745 15.7283 15.7283>1.96 Se Rechaza
B 0.998362 15.7222 15.7222>1.96 la
C planteada
0.996191 15.6880 15.7222>1.96
Fuente: elaboración propia.

4.3.2. Prueba de hipótesis de medias ( , , ) según sus

constantes ( , )
• Análisis de varianza (ANDEVA)

Tabla XXII. Resultados del Análisis de Varianza de un Factor

Resumen
Grupos Cuenta Suma Promedio Varianza
A 251 852.1452717 3.395001083 0.338968937

B 251 1213.151837 4.833274252 1.008332074

C 251 1067.115286 4.251455321 1.407784161

Análisis de Varianza

Promedio de Valor
Origen de las Suma de Grados de
los F Probabilidad crítico
variaciones cuadrados libertad
cuadrados para F
Dentro de los
688.771293 750 0.91836172
grupos
951.5395821
Total 752
Fuente: elaboración propia.

56
• Prueba Post Hoc de Tukey

Tabla XXIII. Prueba Post Hoc de Tukey

Combinación Comparador Valor Comparación Conclusión

-
1 1.43827317 > 0.19244871
Todas las medias de OD
-
2 0.85645424 > 0.19244871 difieren estadísticamente
a un 5% de significancia.
-
1 0.58181893 > 0.19244871

Fuente: elaboración propia.

57
58
 5. INTERPRETACIÓN DE RESULTADOS

En la tabla XVI se puede observar que para el escenario A, B y C se

presenta un punto crítico en el cual existe un balance entre el consumo y el
aporte de oxígeno disuelto de la reaireación, los cuales son de 15 horas a
184,81 kms, 28,8 horas a 339,51 km y de 17,28 horas a 203,705 km
respectivamente.

En las figuras 7, 8 y 9 se observan los modelos ajustados de la curva SAG

para cada escenario respectivamente: A, B y C. Para los 3 modelos dicha curva
inicia en una etapa (0-distancia del punto crítico) a una [OD] de 3,31 mg/L, 3,34
mg/L y 3,14 mg/L para cada escenario respectivamente. Esta etapa no debería
de existir siempre y cuando el río Pantaleón no está contaminado, por lo que se
afirma que está contaminado ya que la [OD] < 8 mg/l.

Por lo que el río Pantaleón se encuentra actualmente en la zona donde

existen descarga de aguas residuales y se generan sólidos que impiden el paso
de luz para el proceso de fotosíntesis de las algas. Esto sucede porque [OD] <
8 mg/L, la cual se debe a las grandes cantidades que consumen los
microorganismos heterotróficos y la [OD] baja es compensada con el oxígeno
presente en la atmosfera al hacer contacto con el agua; en un principio la
demanda de oxígeno de la columna de agua y en los elementos consume el
aporte generado por esta reaireación.

En la zona del punto crítico para cada modelo simulado (A, B y C) fluyen
dos constantes, el coeficiente de desoxigenación o carbonasa ( ), la cual es

una tasa a la que consume oxígeno los microorganismos para degradar la

59
materia orgánica, es decir, la demanda bioquímica de oxígeno (DBO) y la
constante de reaireación ( ) la cual es la tasa con la que se oxigena un cuerpo

de agua por introducción de oxígeno ya sea por el contacto directo de la

atmosfera o por fotosíntesis de las plantas acuática, la depende de diversos

factores, tales como: turbulencia, condiciones de mezcla internas en el río

Pantaleón, temperatura y velocidad del viento.

Después de la zona del punto crítico la reaireación y reoxigenación

empiezan a incrementarse. La reaireación es mayor al consumo, por lo que el
nivel de oxígeno empieza a incrementarse y la naturaleza se regenera por si
sola y algunos seres vivos acuáticos empiezan a desarrollarse.

La zona limpia para los 3 modelos (A, B y C) aún no se presenta, ya que

se considera un cuerpo de agua no contaminado con una concentración de
oxígeno disuelto mayor a 8mg/l.

Para conocer si los modelos para cada escenario (A, B y C) se ajustan a

los datos simulados se estimó una regresión por el método de MCO (mínimos
cuadrados ordinarios) la cual se puede observar en la tabla XVII, XVIII y XIX
para cada escenario respectivamente.

Para cada regresión estimada por cada escenario (A,B y C) se obtiene los
coeficientes para cada variable (D, y ), los cuales son estadísticamente

significativos ya que su probabilidad (0,0000) es menor al nivel de significancia

establecido (0,05). Esto último indica que la distancia (km) en sus términos
lineales, cuadráticos y cúbicos contribuye a explicar el modelo Streeter-Phelps.
Simultáneamente con la prueba de significancia de la regresión para cada
modelo simulado se mide si la variable respuesta (oxígeno disuelto) el modelo

60
A, B y C está relacionado linealmente de manera cúbica con la variable
explicativa (distancia). Para los tres modelos se obtiene un valor de probabilidad
(0,05) el cual es mayor al nivel de significancia establecido (0,05) y además que
el F-estadístico es de 65537,88, 50190,17, 21530,85 son mayores al Fcrítico
(2,6408) para el modelo A, B y C respectivamente; entonces se puede afirmar
que a un nivel confianza del 95 % el oxígeno disuelto está relacionado
linealmente de manera cúbica con la variable explicativa (distancia) para cada
modelo ajustado (A, B y C). Los criterios de información de Akaike Info,
Schwarz y Hannan-Quinn para cada escenario son ligeramente muy pequeños
por lo que se puede considerar que el modelo cúbico que relaciona el oxígeno
disuelto (OD) en función de la distancia (km.) es parsimonioso con varianza
mínima, por lo que se considera que los modelos ajustados para cada
escenario son:

• A:
• B:
• C:

Para verificar el rendimiento de cada modelo estimado se obtuvieron los

índices RMSE, MAE y ME de cada escenario. El RMSE es de 0,029, 0.023 y
0,073 (medidas en [OD]) para cada modelo estimado, esto indica que los datos
estimados están muy cerca de los simulados ya que los valores de RMSE son
muy bajos y por lo cual los modelos son precisos. EL MAE para cada escenario
es de 0,00024, 0,00028, 0,00060, lo que significa que todas las diferencias
individuales entre los datos simulados los ajustados se ponderan por igual al
valor promedio del MAE (el cual es muy bajo). El ME para cada escenario es de
-0,001474, 0,004415, 0,004436, lo que indica que la diferencia promedio entre
los valores simulados y estimados es muy baja (ya que es cerca a cero).
Adicional se puede observar en las figuras 10, 11 y 12 los modelos ajustados

61
(líneas rojas) con los simulados (líneas verdes) para cada escenario coinciden y
los residuales para todos los escenarios (líneas azules) tienen el mismo
comportamiento polinómico de grado 4.

Para comprobar las hipótesis planteadas en la investigación se calculó

estadístico de prueba F para conocer si las correlaciones de los modelos de
cada escenario podrían llegar a ser nulos ( ). Según la tabla XXI esta

hipótesis se rechaza para los 3 escenarios a un nivel de significancia del 5 %,

por lo que existe correlación entre el oxígeno disuelto (mg/L) y la distancia (km).
Para comprobar si existe diferencia significativa en la evaluación para la
construcción de los 3 escenarios posibles (A , B y C) a diferentes y para

estimar el comportamiento del oxígeno disuelto (mg/l) del río Pantaleón se

realizó un ANDEVA con la variable respuesta oxígeno disuelto y sus respectivos
factores (valores de y mínimos, valores de y promedios, valores de

y máximos) del cual se obtuvo un valor F de 143.06 el cual es mayor al

valor F crítico de 3,0077 entonces se puede afirmar que existe diferencia

estadística en la evaluación para la construcción de los 3 escenarios posibles (A
, B y C) a diferentes y para estimar el comportamiento del oxígeno disuelto

(mg/l) del río Pantaleón aun nivel de significancia del 5 %.

Para conocer a que valores de las constantes de desoxigenación ( y

reaireación difieren las concentraciones de oxígeno disuelto se realiza la

prueba Post Hoc de Tukey la cual indica que como el valor calculado entre
todos los escenarios (A, B, C) es mayor a 0,1924 se afirma que todos los
valores de oxígeno disuelto en promedio difieren estadísticamente a un nivel de
significancia del 5 %.

62
 CONCLUSIONES

1. Es posible elaborar un simulador para estimar el oxígeno disuelto (mg/l) para

el río Pantaleón, ubicado en Siquinalá, Escuintla al variar los valores de las
constantes desoxigenación ( y reaireación ( ) en tres escenarios
posibles (A, B y C) con un caudal del río, descarga y en la mezcla de 200
, 108 y 408 respectivamente; a un DBO del río, descarga y
en la mezcla de 2,5 mg/l; a un oxígeno disuelto del río, descarga de 2,5 mg/l
y 8,3 mg/l respectivamente; 9,1 mg/l de oxígeno de saturación; a una
temperatura de 15 °C, 29,14 °C y a 20 °C del río, descarga en la mezcla
respectivamente.

2. Se obtuvo la curva SAG (modelo Streeter-Phelps) de oxígeno disuelto del río

Pantaleón en función de la distancia recorrida (km.), para los tres escenarios
simulados (A, B y C), las cuales inician con una [OD] de 3,31 mg/L, 3,34
mg/L y 3,14 mg/L para cada escenario respectivamente, por lo que se puede
afirmar que el río está contaminado debido que la [OD] < 8 mg/l.

3. El valor crítico de oxígeno disuelto es de 3,159 mg/l y la DBO de 5,941 mg/l

a una distancia de 184,81 kms. a 15 horas para el escenario A; el oxígeno
disuelto es de 2,744 mg/l y la DBO de 6,356 mg/l a una distancia de
339,51 kms. a 28,8 horas para el escenario B; el oxígeno disuelto es de
2,7437 mg/l y la DBO de 6,3563 mg/l a una distancia de 203,71 kms. a
17 horas para el escenario C.

63
4. El modelo de regresión lineal que explica el comportamiento del oxígeno
disuelto del río Pantaleón en función de la distancia recorrida (km.) es de
forma cubica para los 3 escenarios (A, B y C).

5. La medida de verificación más utilizada para los modelos matemáticos es el

RMSE para cada modelo estimado son 0,029, 0,023 y 0,073 (medidas en
[OD]) respectivamente, es decir, solo existe un error de predicción
aproximadamente es del 3 %, 2,3 % y 7,3 % para el escenario A, B y C
respectivamente; lo cual es muy bajo y se considera que los modelo
estimados para cada escenario se ajustan correctamente a los simulados.

6. Se rechaza la :r=0; por lo que existe correlación estadística entre el

oxígeno disuelto (mg/L) y la distancia (km.) a un nivel de significancia del 5
%.

7. Se rechaza la : = a un nivel de significancia del 5 %.

8. Se afirma por medio de la prueba de Tukey que los escenarios A, B y C

obtienen resultados de oxígeno disuelto (mg/l) estadísticamente a un nivel
de significancia del 5 %.

9. El río Pantaleón se encuentra actualmente contaminado debido a que las

concentraciones simuladas y estimadas de oxígeno disuelto son menores a
8mg/l.

64
 RECOMENDACIONES

1. Los datos de caudal utilizados en la simulación son colocados según

otras investigaciones realizadas por otros autores respecto al río
Pantaleón, sería apropiado realizar el cálculo del caudal
experimentalmente por cualquiera de los siguientes métodos: control de
aforo (volumétrico, Parshall, vertederos y orificios, sección –velocidad,
molinete).

2. La velocidad del río es obtenida por medio de investigaciones realizadas

por otros autores, es apropiado realizar el cálculo experimental por el
método del molinete los cuales son: 6/10, 8/10 y 2/10, varios puntos y
superficie.

3. Para conocer los valores de las constantes de desoxigenación ( y

reaireación se consultaron investigaciones de otros autores, se

considera apropiado calcular las constantes mencionadas

experimentalmente según los intervalos de profundidad del río y sus
respectivos caudales previamente calculados también de manera
experimental.

4. Esta investigación se realizó solo en temporada lluviosa (julio, agosto y

septiembre), sería apropiado realizar la curva SAG para las tres
temporadas del año (seca, cálida y lluviosa), ya que así, se obtienen
temperaturas para las tres estaciones mencionadas y relacionarlas con
sus respectivas constantes.

65
5. Es necesario que el Ministerio de Ambiente y Recursos Naturales
(MARN) proponga y ejecute nuevas medidas de acondicionamiento de
aguas para los ríos, en especial el río Pantaleón, ya que en la simulación
y estimación del modelo las concentraciones de oxígeno disuelto son
menores a 8mg/l (la mínima aceptada para que un cuerpo de agua se
considere libre de contaminación).

66
 BIBLIOGRAFÍA

1. AGUILAR, María. Análisis de Varianza. Colombia: Editorial

Buenaventura, 2016. 350 p.

2. CARVAJAL, Mayra. Análisis de Varianza. Guatemala: Editorial DIGI-

USAC, 2017. 160 p.

3. CELIS SARAVIA, Pedro. Contaminación del Agua. Guatemala: Facultad

de Ingeniería, USAC, 2017. 254 p.

4. CHIN, David. Water‐Quality Engineering in Natural Systems. Hoboken,

United States: WILEY, 2006. 24 p.

5. DOMÍNGUEZ, Jorge. Calibración de modelos matemáticos de calidad de

agua para valorar el impacto de estrategias de saneamiento del río
"Almendares. La Habana, Cuba: CENIC, 2005. 175 p.

6. ESPINOZA RIVAS, Roberto. MERINO, Allan. ZAVALETA LEMUS,

Rebeca. Caracterización Hidrodinámica y Dispersión de
Contaminantes de la parte alta del río Suquiapa, Santa Ana.
Ciudad Universitaria. El Salvador: Santana, 2013. 208 p.

7. FRAUME, Néstor. Diccionario ambiental. New Jersey, USA: John Wiley &
Song, 2014. 25 p.

67
8. _______________. Hydrodynamics and water quality: modeling rivers,
lakes, and estuaries. New Jersey, USA: John Wiley & Sons, 2014.
p. 385.

9. GARCÍA, Dunna. Simulación y análisis de sistemas con ProModel.

Monterrey, México: Pearson, 2013. 305 p.

10. GIL, Manuel. Depuración de aguas residuales: modelización de procesos

de lodos activos. Madrid, España: Consejo Superior de
Investigación Científicas, 2006. 400 p.

11. GUJARATI, D. Econometría. México, D.F: McGraw-Hill, 2003. 254 p.

12. G. PERERA, Jorge, R. SBRUGNERA, Gustavo, J. GRAIEB, Oscar, C.

PERERA, Teresa. Modelización Analógico-Digital de la Difusión de
Contaminantes y Nutrientes, en condiciones de régimen
estacionario en el Embalse frontal de Termas de Rio Hondo.
Argentina, Centro de Ingeniería Ambiental, Facultad Regional
Tucumán, Universidad Tecnológica Nacional, 2001. 12 p.

68
 ANEXOS

Anexo 1. Demostración de la ecuación de Streeter-Phelps

69
Continuación del anexo 1.

70
Continuación del anexo 1.

Fuente: RODRIGUEZ, Julio. Modelización de la incidencia del Oxígeno Disuelto y la Demanda

Bioquímica de Oxígeno en la calidad del agua del estero Atascoso, cantón Quevedo. pp. 44-45.

71
Anexo 2. Demostración de la ecuación de tiempo y distancia crítica de
Streeter-Phelps

Fuente: RODRIGUEZ, Julio. Modelización de la incidencia del Oxígeno Disuelto y la Demanda

Bioquímica de Oxígeno en la calidad del agua del estero Atascoso, cantón Quevedo, pp.46-47.

72
Anexo 3. Criterios para interpretar los coeficientes de correlación.

Coeficiente de correlación Interpretación

r=1 Correlación perfecta
0.8<r<1 Correlación muy alta
0.6<r<=0.8 Correlación alta
0.40<r<0.6 Correlación moderada
0.2<r<0.40 Correlación baja
0<r<0.20 Correlación nula

Fuente: QUIÑÓNEZ MARROQUÍN, Oscar, Axel. Métodos Cuantitativos II Estadística

Inferencial. p.218.

Anexo 4. Calificación del coeficiente de correlación

n r n r
5 0.873 0.468
18
6 0.811 0.456
19
7 0.754 0.4444
20
8 0.707 0.423
22
9 0.666 0.404
24
10 0.632 0.388
26
11 0.602 0.374
28
12 0.576 0.361
30
13 0.553 0.312
40
0.532 0.279
14 50
0.514 0.254
15 60
0.497 0.22
16 80
0.482 0.196
17 100 o más

Fuente: QUIÑÓNEZ, MARROQUÍN; Oscar, Axel. Métodos Cuantitativos II Estadística

Inferencial. p.219.

73
 Anexo 5. Valores críticos de Z a un nivel de significancia establecido

Fuente: CARVAJAL, Mayra. Apuntes de estadística, 2017. p.24.

Anexo 6. Ejemplo de metodología para ANDEVA de un factor: diseño

completamente aleatorizado con desigualdad de observaciones

En este caso, al igual que en el ejemplo No. 1, se trabaja un factor, pero cada
tratamiento tiene diferente número de observaciones esto es lo que se conoce como
desigualdad de observaciones.
Se efectuó un experimento con el fin de comparar la eficacia de tres programas de
capacitación, A, B y C, para los ensambladores de una pieza de equipo electrónico.
Se asignaron al azar los empleados a los distintos programas.
Después de que terminó el curso se le pidió a cada persona ensamblar un grupo igual
de piezas y se registró el tiempo que les tomaba completar la operación.
Los datos obtenidos de los tiempos en segundos se muestran a continuación:

programa de
capacitación
A 59 64 57 62 60 53
B 52 58 54 56
C 58 65 71 63 64

¿Los datos aportan evidencia suficiente para concluir que los tiempos medios de
ensamble de las personas capacitadas con cada uno de los tres programas son
diferentes? α = 0.01

74
Continuación del anexo 6.

Solución:

1. Planteamiento de hipótesis:
Ho: α1 = α2 = α3
H1: al menos una de las αi es diferente.

2. Nivel de significancia: α = 0.01

3. Valor de prueba:

El valor de prueba corresponde a una distribución F de Fisher, este valor

se calcula utilizando el complemento Análisis de datos de Excel, para lo
cual se tiene el procedimiento siguiente:

1ero. Se ingresan los datos a una hoja de datos nueva:

75
Continuación del anexo 6.
2do. Ingresar a Análisis de datos opción Análisis de un factor y Aceptar

3ero. Ingresar los datos a la ventana que se habilita:

En rango de entrada se colocan todos los datos ingresados

incluyendo sus encabezados, se coloca un cheque en Rótulos en la
primera Columna, porque esta vez los datos forman filas, en Alfa se
cambia a 0.01 para este caso pues es el valor que pide la prueba, y la
opción de salida siempre en hoja nueva, se revisa y se oprima aceptar.

76
Continuación del anexo 6.

4to. Se obtiene el siguiente despliegue, (aquí se muestra habiendo ajustado el ancho de las
columnas)

El RESUMEN muestra cuales son los valores promedio, conteo y varianza para cada
una de las plantas.

Y en el siguiente despliegue se obtienen los valores para realizar el Análisis de varianza

por medio de una F-Fisher

77
Continuación del anexo 6.

El valor que está debajo de F es el valor de prueba y el de la última columna es el

valor crítico

ANÁLISIS DE VARIANZA
Suma de Promedio de
Origen de las variaciones cuadrados Grados de los F Probabilidad Valor crítico para
libertad cuadrados F
Entre grupos 191.3 2 95.65 6.3193246 0.013347075 6.92660814
5
Dentro de los grupos 181.6333333 12 15.13611111

Total 372.9333333 14

6. Conclusión: con una significancia

de 0.01 se acepta la hipótesis nula,
Se tiene entonces: Fp = 6.319
4. Valor Critico: Fc = 6.927 teniendo evidencia estadística para
5. Gráfica y contraste afirma que no existe diferencia entre
los tiempos medios de ensamble de
las personas capacitadas con cada
uno de los tres programas

Fuente: AGUILAR, María, Análisis de Varianza. pp.1-4 .

78
Anexo 7. Datos del laboratorio de la primera corrida de DBO, DQO Y OD del
río Pantaleón

79
Continuación del anexo 7.

80
Continuación del anexo 7.

81
Continuación del anexo 7.

82
Continuación del anexo 7.

Fuente: Centro de Investigaciones de Ingeniería.

83
Anexo 8. Datos del laboratorio de la segunda corrida de DBO, DQO Y OD
del río Pantaleón

84
Continuación del anexo 8.

85
Continuación del anexo 8.

86
Continuación del anexo 8.

87
Continuación del anexo 8.

Fuente: Centro de Investigaciones de Ingeniería.

88
Anexo 9. Datos del laboratorio de la tercera corrida de DBO, DQO Y OD del
río Pantaleón

89
Continuación del anexo 9.

90
Continuación del anexo 9.

91
Continuación del anexo 9.

92
Continuación del anexo 9.

Fuente: Centro de Investigaciones de Ingeniería.

93
94