UNIVERSIDAD NACIONAL

TORIBIO RODRÍGUEZ DE MENDOZA DE AMAZONAS

ESCUELA DE POSGRADO

TESIS PARA OBTENER EL GRADO ACADÉMICO DE

DOCTOR EN CIENCIAS PARA EL DESARROLLO SUSTENTABLE
CON MENCIÓN EN
GESTIÓN DE LOS RECURSOS NATURALES Y MEDIO AMBIENTE

PROPUESTA DE TRATAMIENTO DE RESIDUOS COMO

BASE PARA LA GESTIÓN INTEGRAL Y SOSTENIBLE
DE RESIDUOS SÓLIDOS PARA LA CIUDAD DE
CHACHAPOYAS

Autor:
Mg. Carlos Alberto Canelo Dávila
Asesor:
Dr. Carlos Alberto Amasifuén Guerra

Registro: (………..)

CHACHAPOYAS – PERÚ
2022
 DEDICATORIA

Este trabajo tuvo el mejor impulso, el más grande y dulce…

Tuvo la fuerza inspirada en mis dos grandes amores: Luciana y Monita.
La vida es maravillosa con ustedes, mis dos chicas que amo tanto, la primera es mi
dulce alegría y la segunda es mi paz, mi roble, incluso mi fuerte cimiento para no
declinar en tiempos de tormentas.
Hoy es un día de calma, de un reto cumplido, para continuar de nuevo por lo
apasionadamente desconocido y ustedes, como siempre, son mi luz y mi cielo.

ii
 AGRADECIMIENTOS

Al Dr. Helmut Yabar, profesor asociado de la Universidad de Trucaba en Japón, por

facilitarme información de sus clases para el manejo del aplicativo Integrated Solid Waste
Management, sin su apoyo no hubiese sido posible el modelamiento de escenarios.

Al Dr. Manuel Milla, profesor de la Universidad Nacional de Jaén en Perú, por su

asesoramiento estadístico que permitió establecer criterios analíticos en estricta
correspondencia con los objetivos planteados en la presente investigación.

Al Dr. Carlos Amasifuén, por sus aportes al diseño y revisión crítica del proyecto
investigativo en un contexto lógico y de consistencia científica.

A los docentes y compañeros del doctorado por su juicio crítico desde las fases iniciales
de concepción de esta investigación.

iii
AUTORIDADES DE LA UNIVERSIDAD NACIONAL TORIBIO RODRÍGUEZ
DE MENDOZA DE AMAZONAS

Dr. Policarpio Chauca Valqui

Rector

Dr. Miguel Ángel Barrena Gurbillón

Vicerrector Académico

Dra. Flor Teresa García Huamán

Vicerrectora de Investigación

Dr. Raúl Rabanal Oyarce

Director de la Escuela de Posgrado

iv
 VISTO BUENO DEL ASESOR DE LA TESIS

El docente de la UNTRM-A que suscribe, hace constar que ha asesorado la realización

de la tesis titulada: “Propuesta de Tratamiento de Residuos como Base para la
Gestión Integral y Sostenible de Residuos Sólidos para la Ciudad de Chachapoyas”,
realizada por el doctorando en Ciencias para el Desarrollo Sustentable: Mg. Carlos
Alberto Canelo Dávila.

Por lo indicado doy testimonio y visto bueno al informe final de la tesis mencionada,
dándole pase para su revisión por el jurado evaluador, comprometiéndose a supervisar la
absolución de observaciones y en el acto de sustentación de tesis.

Chachapoyas. 26 de octubre del 2021

……………………………….
Dr. Carlos Amasifuén Guerra

v
JURADO EVALUADOR DE LA TESIS

…………………………………………
Dr. Carlos Eduardo Millones Chanamé
Presidente

……………………………………….
Dr. Cesar Hugo García Torres
Secretario

………………………………………
Dra. Mariel del Rocío Chotón Calvo
Vocal

vi
CONSTANCIA DE ORIGINALIDAD DE LA TESIS

vii
ACTA DE SUSTENTACIÓN DE LA TESIS

viii
 CONTENIDO GENERAL

DEDICATORIA.............................................................................................................. ii

AGRADECIMIENTOS ................................................................................................. iii

AUTORIDADES DE LA UNIVERSIDAD NACIONAL TORIBIO RODRÍGUEZ

DE MENDOZA DE AMAZONAS ............................................................................... iv

VISTO BUENO DEL ASESOR DE LA TESIS ........................................................... v

JURADO EVALUADOR DE LA TESIS..................................................................... vi

CONSTANCIA DE ORIGINALIDAD DE LA TESIS .............................................. vii

ACTA DE SUSTENTACIÓN DE LA TESIS............................................................ viii

CONTENIDO GENERAL ............................................................................................ ix

ÍNDICE DE TABLAS ................................................................................................... xi

ÍNDICE DE FIGURAS ............................................................................................... xiii

RESUMEN ................................................................................................................... xiv

ABSTRACT ................................................................................................................... xv

I. INTRODUCCIÓN ................................................................................................. 16

II. MATERIAL Y MÉTODOS .................................................................................. 21

2.1 Ámbito de estudio y variables ................................................................................. 21

2.1.1 Población, muestra y muestreo ........................................................................ 21

2.1.2 Variables de estudio ......................................................................................... 25

2.2 Estudio de caracterización de los RSU de la ciudad de Chachapoyas .................... 28

2.3 Comparación de las emisiones y costos entre los escenarios propuestos ................ 29

2.3.1 Propuesta de escenarios de tratamiento de RSU .............................................. 29

2.3.2 Comparación de los escenarios mediante LCA ............................................... 32

2.4 Análisis de datos ...................................................................................................... 34

III. RESULTADOS ...................................................................................................... 38

ix
 3.1 Caracterización de los RSU de la ciudad de Chachapoyas .............................. 38

3.2 Preselección cualitativa de la tecnología de tratamiento.................................. 39

3.3 Comparación de emisiones al aire y agua entre escenarios y momentos ......... 40

3.4 Comparación de costos .................................................................................... 45

IV. DISCUSIÓN ........................................................................................................... 47

V. CONCLUSIONES ................................................................................................. 55

VI. RECOMENDACIONES ....................................................................................... 56

VII. REFERENCIAS BIBLIOGRÁFICAS ................................................................ 57

ANEXOS ........................................................................................................................ 77

Plano catastral por sectores de la ciudad de Chachapoyas .......................................... 77

Matriz de apoyo a la toma de decisiones .................................................................... 78

Operacionalización de variables ................................................................................. 79

Emisiones al aire y agua por escenario ....................................................................... 80

Supuestos básicos del análisis de varianzas .............................................................. 116

Análisis de varianza y Kruskal-Wallis ...................................................................... 136

Prueba de comparaciones múltiples .......................................................................... 183

Flujo de residuos con LCA ....................................................................................... 191

x
 ÍNDICE DE TABLAS

Tabla 1. Población en el distrito de Chachapoyas. ......................................................... 21

Tabla 2. Distribución de la muestra en la ciudad de Chachapoyas. ............................... 22
Tabla 3. Distribución de la muestra para la obtención de residuos comerciales. ........... 24
Tabla 4. Distribución de las muestras específicas en mercados. .................................... 24
Tabla 5. Criterios de evaluación de las tecnologías. ....................................................... 27
Tabla 6. Comparación de escenarios por estudio de caracterización. ............................ 34
Tabla 7. Composición de residuos sólidos domiciliarios. .............................................. 38
Tabla 8. Composición de residuos sólidos comerciales. ................................................ 39
Tabla 9. Valoración de las tecnologías de tratamiento. .................................................. 39
Tabla 10. Análisis de Varianza y Prueba HSD de Tukey en aire. .................................. 41
Tabla 11. Prueba de Kruskal-Wallis y Comparaciones Múltiples en aire. ..................... 41
Tabla 12. Análisis de Varianza y Prueba HSD de Tukey en agua. ................................. 42
Tabla 13. Prueba de Kruskal-Wallis y Comparaciones Múltiples en agua. ................... 43
Tabla 14. Comparación de emisiones entre los escenarios 1 y 5. ................................... 44
Tabla 15. Comparación de costos entre relleno sanitario e incineración. ....................... 46
Tabla 16. Operacionalización de variables. .................................................................... 79
Tabla 17. Emisiones al aire en M1E1. ............................................................................ 80
Tabla 18. Emisiones al agua en M1E1. .......................................................................... 81
Tabla 19. Emisiones al aire en M1E2. ............................................................................ 82
Tabla 20. Emisiones al agua en M1E2. .......................................................................... 83
Tabla 21. Emisiones al aire en M1E3. ............................................................................ 84
Tabla 22. Emisiones al agua en M1E3. .......................................................................... 85
Tabla 23. Emisiones al aire en M1E4. ............................................................................ 86
Tabla 24. Emisiones al agua en M1E4. .......................................................................... 87
Tabla 25. Emisiones al aire en M1E5. ............................................................................ 88
Tabla 26. Emisiones al agua en M1E5. .......................................................................... 89
Tabla 27. Emisiones al aire en M1E6. ............................................................................ 90
Tabla 28. Emisiones al agua en M1E6. .......................................................................... 91
Tabla 29. Emisiones al aire de M2E1. ............................................................................ 92
Tabla 30. Emisiones al agua de M2E1. .......................................................................... 93
Tabla 31. Emisiones al aire de M2E2. ............................................................................ 94
Tabla 32. Emisiones al agua de M2E2. .......................................................................... 95

xi
Tabla 33. Emisiones al aire de M2E3. ............................................................................ 96
Tabla 34. Emisiones al agua de M2E3. .......................................................................... 97
Tabla 35. Emisiones al aire de M2E4. ............................................................................ 98
Tabla 36. Emisiones al agua de M2E4. .......................................................................... 99
Tabla 37. Emisiones al aire de M2E5. .......................................................................... 100
Tabla 38. Emisiones al agua de M2E5. ........................................................................ 101
Tabla 39. Emisiones al aire de M2E6. .......................................................................... 102
Tabla 40. Emisiones al agua de M2E6 ......................................................................... 103
Tabla 41. Emisiones al aire M3E1. ............................................................................... 104
Tabla 42. Emisiones al agua M3E1. ............................................................................. 105
Tabla 43. Emisiones al aire M3E2. ............................................................................... 106
Tabla 44. Emisiones al agua M3E2. ............................................................................. 107
Tabla 45. Emisiones al aire M3E3. ............................................................................... 108
Tabla 46. Emisiones al agua M3E3. ............................................................................. 109
Tabla 47. Emisiones al aire M3E4. ............................................................................... 110
Tabla 48. Emisiones al agua M3E4. ............................................................................. 111
Tabla 49. Emisiones al aire M3E5. ............................................................................... 112
Tabla 50. Emisiones al agua M3E5. ............................................................................. 113
Tabla 51. Emisiones al aire M3E6. ............................................................................... 114
Tabla 52. Emisiones al agua M3E6. ............................................................................. 115

xii
 ÍNDICE DE FIGURAS

Figura 1. Jerarquía de gestión de residuos ................................................................... 18

Figura 2. Gestión integral y sostenible de residuos ..................................................... 18
Figura 3. Flujo de residuos con LCA en E1M2 ......................................................... 191
Figura 4. Flujo de residuos con LCA en E5M2 ......................................................... 192

xiii
 RESUMEN

Los residuos sólidos urbanos (RSU) de la ciudad de Chachapoyas se vierten en un

vertedero no autorizado que contamina el ambiente. El objetivo de este estudio fue
seleccionar el tratamiento óptimo que contribuya a la gestión integral y sostenible de RSU
en dicha ciudad. Se realizaron tres estudios de caracterización de RSU durante el año
2020 y se hizo una preselección cualitativa de tecnologías a ser usadas para su gestión.
Se establecieron seis escenarios de tratamiento de RSU cuyas emisiones al aire y agua
fueron comparadas con el software IWM-2. Con el programa Statistix 8.0, se realizó el
análisis de supuestos básicos. Para el análisis paramétrico se aplicó la prueba de Fisher
con el test de Tukey y para el no paramétrico la prueba de Kruskal-Wallis y
comparaciones múltiples. Se evaluó la viabilidad técnica y económica de los escenarios
menos contaminantes. En la composición de residuos domiciliarios la fracción orgánica
representó el 65.5%, los reaprovechables el 16.5% y los no aprovechables 17.8%. Los
residuos comerciales tuvieron 41.4% de orgánicos, 37.2% de aprovechables y 21.4% de
no aprovechables. Se demostró que el escenario sin tratamiento fue el más contaminante
en el 45.1 % de los parámetros ambientales, y se descartó el escenario de incineración
con recuperación energética por ser inviable técnica y económicamente. El escenario 5
que incluyó la segregación, recolección domiciliaria, reciclaje, aprovechamiento del
compost y captura de biogás fue el tratamiento óptimo seleccionado para contribuir a la
gestión integral y sostenible de los RSU en la ciudad de Chachapoyas.

Palabras clave: Análisis del ciclo de vida, relleno sanitario, medición cuantitativa de
emisiones, residuos sólidos urbanos y gases de efecto invernadero.

xiv
 ABSTRACT

Solid urban waste (MSW) from the city of Chachapoyas is dumped in an unauthorized
landfill that pollutes the environment. The objective of this study was to select the optimal
treatment that contributes to the comprehensive and sustainable management of MSW in
said city. Three MSW characterization studies were carried out during the year 2020 and
a qualitative pre-selection of technologies to be used for its management was made. Six
MSW treatment scenarios were established whose emissions to air and water were
compared with the IWM-2 software. With the Statistix 8.0 program, the analysis of basic
assumptions was carried out. For the parametric analysis, the Fisher test was applied with
the Tukey test and for the non-parametric analysis, the Kruskal-Wallis test and multiple
comparisons. The technical and economic feasibility of the least polluting scenarios was
evaluated. In the composition of household waste, the organic fraction represented 65.5%,
reusable 16.5% and non-usable 17.8%. Commercial waste had 41.4% organic, 37.2%
usable and 21.4% non-usable. It was shown that the scenario without treatment was the
most polluting in 45.1% of the environmental parameters, and the incineration scenario
with energy recovery was ruled out because it was technically and economically
unfeasible. Scenario 5, which included segregation, home collection, recycling, compost
use and biogas capture, was the optimal treatment selected to contribute to the
comprehensive and sustainable management of MSW in the city of Chachapoyas.

Key words: Life cycle analysis; landfill, quantitative emission measurement, municipal
solid waste and greenhouse gases.

xv
I. INTRODUCCIÓN

La disposición incontrolada de residuos sólidos urbanos (RSU) en el mundo seguirá

incrementándose hasta casi 730 millones de toneladas métricas en el año 2028 (Maalouf
et al., 2020), mientras tanto se ha encontrado evidencias parciales de mayor riesgo de
partos adversos, mortalidad, enfermedades respiratorias y efectos negativos en la salud
mental para los habitantes colindantes de vertederos y sitios de disposición final que usan
antiguas tecnologías (Vinti et al., 2021).

El manejo inadecuado de residuos sólidos en America Latina y el Caribe (AMLC) abarca

el uso de botaderos ilegales, quema al aire libre, disposición en cuerpos de agua,
problemas operativos y ambientales diversos (Hettiarachchi et al., 2018), casi nulo
aprovechamiento y sostenibilidad financiera en las tecnologías de tratamiento o
disposicion final (Organización Panamericana de la Salud [OPS] et al., 2010; Programa
de las Naciones Unidas para los Asentamientos Humanos [UN HABITAT], 2010a ) e
insuficiente planificación (Jha et al., 2011). Es necesario que se establezcan los
indicadores adecuados para la toma de decisiones y se refuercen los programas de
educación ambiental y cumplimiento de la normativa (Sánchez et al., 2019). En AMLC
la prioridad es cambiar el uso de vertederos no controlados por rellenos sanitarios, aun
cuando presenta mayores impactos ambientales que otros métodos como la incineración
y el tratamiento biológico. Pero, esto se debe a que el uso de metodologías avanzadas no
es aplicable a ciudades con pequeñas poblaciones, ni del mismo modo en cualquier región
o localidad y tipo de generación de residuos (Margallo et al., 2019).

En el Perú aproximadamente el 70% de los residuos sólidos municipales se disponen en

botaderos no autorizados (Orihuela, 2018) y su manejo viene generando problemas de
salud (PSIRU, 2017). Los pocos rellenos sanitarios (Ministerio del Ambiente [MINAM],
2016), que al año 2020 fueron un total de 54 (Agencia de Estados Unidos para el
Desarrollo Internaciona [USAID], 2021), en muchos casos su ubicación no es la más
idónea (MINAM, 2014) y no han alcanzado un manejo integral. Los programas
presupuestales financiados para mejorar la gestión de RSU han tenido deficiencias en su
concepción y en los resultados (Ministerio de Economía y Finanzas [MEF], 2017).

16
En la región Amazonas existen 77 áreas degradadas (Organismo de Evaluación y
Fiscalización Ambiental [OEFA], 2021), el 77% (60) de las municipalidades distritales
destinan sus residuos recolectados en botaderos a cielo abierto y un 12% (9) no presta el
servicio de recolección (Instituto Nacional de Estadística e Informática [INEI], 2018) y
si bien el Gobierno Regional Amazonas mediante convenio con la Agencia de
Cooperación Internacional del Japón ha construido cuatro rellenos sanitarios que
funcionan desde el año 2019 en óptimas condiciones, en el distrito de Chachapoyas se
ha obtenido una ponderación de seis respecto a un máximo de veinte en el ranking de
cumplimiento en la gestión y manejo de residuos sólidos (OEFA, 2015).

La gestión y menjo de los RSU de la ciudad de Chachapoyas aún no contempla un método

adecuado de tratamiento y/o disposición final de RSU por lo que ha sido declarado en
emergencia (MINAM, 2019) y tampoco se han realizado estudios que hayan analizado
comparativamente las tecnologías de tratamiento de RSU que podrían ser implementadas.

El enfoque sistémico de la gestión integrada y sostenible de residuos sólidos (ISWM, del

inglés Integrated and Sustainable Solid Waste Management) comprende: (1) Las partes
interesadas, involucradas y afectadas, (2) Los elementos prácticos y técnicos del sistema
de residuos, que incluye al ciclo de vida o flujo de materiales que se inicia con la
extracción de recursos naturales y continúa a través del procesamiento, producción,
consumo, tratamiento y eliminación (Figura 1). La jerarquía (Asociación Internacional de
Residuos Sólidos [ISWA], 2011) en la gestión es la piedra angular del enfoque ISWM
(Figura 2) y da prioridad a la prevención, minimización, reciclaje y otras formas de
recuperación de materiales y (3) “Los aspectos” que es el término utilizado para el
contexto social, económico y toda la gama de factores que afectan las actividades de
residuos sólidos y que, en conjunto, predicen o influyen en la sostenibilidad del sistema
(Anschütz et al., 2004; Programa del Medio Ambiente de las Naciones Unidas [UNEP] y
ISWA, 2015 y UN-HABITAT, 2010b).

17
 Figura 1. Jerarquía de gestión de residuos.

Figura 2. Gestión integral y sostenible de residuos.

El término “integrado” en la ISWM se refiere a la interdependencia entre las diversas

actividades (elementos), partes interesadas y puntos de vista (aspectos de sostenibilidad)
que son necesarios para permitir que el sistema en general funcione (Wilson et al., 2013).

La gestión integral comprende factores técnicos, socio-culturales, administrativos,

institucionales, legales y económicos interrelacionados y el manejo integral alcanza tareas
normativas, operativas, financieras y de planificación según criterios sanitarios,
ambientales y económicos para recolectar, tratar y depositar los residuos sólidos
municipales (agencia de Cooperación Técnica Alemana [GTZ] y Comisión Mexicana de
Infraestructura Ambiental [COMIA], 2003); es decir, "los problemas son
multidimensionales y multidisciplinarios" (Zurbrügg, 2013). El OEFA (2015) hace una

18
diferenciación práctica entre manejo y gestión de residuos sólidos municipales,
refiriéndose el primero a los aspectos netamente operativos.

Para entender la sostenibilidad es conveniente revisar el informe "Nuestro Futuro Común"

(informe Brundtland) que esbozó el concepto de “desarrollo duradero” (Organización de
las Naciones Unisas [ONU], 1987), la Declaración del Milenio (ONU, 2000), la Agenda
2030 para el Desarrollo Sostenible (ONU, 2015 y 2016) que el Perú forma parte (ONU,
1992; MINAM, 2016). Los aspectos conceptuales complementarios en relación a la
sostenibilidad en los proyectos ha sido abordado por McConville y Mihelcic (2007) y
sobre la gestión sostenible de los residuos sólidos por Cointreau (2001) y Giuseppe et al.
(2012).

Los escenarios son herramientas muy útiles para el desarrollo de políticas públicas
orientadas hacia la sostenibilidad, entre ellas se cuenta con la de Evaluación de Impacto
de Sostenibilidad, Evaluación de Impacto Participativa (Fauré et al., 2017), el Análisis
del Ciclo de Vida (Life Cycle Assessment, LCA) que ha sido empleada para comparar
diferentes escenarios de gestión de residuos sólidos en la toma de decisiones para
seleccionar un determinado tipo de tratamiento (Assamoi y Lawryshyn, 2011; Johnson
2013; Akhavan et al., 2017; Norazli et al., 2015) y Métodos de Decisión de Atributos
Múltiples, Análisis Envolvente de Datos y Toma de Decisiones Multiobjetivo (Thies et
al., 2019). El LCA tiene mayor uso en paises desarrollados para estudiar el potencial de
generación de energía y las categorías de impactos o daños ambientales de las tecnologías
de conversión de residuos a energía como rellenos sanitarios, incineración, digestión
anaeróbica, pirólisis y gasificación (Dastjerdi et al., 2021).

Con el apoyo del LCA se ha determinado que la gestión de residuos en paises

desarrollados ha logrado un mejor desempeño ambiental respecto al potencial de
calentamiento global con 493.48 kg CO2-eq/t de RSU en relación a los 957.51 kg CO2-
eq en paises en desarrollo, debido a la implementación de estrategias para disminuir la
cantidad de residuos destinados a los escenarios de tratamiento convencional, el manejo
de impactos, la implementación de soluciones pragmáticas y la gestión de residuos
prioritarios (Zhang et al., 2021).

19
En paises en desarrollo como el Perú conviene promover la reducción de residuos, la
integración de tecnologías de reciclaje y los métodos de tratamiento con recuperación de
recursos de bajo costo y de menor tecnología como las estrategias más convenientes que
dependen de factores contextuales, técnicos y socioeconómicos (Iqbal et al., 2020). Si
bien los adelantos tecnológicos actuales han hecho que la ISWM sea más eficiente y la
recuperación de energía más viable (Shah et al., 2021), la adopción de tecnologías debe
analizarse, por eso es conveniente desarrollar escenarios para determinar que tecnología
de tratamiento de residuos se puede implementar desde un análisis ambiental y
económico, más aún si lo que se busca es lograr una ISWM, para que luego de posteriores
investigaciones se proponga indicadores que permitan una adecuada planificación y
evaluación de la gestión de RSU desde el corto hasta el largo plazo (Da Silva, 2017; Silva
et al., 2018 y Santos y Furiam, 2012)

La aplicación de LCA con miras a lograr la ISWM en Perú es incipiente (Vázquez et al.,
2019) y en Amazonas no se han realizado estudios al respecto. El manejo de RSU en la
ciudad de Chachapoyas comprende una escasa segregación, reciclaje informal y ningún
método controlado de tratamiento final; por lo que la presente tesis es eminentemente
aplicativa y servirá de apoyo a la toma de decisión del gobierno municipal para optar por
la tecnología más adecuada de tratamiento de RSU, pues dotará de elementos científicos
que a la fecha no se cuenta en nuestra realidad local.

Por lo antes indicado, el objetivo general de la presente investigación es seleccionar el

tratamiento de residuos óptimo que contribuya a la gestión integral y sostenible de
residuos sólidos en la ciudad de Chachapoyas, para lograrlo se ha tenido que caracterizar
los RSU y comparar las emisiones y costos entre los escenarios propuestos de tratamiento
mediante la metodología del LCA.

20
II. MATERIAL Y MÉTODOS

2.1 Ámbito de estudio y variables

2.1.1 Población, muestra y muestreo

Se requirió datos sobre el número de habitantes y hogares de la ciudad de Chachapoyas

para el cálculo del tamaño de la muestra representativa de la población, así mismo se
empleó el registro de establecimientos comerciales para calcular la muestra
correspondiente.

El muestreo fue estratificado y proporcional, lo que aseguró que cada vivienda o

establecimiento comercial de un estrato tuviera la misma probabilidad de ser
seleccionado y para elegir las unidades muestrales se optó por el método del muestreo
simple aleatorio.

a) Población de viviendas y establecimientos comerciales

Para la estimación de la generación total de residuos sólidos se empleó la población
del distrito de Chachapoyas correspondiente al año 2021 (Tabla 1) que es de 39836
habitantes según la Oficina General de Tecnologías de Información del Ministerio de
Salud, (MINSA, 2021).

Tabla 1 Población en el distrito de Chachapoyas.

Grupos etáreos 0-19 20-39 40-69 70 a más Total
Población 13933 13095 11091 1717 39836

La población de establecimientos comerciales se obtuvo de información catastral del

año 2020 que incluyó aquellos negocios formales e informales y de la data de licencias
de funcionamiento y padrones de la Municipalidad Provincial de Chachapoyas.

b) Muestra de viviendas para residuos domiciliarios

El tamaño de la muestra de viviendas a las cuales se debió visitar para realizar los
estudios de caracterización de residuos urbanos se calculó con la metodología
establecida por Sakurai (1983) y modificada por Cantanhede et al. (2006).

El total de viviendas fue obtenido del catastro municipal y el tamaño de la muestra de

viviendas generadoras de RSU se obtuvo aplicando la Formula 1:
21
𝑛𝑖 = (𝑍_((1 − 𝑎/2))^2 𝑁𝜎^2)/((𝑁 − 1) 𝑒^2 〖 + 𝑍〗_((1 − 𝑎/2) )^2 𝜎^2 )
Donde:
ni = muestra preliminar de las viviendas que participarán en el estudio.
N = total de viviendas urbanas = 9664.
Z1- α/2 = nivel de confianza 95%=1.96.
σ = desviación estándar (0.25).
e = error permisible, que equivale al 10% de la generación per cápita nacional (GPCN;
según el Ministerio del Ambiente (2017) para el año 2017 es de 0.5152; e = 0.05152.

Reemplazando en la fórmula se obtuvo:

𝑛𝑖 = (〖1.96〗^2 ∗ 9664 ∗ 〖0.25〗^2)/(9663 ∗ 〖0.05152〗^2 + 〖1,96〗^2

∗ 〖0.25〗^2 ) = 89.62 ⟹ 90

Luego: 𝑛𝑖/𝑁 = 90/9664 = 0.0093

Como 0.0093 es menor que 0.1, es válido la cantidad de la muestra preliminar, sin
embargo, en base a la experiencia en estudios similares se adicionó 30 muestras como
contingencia.

El tamaño de la muestra total de viviendas n = 90+30 =120 se distribuyó

proporcionalmente en los sectores de la ciudad según el Plan de Desarrollo Urbano
aprobado con la Ordenanza No 054-2014 –MPCH, según se muestra en la Tabla 2.

Tabla 2 Distribución de la muestra en la ciudad de Chachapoyas.

Sector Muestras
Santo Toribio de Mogrovejo y Santa Rosa de 20
Luya Urco
Alonso de Alvarado y Señor de los Milagros 20
Pedro Castro Alva 10
San Carlos de Murcia 10
Barrio Yance y La Laguna 20
Barrio Santo Domingo 20
Virgen Asunta y Barrio Higos Urco 20
Total 120

22
La muestra fue seleccionada por el método de muestreo simple aleatorio, que consiste
en escoger de las unidades muestrales, el total de las viviendas, de tal modo que cada
una tenga la misma posibilidad de ser escogida. Esto se realizó con balotas numeradas
desde el 1 hasta el total de viviendas de la muestra en una urna, se mezclaron luego
fueron tomadas al azar en el ámbito de estudio (Anexo 8.9).

c) Muestra de establecimientos comerciales para residuos no domiciliarios

Para el cálculo de la muestra para residuos comerciales (no domiciliarios) se empleó
la misma ecuación del numeral 2.2.2 en base a la población total de establecimientos
comerciales de 413.

Por tanto:

𝑛𝑖 = (〖1.96〗^2 ∗ 413 ∗ 〖0.25〗^2)/(412 ∗ 〖0.05152〗^2 + 〖1.96〗^2

∗ 〖0.25〗^2 ) = 74.35 ⟹ 74

Luego: 𝑛𝑖/𝑁 = 74/413 = 0.18

Como 0.18 es mayor que 0.1, se corrigió la muestra aplicando la Fórmula 2 en la

cual (𝑛𝑐 = 𝑛𝑖) ⁄ ((1 + 𝑛𝑖/𝑁)); donde nc = muestra corregida; ni = muestra
preliminar y N = población total.

Entonces:

74
𝑛𝑐 = 74 ⁄ (1 + 413)) = 63.

La distribución de la muestra se presenta en la Tabla 3.

23
 Tabla 3 Distribución de la muestra para la obtención de residuos comerciales.

Tipo Establecimientos Muestras Muestras de Total

contingencia
Establecimientos comerciales 259 40 13 53
Restaurantes 65 10 3 13
Hoteles 30 5 1 6
Instituciones educativas 20 3 1 4
Instituciones públicas y
privadas 25 4 1 5
Mercados 5 1 0 1
Limpieza de espacios públicos 9 1 0 1
Total 413 63 19 82

Para el cálculo de la muestra para mercados y con la ecuación de la Fórmula 1, en base a

una población N de 254 tenemos:

𝑛𝑖 = (〖1.96〗^2 ∗ 254 ∗ 〖0.25〗^2)/(253 ∗ 〖0.05152〗^2 + 〖1.96〗^2

∗ 〖0.25〗^2 ) = 67

Después: 𝑛𝑖/𝑁 = 67/254 = 0.26 y como 0.26 es mayor que 0.1, se corrigió la
muestra con la Formula 2.

Se obtuvo:

67
𝑛𝑐 = 67 ⁄ (1 + 254) = 53

La distribución quedó establecida así:

Tabla 4 Distribución de las muestras específicas en mercados.

Giro comercial Establecimientos % Muestras

Abarrotes 122 48 25
Mercadería 66 26 14
Carnicería 16 6 3
Verduras 24 9 5
Venta de alimentos 26 10 5
254 100 53

24
2.1.2 Variables de estudio

En el presente estudio no se buscó establecer la causalidad, por ello no se pudo calificar

a las variables como independientes o dependientes, ya que son simplemente variables
atributivas asociadas (Hashimoto, 2013).

Variable 1 (Tratamiento de residuos)

Definición conceptual.- Es la correcta combinación de alternativas y tecnologías para

el manejo de los residuos sólidos urbanos. Esta variable se describió a través de
escenarios futuros para denotar el marco de comparación de las alternativas
tecnológicas con el objeto de explorar en forma sistemática situaciones futuras que
permitan adoptar decisiones estratégicas y de gestión para el cambio, razón por la cual
el "análisis de escenarios", es una alternativa al análisis de sensibilidad para probar
supuestos y elecciones específicas de casos en modelos (Bisinella, 2017).

Los escenarios futuros no deben entenderse como pronósticos o predicciones del

futuro, pues aquellos no se describen como una sola imagen, sino que se requieren
diversas visiones alternativas plausibles para describir la gama de futuros posibles.

Los escenarios han sido propuestos para resaltar los aspectos más importantes del
tratamiento de residuos que se impulsarán en el desarrollo futuro, tales como las
condiciones políticas y de regulación, subvenciones, tecnologías de gestión de
residuos, composición de residuos, etc.

Definición operacional.- Debemos recordar que se trata de una investigación

prospectiva y por ende antes de proponer los escenarios de tratamiento de residuos
sólidos urbanos esta Variable 1 para la ciudad de Chachapoyas, debemos considerar la
tecnología que ha resultado adecuada en la evaluación cualitativa de la Variable 2,
hecha la precisión; la operacionalización de la Variable 1 a través de los Escenarios
futuros de tratamiento de residuos sólidos fue establecida de la siguiente manera:

25
Los escenarios fueron definidos desde el escenario uno (E1) aquel sin tecnología hasta
los demás escenarios 2, 3…6 (E1, E2,...E6) y fueron el resultado de una combinación de
alternativas y tecnologías, desde la más simple a la más compleja.

A cada escenario se realizó un análisis de las emisiones de importancia para el aire y

del agua, así como del costo en soles mediante el LCA con el uso del software IWM-
2 (Integrated Waste Management) explicado por McDougall et al. (2008).

Los materiales recuperados y el compost son productos y, por lo tanto, se colocaron

como salidas del IWM-2.

Los contenidos energéticos entregados de la gasolina y el diésel son 34.35 y 38.14 MJ

/ litro, respectivamente. Se ha considerado que para suministrar 1 MJ de energía como
diésel se requiere un aporte energético bruto de 1.32 MJ. Estas cargas de "pre-
combustión" de la producción de gasolina y diésel se incluyen en los datos del IWM-
2 (los litros se utilizan como unidad, ya que así es como se totaliza el consumo de
combustible durante el ciclo de vida). Dado que la mayor parte del consumo de
gasolina y diésel en el sistema de gestión de residuos es debido al uso de vehículos
pesados, los datos de estos vehículos fueron utilizados como base para calcular las
emisiones.

La evaluación económica paralela de los costos generales del sistema de gestión de

residuos también requiere datos variables y fijos. Los costos de recolección de residuos
domésticos fueron calculados por hogar al año. Como el objetivo del modelo IWM-2
es comparar los costos del sistema completo de gestión de residuos, el costo se calculó
como el costo total por año. Para compararlo con otra literatura, se consideró el costo
por hogar por año y costo por tonelada de producción por año.

Variable 2 (Gestión integrada y sostenible de residuos)

Definición conceptual. - Incluye el manejo y la gestión local de residuos con la

finalidad de proteger la salud de la población, promover la calidad ambiental,
desarrollar la sostenibilidad con inclusión y proveer un soporte para la productividad
económica que surge en la ciudad de Chachapoyas.

26
Definición operacional. - Se empleó el instrumento de evaluación rápida desarrollada
por Whiteman et al. (2016) y la matriz de apoyo a la toma de decisiones propuesto por
GIZ (2017), esta variable compleja fue operacionalizada con 12 ítems (Anexo 8.9).

Para establecer la gestión integrada y sostenible de residuos sólidos para el caso de la

ciudad de Chachapoyas se incluyó alguna de las 5 tecnologías de aprovechamiento
energético tales como: incineración, coprocesamiento, digestión anaeróbica, relleno
sanitario y pirólisis y gasificación; por lo que se realizó una evaluación realista incluso
existiendo brechas de información para su implementación en un escenario futuro
cercano. Las tecnologías fueron evaluadas cualitativamente mediante diferentes
colores para cada una de los 12 ítems, de la siguiente manera: i) verde (V): La
tecnología es altamente probable que sea la adecuada; ii) amarillo (A): Se necesita
mayor información y/o mejoras a los entornos locales para una planificación concreta
e implementación exitosa de la tecnología y iii) rojo (R): La tecnología no es la
adecuada y se recomienda mejorar o variar las condiciones locales o seleccionar otra
tecnología diferente.

Una vez que se asignaron los colores correspondientes a cada ítem, se procedió a
escoger la tecnología que es la más adecuada para su implementación según nuestra
realidad local empleando los criterios indicados en la Tabla 5.

Tabla 5 Criterios de evaluación de las tecnologías.

≥ 9 campos son V La tecnología es adecuada para su
El resto de campos es A implementación.
˂ 9 campos V Hay dudas para la implementación
El resto de campos es A de la tecnología, pues las
condiciones actuales no son
favorables plenamente.
≥ 1 campo R La tecnología es inadecuada para
su implementación

La operacionalización de variables está resumida en la Tabla 14 del Anexo.

27
 La presente investigación prospectiva tuvo en cuenta los sugerido por Jerneck et al.
(2011), respecto que la investigación de “sostenibilidad integrada” es gradual,
comenzando con una primera fase de multidisciplinariedad (de 1 a 2 años), una
segunda fase interdisciplinaria (de 3 a 5 años), y una tercera fase transdisciplinaria (de
6 a 10 años). Según Kajikawa (2008) la ciencia de la sostenibilidad no es una “ciencia”
según una definición tradicional sino que mientras se estudia, también se está tratando
de definirlo.

2.2 Estudio de caracterización de los RSU de la ciudad de Chachapoyas

Se realizó el estudio de caracterización de RSU de la ciudad de Chachapoyas según la

Guía para la Caracterización de Residuos Municipales del MINAM (2018) y la Guía
para el Cumplimiento de la Meta 06 para ciudades principales tipo B (MEF, 2016).
El estudio se realizó en las etapas siguientes:

a) Planificación: Consistió en la conformación del equipo de campo, coordinación de

los aspectos logísticos e identificación de las muestras por fuentes de generación.

b) Trabajo de campo y operaciones: Se realizaron tres estudios de caracterización de

residuos sólidos tanto de tipo domiciliario como comercial, en los meses de abril
(M1), agosto (M2) y diciembre (M3).

c) Análisis de la información de RSU: Se obtuvo información sobre la generación

total, generación per cápita de residuos domiciliarios; generación de RSU
comerciales, composición, densidad y humedad (sirvió para estimar su
potencialidad en la generación de lixiviados y la degradación aeróbica o
semiaeróbica).

Los datos relevantes de la composición de residuos fueron agrupados de la siguiente

manera:
- papel: papel, cartón y cartón ondulado y productos de papel.
- vidrio: botellas y frascos de vidrio (todos los colores) y vidrio laminado.
- metales: todos los metales, incluidas las latas, que será subdividido en: ferroso y no
ferroso.

28
 - plásticos: todos los tipos de resinas plásticas, incluidas botellas, películas, laminados
y estará subdividido en plásticos rígidos y películas de plástico.
- textiles: todas las telas y trapos ya sean sintéticos o fibras naturales.
- residuos orgánicos: putrescibles de cocina o jardín y procesamiento de alimentos
residuos.
- otros: todos los demás materiales, incluidos materiales finos, cuero y madera de
caucho.

2.3 Comparación de las emisiones y costos entre los escenarios propuestos

2.3.1 Propuesta de escenarios de tratamiento de RSU

Un escenario en el LCA es “una descripción de una posible situación futura relevante

para aplicaciones específicas de LCA, basada en suposiciones específicas sobre el
futuro, y (cuando sea relevante) también incluye la presentación del desarrollo desde
el presente al futuro" (Pesonen [Link]., 2000).

Los escenarios hipotéticos fueron de tipo predictivo (Tascione y Raggi, 2012) y

considerando lo recomendado por Börjeson et al. (2006), fueron establecidos previo
cumplimiento de tres fases: (i) La generación de ideas y recolección de datos, para lo
cual se tomó las orientaciones para la evaluación de la situación existente (Zurbrügg
et al., 2014), la experiencia de países en desarrollo de Asia en el uso de la metodología
LCA (Yadav y Samadder, 2018) y como requisitos el Decreto Legislativo No 1278 –
Ley de Gestión Integral de Residuos Sólidos que indica que la disposición final de
residuos sólidos municipales se realiza en rellenos sanitarios y que el compromiso del
Perú es lograr la disminución de los gases de efecto invernadero.

Esta investigación implicó el diseño de escenarios futuros posibles en los cuales se

pudo identificar los riesgos y oportunidades de ciertas situaciones para lo cual se tuvo
que realizar un proceso sistemático de búsqueda e indagación que requirió la
descripción, el análisis, la comparación, la explicación y la predicción, en el cual
integró conocimientos cualitativos y cuantitativos. Como el objetivo general determina
el nivel de investigación, la presente fue una investigación proyectiva, ya que se
encargó de cómo debería o podría ser el tratamiento de residuos sólidos en la ciudad
de Chachapoyas. También fue de nivel aplicativo pues planteó como resolver un

29
problema ambiental mediante la propuesta de un Escenario de tratamiento de residuos
usando técnicas estadísticas para evaluar el éxito de una futura intervención.

Según la planificación de la toma de datos a nivel temporal fue de tipo prospectiva;

según el número de momentos en que se midieron las variables de estudio fue
longitudinal; desde la dimensión táctica, según el contexto y la fuente el diseño de
investigación fue de fuente mixta.

Se emplearon escenarios hipotéticos probables de categoría predictiva pues fueron

formulados para dar respuesta a la pregunta “¿Qué sucederá?”, sobre la base de datos
existentes con la finalidad de compararlos y estimar cómo los cambios específicos en
cada Escenario pueden modificar los efectos ambientales y los costos. Es decir, los
datos de entrada fueron los producidos en los estudios de caracterización de RSU de
la ciudad de Chachapoyas y el objetivo fue prospectivo de tipo exploratorio.

Los escenarios propuestos fueron seis y en cada uno se empleó los datos de los
resultados de los estudios de caracterización realizados en los momentos M1, M2 y
M3, correspondientes a los meses de abril, agosto y diciembre que fueron establecidos
con el supuesto que en aquellos meses existe mayor generación de RSU.

Escenario 1.- Botadero (sin ningún uso de tecnología de tratamiento).

Datos:
- población: 39836 habitantes;
- generación de RSU domiciliarios en M1 =164.0 kg/per/año; M2 = 125.1
Kg/per/año y M3 = 228.1kg/per/año;
- generación de RSU comerciales en M1= 445 t/año; M2 = 513 t/año y M3 = 518
t/año;
- generación total de RSU en M1 = 6978 t; M2 = 5496 t y M3 = 9605 t;
- estudios de caracterización en M1, M2 y M3;
- consumo de combustible: 44491 l/año de los cuales el 10% fue gasolina;
- sistema de recolección puerta a puerta.

Escenario 2: Difiere del Escenario 1 en que se estableció la recuperación de gas y

lixiviado de un relleno sanitario.

30
Datos:
- gas de relleno: 90% recuperado;
- energía recuperada: 100%;
- eficiencia de generación eléctrica: 30%;
- lixiviado de relleno: 95% recuperado;
- eficiencia en el tratamiento: 95%.

Escenario 3: Está basado en el Escenario 3 pero incluye reciclaje en puntos verdes (las
personas llevan los reciclables a puntos de recolección).
Datos:
- distancia entre el almacén central y puntos verdes: 10 km;

- cantidad de reciclables recuperada en los puntos verdes:

papel: 30 kg/casa/año;
vidrio: 7 kg/casa/año;
metal Fe: 6kg/casa/año;
metal no Fe: 1 kg/casa/año;
plástico duro: 7kg/casa/año.

Escenario 4: Tomó como base el Escenario 2 y considera la segregación de los residuos

en el hogar, un sistema de recolección de puerta a puerta y transporte a un centro de
reciclaje.
Datos:
- recolección del 50% de papel, vidrio, metal y plástico duro;
- pérdida de 8% de materiales por impureza en el centro de reciclaje;
- distancia de 10 km a la planta procesadora.

Escenario 5: Reciclaje y compostaje. Tomó como base el Escenario 4.

Datos:
- reciclaje del 70% de residuos comerciales de papel, latas, vidrio y plástico duro
que es transportado al centro de reciclaje;
- los residuos orgánicos son reciclados en un 20% mediante compostaje;
- distancia promedio de traslado de residuos comerciales: 10 km;
- pérdida de masa de compostaje: 50%;

31
 - distancia al relleno sanitario: 10 km.

Escenario 6: Reciclaje, compostaje e incineración. Tomó como base el Escenario 5 e

incluyó la incineración de una fracción de los residuos.
Datos:
- 50% de los residuos luego del reciclaje y compostaje es incinerado;
- uso de un solo incinerador;
- la eficiencia de recuperación energética en forma de electricidad fue de 20%;
- distancia del incinerador al relleno sanitario: 10 km;
- recuperación del 90% de metales ferrosos;
- las cenizas generadas por la incineración no fueron reusadas;
- se recupera el 95% de lixiviados de residuos peligrosos;
- la eficiencia de tratamiento de los lixiviados es de 95%.

2.3.2 Comparación de los escenarios mediante LCA

Con los datos de cada uno de los tres estudios de caracterización de residuos se realizó
la comparación de los escenarios propuestos según la metodología de análisis de ciclo
de vida (Damgaard, 2010) con el objeto de evaluar las cargas medioambientales y los
costes económicos (Bovea et al., 2016). El procedimiento para realizar un LCA está
descrito en la Norma ISO 14040 (ISO, 2006a) y 14044 (ISO, 2006b), en la guía de la
Comisión Europea: general (Comisión Europea [EC] et al., 2010), de recomendaciones
(EC et al., 2011) y de interpretación (Centro Común de Investigación [JRS], 2016).

Esta metodología constituyó un paso importante antes de seleccionar las tecnologías,

(Arena et al., 2003), cuyas etapas son las siguientes:

a) Análisis del inventario de ciclo de vida (Inventory Analysis ir Life Cycle

Inventory, LCI).
Se realizó una descripción del proceso de disposición final de RSU de la ciudad de
Chachapoyas, para así construir diagramas de cuantificación de flujos en los cuales
se incluyeron entradas y salidas de masa y energía que se denominaron cargas.

32
El LCI para una gestión de residuos fue: cargas directas, asociadas a las operaciones
de gestión de residuos; más cargas indirectas, asociadas a aportar materiales y energía
a las operaciones de gestión de residuos; menos cargas evitadas, asociadas con
actividades económicas que son desplazadas por los materiales y / o energía
recuperada de los residuos. Las cargas directas fueron definibles a nivel local; la
ubicación de las cargas indirectas y evitadas normalmente no pueden definirse y sus
estimaciones numéricas, al ser generales, fueron obtenidas de bases de datos
confiables.

Los datos específicos para las cargas directas fueron extraídos del estudio de
caracterización de RSU que fue realizado in situ; adicionalmente se usó información
secundaria proveniente del expediente técnico del proyecto de código
SNIP No 146148 brindado por la Municipalidad Provincial de Chachapoyas,
informes publicados en la página web oficial del Sistema de Gestión de Residuos
Sólidos (SIGERSOL) del MINAM y fichas técnicas de maquinaria de los cuales se
obtuvo el consumo de combustible. Con lo anterior, se garantizó la calidad de los
datos en cuestiones relacionadas con el tiempo, geográficas y tecnológicas, precisión,
integridad y representatividad en sus fuentes.

Luego se elaboró una tabla del inventario, que es una lista de materias primas,
insumos de energía y materiales, así como de emisiones individuales al aire y agua y
generación de residuos sólidos, que luego se utilizaron en la etapa LCIA a través de
los escenarios en el software IWM-2.

b) Evaluación de impacto de ciclo de vida (Impact Assessment, LCIA).

Tuvo como objetivo comprender y evaluar la magnitud y la importancia de los
posibles efectos ambientales. La LCIA organizó las entradas y salidas en un pequeño
conjunto de indicadores de categoría de impacto.

Los principales indicadores de impacto ambiental estuvieron relacionados con cada

paso del ciclo de vida del residuo: consumo de recursos naturales (consumo neto de
energía; consumo de fuentes no renovables; consumo de agua); contaminación del
aire (efecto invernadero; acidificación del aire; emisión de contaminantes);

33
 contaminación del agua y cantidades de residuos sólidos generados (que estuvieron
estrictamente relacionados con los requerimientos de volumen del relleno).

c) Interpretación de resultados del LCIA

La estructura lógica implicó que, por cada uno de los estudios de caracterización, se
logró los resultados de LCIA por cada Escenario propuesto de tratamiento de
residuos (Tabla 6).

Tabla 6 Comparación de escenarios por estudio de caracterización.

Subdimensiones de Tratamientos propuestos
la variable 1 E1 E2 E3 … E6
Emisiones aire
Emisiones agua
Costos

2.4 Análisis de datos

Para evaluar el ciclo de vida de los residuos generados en la ciudad de Chachapoyas se

empleó la herramienta informática IWM-2 para la comparación de los escenarios de
gestión de residuos, a partir de datos como el número de habitantes y hogares en el área
de estudio, la cantidad de residuos generados por persona por año, los estudios de
caracterización de residuos, consumo de combustible, costos y eficiencia operativa. Los
procesos unitarios incluidos dentro de esta herramienta fueron la generación y recolección
de residuos, procesos de clasificación y se analizó el tratamiento biológico, térmico,
relleno sanitario y generación de energía, según los escenarios propuestos. Con el uso del
IWM-2 se logró predecir las cargas ambientales (emisiones al aire y al agua) de los
escenarios propuestos.

Los tres estudios de caracterización de residuos sólidos M1, M2 y M3 (momentos)

aportaron la información de la composición de los residuos domiciliarios y comerciales.
Los escenarios de tratamiento de residuos (E1, E2…E6) arrojaron valores de emisión para
aire y agua.

34
Para la aplicación válida de la prueba estadística ANOVA (es el acrónimo de análisis de
la varianza) mediante la Prueba de Fisher (Prueba F), que es una prueba paramétrica para
más de dos muestras independientes con distribución normal, en los momentos y los
escenarios se requirió evidenciar el cumplimiento de los supuestos básicos de normalidad,
independencia, homogeneidad y aditividad, los cuales fueron verificados por medio de
las pruebas de Wilk-Shapiro, Corridas o Rachas, Bartlett y Tukey, respectivamente.

La finalidad de la Prueba F fue conocer si había diferencias significativas entre las medias
tanto de los tres momentos como de los escenarios estudiados y explorar entre qué
momentos y entre que escenarios se producen esas diferencias mediante los denominados
“contrastes a posteriori”.

La fórmula de la Prueba F es: F = MS entre los grupos / MS dentro de los grupos

Donde, MS = Media de cuadrados (del inglés Mean of Squares).

Las hipótesis estadísticas para la Prueba F fueron:

Ho (Hipótesis nula): Las medias de los momentos o escenarios fueron iguales

(provinieron de la misma población, es decir no hubo diferencia significativa).

Ha (Hipótesis alternativa): Al menos un par de medias de los momentos o escenarios

fue diferente (es decir si hubo diferencia significativa).

El segundo análisis estadístico realizado fue la Prueba de Comparaciones Múltiples de

Tukey más conocida como la Prueba HSD de Tukey (Tukey, 1949) que nos permitió
realizar todas las comparaciones posibles de medias individuales de un análisis de
varianza con el valor crítico, de par en par, para obtener los correspondientes intervalos
de confianza tanto para los momentos como para los escenarios. Se determinó cuáles de
los momentos y escenarios generan mayores o menores valores de desviación de las
emisiones. La fórmula es la siguiente:

( 𝑦̅𝑖 − ̅̅̅)
𝑦𝑗 − 𝐻𝑆𝐷 ≤ µ𝑖 − µ𝑗 ≤ ( 𝑦̅𝑖 − ̅̅̅)
𝑦𝑗 + 𝐻𝑆𝐷

35
Si el anterior intervalo no contiene el 0 se infiere que las medias µi y µj son diferentes
significativamente entre sí.

HSD = qr √𝐶𝑀𝐸 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑔𝑟𝑢𝑝𝑜𝑠 / 𝑛

Donde:
HSD = Diferencia honestamente significativa (del inglés Honestly Significant
Difference).
CME = Cuadrado medio del error dentro de los grupos obtenido de la tabla de análisis
de varianza.
EE = Error estándar = (CME / n) 0.5
n = muestra.
El valor de qr se obtiene de la Tabla de Newman-Keul y de Rangos Múltiples de
Tukey.

Las hipótesis estadísticas para la Prueba HSD de Tukey fueron:

a) 𝑆𝑖 | 𝑦̅𝑖 − 𝑦̅𝑗 | ≤ HSD → Se acepta la Ho
b) 𝑆𝑖 | 𝑦̅𝑖 − 𝑦̅𝑗 | > HSD → Se rechaza la Ho

Donde:
µ es la media
𝑦𝑖 son las observaciones independientes de una distribución normal con media µ y
varianza σ2

Las hipótesis estadísticas para la Prueba de Tukey fueron:

Ho (Hipótesis nula): Las medias de los momentos o escenarios fueron iguales

(provienen de la misma población, es decir no hay diferencia significativa).

Ha (Hipótesis alternativa): Al menos un par de medias de los momentos o escenarios

es diferente (es decir hay diferencia significativa).

36
Finalmente, la prueba no paramétrica empleada para los momentos y escenarios se realizó
con Prueba de Kruskal-Wallis (Prueba H) que sirvió para evaluar si las diferentes
muestras correspondieron a la misma población.

El procesamiento de datos se ha realizado con el programa Statistix versión 8.0.

37
III. RESULTADOS

3.1 Caracterización de los RSU de la ciudad de Chachapoyas

La generación de RSU domiciliarios en los momentos M1, M2 y M3 fue de 164; 125.1

y 228.1 kg/pers/año. A nivel comercial se generó para M1, M2 y M3 la cantidad de
445, 513 y 518 t/año.

En Tabla 7 se observa que los RSU domiciliarios de la ciudad de Chachapoyas tienen

un alto componente de residuos orgánicos que varía de 63.5 a 67.3%, siendo los
residuos de importancia para el reaprovechamiento el papel (de 5 a 6.8%), metales (de
2.1 a 4.5%), plásticos (de 2.5 a 4.2%) y textiles (de 0.7 a 1.8%).

Tabla 7 Composición de residuos sólidos domiciliarios.

Muestras (%)
Descripción
M1 M2 M3 Promedio
Papel 5.0 6.8 6.3 6.0
Vidrio 2.2 2.8 2.1 2.4
Metal 4.5 2.5 2.1 3.0
Plástico 3.9 2.5 4.2 3.5
Textiles 1.0 0.7 1.8 1.2
Orgánicos 63.5 67.3 65.7 65.5
Otros 19.8 17.6 17.8 18.4
Total 100.0 100.0 100.0 100.0
Residuos metálicos
Con fierro 14.9 61.4 2.1 26.2
Sin fierro 85.1 38.6 97.9 73.8
Residuos plásticos
Plástico flexible 32.5 82.1 64.2 59.6
Plástico rígido 67.5 17.9 35.8 40.4

Los RSU comerciales tienen una fracción orgánica que va desde 40.2 a 43.3%, con
residuos aprovechables como el papel (de 20.9 a 26.4%), metales (de 0.6 a 2.3%),
plásticos (de 4.9 a 9.1%) y textiles (de 0.0 a 4.8%), tal como se evidencia en la Tabla 8.

38
 Tabla 8 Composición de residuos sólidos comerciales.
Muestras (%)
Descripción
M1 M2 M3 Promedio
Papel 26.4 22.1 20.9 23.1
Vidrio 2.2 0.0 1.5 1.2
Metal 0.6 7.5 2.3 3.5
Plástico 4.9 9.1 8.8 7.6
Textiles 4.8 0.0 0.4 1.7
Orgánicos 40.7 40.2 43.3 41.4
Otros 20.4 21.0 22.8 21.4
Total 100.0 100.0 100.0 100.0
Residuos
metálicos
Con fierro 76.0 95.1 51.2 74.1
Sin fierro 24.0 4.9 48.8 25.9
Residuos plásticos
Plástico flexible 79.5 93.8 53.2 75.5
Plástico rígido 20.5 6.2 46.8 24.5

3.2 Preselección cualitativa de la tecnología de tratamiento

Con la matriz de apoyo a la toma de decisiones se obtuvo que las tecnologías

inadecuadas para el tratamiento de RSU que tuvieron al menos un ítem R fueron la
pirólisis y gasificación (11 R), incineración (6R), digestión anaeróbica (8R) y
coprocesamiento (7R); en cambio, el uso de relleno sanitario al tener 0R, 8A y 4V se
consideró como de implementación potencial (Tabla 9), cuyo análisis complementario
se realizó en la sección correspondiente a la evaluación de las emisiones de aire y agua
por escenarios, así como en los costos.

Tabla 9 Valoración de las tecnologías de tratamiento.

Tecnología:
Ítem I C DA RS PG
V 1 1 2 4 0
A 5 4 2 8 1
R 6 7 8 0 11
Nota: I = incineración, C = coprocesamiento, DA = digestión
anaeróbica; RS = relleno sanitario, PG = pirólisis y gasificación.
V = verde, A = amarillo y R = rojo.

39
3.3 Comparación de emisiones al aire y agua entre escenarios y momentos

Los datos en detalle de las emisiones al aire y agua obtenidos por cada momento
(M1, M2 y M3) y escenario mediante el LCA con el software IWM-2 se encuentran
en 36 tablas del Anexo 8.2.

El análisis de los supuestos básicos de varianzas en la emisión en aire permitió

establecer que, de las 24 variables en estudio, 8 de ellas presentaron distribución
normal, de estas 4 fueron independientes, a su vez de estas 3 evidenciaron
homogeneidad de varianzas y 1 cumplió con la condición de aditividad,
específicamente, la variable NH4+. En tal sentido, a la variable NH4+ por ser la única
que cumplió con todos los supuestos básicos, se le aplicó el análisis de varianza
paramétrico (Tabla 10) y a las variables restantes se les realizó la prueba estadística
no paramétrica de Kruskal – Wallis (Tabla11). En cuanto a la emisión en agua, se
evaluó el cumplimiento de los supuestos de las 27 variables en estudio, resultando
que 19 de ellas presentaron distribución normal, de estas 6 fueron independientes y
a su vez evidenciaron homogeneidad de varianzas y 1 cumplió con la condición de
aditividad, correspondiendo específicamente a la variable Cl-. En consecuencia, a la
variable Cl- por ser la única que cumplió con todos los supuestos básicos, se le aplicó
el análisis de varianza paramétrico (Tabla 12) y a las variables restantes se les aplicó
la prueba estadística no paramétrica de Kruskal – Wallis (Tabla 13). Los detalles del
análisis de supuestos básicos se encuentran en el Anexo 8.12.

Al estudiar las emisiones al aire en relación con el factor momento, para 23 variables
no se detectaron diferencias estadísticamente significativas, mientras que para 1a
variable (Mn) si se evidenció diferencias significativas, siendo en los momentos 2 y
3 en los cuales se observaron mayores y menores valores de emisión en aire,
respectivamente. En el factor Escenario, para 10 variables no se detectaron
diferencias estadísticamente significativas, mientras que para 14 variables si se
evidenciaron diferencias significativas, siendo los escenarios 1 así como en 6 y 5,
donde se observaron mayores y menores valores de emisión en aire, respectivamente
(Tablas 10 y 11).

40
 Tabla 10 Análisis de Varianza y Prueba HSD de Tukey en aire.
ANOVA Prueba de Tukey
Variable F de V
F P-valor < valor > valor
Amonio M 0.83 ns 0.4657 Iguales
E 1.34 ns 0.3250 Iguales
Nota: ns = No significativo, * = Significativo (P < 0.05), ** = Altamente significativo
(P < 0.01), F de V = Fuente de Variación, M = Momento y E = Escenario.

Tabla 11 Prueba de Kruskal-Wallis y Comparaciones Múltiples en aire.

Comparaciones
Kruskal-Wallis
Variable F de V múltiples
H P-valor < valor > valor
Arsénico M 0.7799 ns 0.6771 Iguales
E 13.7341 * 0.0174 5 1, 2
CH4 M 3.5906 ns 0.1661 Iguales
E 12.5556 * 0.0279 6,5 1
CO M 1.8246 ns 0.4016 Iguales
E 13.3509 * 0.0203 6,5 2
CO2 M 4.7135 ns 0.0947 Iguales
E 6.9883 ns 0.2215 Iguales
Cadmio M 2.6983 ns 0.2595 Iguales
E 12.3081 * 0.0308 5,4 1
Cobre M 1.5897 ns 0.4516 Iguales
E 12.8910 * 0.0244 1, 2 6
Cromo M 2.7071 ns 0.2507 Iguales
E 10.5824 ns 0.0603 Iguales
DF M 0.0000 ns 1 Iguales
E 0.0000 ns 1 Iguales
GWP M 1.3099 ns 0.5195 Iguales
E 7.9240 ns 0.1605 Iguales
H2S M 3.7895 ns 1504 Iguales
E 12.3216 * 0.0306 6,5 1
HC clorado M 3.7895 ns 0.1504 Iguales
E 12.3216 * 0.0306 6,5 1
HCl M 4.6667 ns 0.097 Iguales
E 9.3977 ns 0.0942 Iguales
HF M 5.3450 ns 0.0691 Iguales
E 9.0468 ns 0.1072 Iguales
Manganeso M 6.3669 * 0.0414 3 2
E 8.9090 ns 0.1128 Iguales
Mercurio M 1.8417 ns 0.3982 Iguales
E 13.3403 * 0.0204 4,5 6
N2O M 0.7991 ns 0.6706 Iguales
E 14.2545 * 0.0141 6,5 1

41
 NOx M 2.7719 ns 0.2501 Iguales
E 12.0409 * 0.0342 5,6 1
Níquel M 4.6860 ns 0.096 Iguales
E 9.8829 ns 0.0786 Iguales
Partícula M 3.5205 ns 0.172 Iguales
E 10.7310 ns 0.057 Iguales
Plomo M 0.5731 ns 0.7508 Iguales
E 14.7544 * 0.0115 2,1 6
SOx M 4.2222 ns 0.1211 Iguales
E 10.0994 ns 0.0725 Iguales
Total HC M 3.7895 ns 0.1504 Iguales
E 12.3216 * 0.0306 6,5 1
Zinc M 1.4503 ns 0.4843 Iguales
E 13.7719 * 0.0171 4,5 1
Nota: ns = No significativo, * = Significativo (P < 0.05), ** = Altamente significativo, (P < 0.01),
F de V = Fuente de Variación, M = Momento y E = Escenario. En las comparaciones múltiples se
Han colocado los dos menores valores en el orden de prelación de izquierda a derecha.

El análisis de las emisiones al agua respecto al factor momento estableció que para 25
variables no se detectaron diferencias estadísticamente significativas, mientras que
para 2 variables (cloruro y fierro) si se evidenciaron diferencias significativas, siendo
los momentos 3 y 2 donde se observaron mayores y menores valores de emisión en
agua, respectivamente. En el factor Escenario, para 16 variables no se detectaron
diferencias estadísticamente significativas, mientras que para 11 variables si se
evidenciaron diferencias significativas, siendo los escenarios 1 y 6 donde se
observaron mayores y menores valores de emisión en agua, respectivamente (Tablas
12 y 13).

Tabla 12 Análisis de Varianza y Prueba HSD de Tukey en agua.

ANOVA Prueba de Tukey
Variable F de V
F P-valor < valor > valor
M 17.35 ** 0.0006 3 2
Cloruro
E 13.90 ** 0.0003 2, 3, 4 1
Nota: ns = No significativo , * = Significativo (P < 0.05), ** = Altamente significativo
(P < 0.01), F de V = Fuente de Variación, M = Momento y E = Escenario.

42
 Tabla 13 Prueba de Kruskal-Wallis y Comparaciones Múltiples en agua.
Comparaciones
Kruskal-Wallis
Variable F de V Múltiples
H P-valor < valor > valor
AOX M 0.6082 ns 0.7378 Iguales
E 14.6608 * 0.0119 6,5 1
Aluminio M 4.4511 ns 0.108 Iguales
E 10.4466 ns 0.0635 Iguales
Amonio M 3.2398 ns 0.1979 Iguales
E 11.1520 * 0.0484 4,3 1
Arsénico M 4.0117 ns 0.1345 Iguales
E 10.4035 ns 0.0646 Iguales
BOD M 4.8187 ns 0.0899 Iguales
E 10.7310 ns 0.057 Iguales
Bario M 4.4511 ns 0.108 Iguales
E 10.2587 ns 0.0682 Iguales
COD M 0.6082 ns 0.7378 Iguales
E 14.6140 * 0.0121 6,5 1
Cadmio M 2.9039 ns 0.2341 Iguales
E 12.0858 * 0.0336 4,5 1
Cianuro M 0.8573 ns 0.6514 Iguales
E 14.1716 * 0.0116 5,6 1
Cobre M 4.1053 ns 0.1284 Iguales
E 10.4735 ns 0.0629 Iguales
Cromo M 4.0117 ns 0.1345 Iguales
E 10.4035 ns 0.0646 Iguales
DF(TEQ) M 0.0000 ns 1 Iguales
E 0.0000 ns 1 Iguales
Fenoles M 3.2398 ns 0.1979 Iguales
E 11.0351 ns 0.0507 Iguales
Fierro M 6.2222 * 0.0446 3,1 2
E 8.4386 ns 0.1337 Iguales
Fluoruro M 1.7240 ns 0.4223 Iguales
E 13.4525 * 0.0195 6,5 1
Fosfato M 4.4511 ns 0.108 Iguales
E 10.7285 ns 0.057 Iguales
HC clorado M 3.2767 ns 0.1943 Iguales
E 12.0204 * 0.0345 6,5 1
Mercurio M 4.3492 ns 0.1137 Iguales
E 7.2250 ns 0.2044 Iguales
Níquel M 4.0117 ns 0.1345 Iguales
E 10.4035 ns 0.0646 Iguales
Nitrato M 0.7991 ns 0.6706 Iguales
E 14.6760 * 0.0118 2,1 6

43
 Plomo M 4.1053 ns 0.1284 Iguales
E 10.3567 ns 0.0657 Iguales
Sólidos M 3.5556 ns 0.169 Iguales
suspendidos E 10.5439 ns 0.0612 Iguales
Sulfato M 5.8012 ns 0.055 Iguales
E 8.6023 ns 0.126 Iguales
Sulfuro M 4.3689 ns 0.1125 Iguales
E 10.2587 ns 0.0682 Iguales
TOC M 0.6082 ns 0.7378 Iguales
E 15.1754 ** 0.0096 2,1 6
Zinc M 4.0117 ns 0.1345 Iguales
E 10.4035 ns 0.0646 Iguales
Nota: ns = No significativo , * = Significativo (P < 0.05), ** = Altamente significativo, (P < 0.01),
F de V = Fuente de Variación, M = Momento y E = Escenario. En las comparaciones múltiples se han
colocado los dos menores valores en el orden de prelación de izquierda a derecha.

El cambio de contaminantes entre los escenarios 1 y 5 se visualizan en la Tabla 14.

Tabla 14 Comparación de emisiones entre los escenarios 1 y 5.

Emisión promedio Disminución de
Parámetro contaminación
Escenario 1 Escenario 5 (%)
Aire
Arsénico 0.000000 -0.000636 n.a.
CH4 70.878703 5.703448 91.95
CO 0.117438 -0.466617 497.33
Cadmio 0.000001 -0.000005 610.90
H2S 0.036070 0.003226 91.06
HC Clorado 0.006312 0.001955 69.03
Mercurio 0.000000 -0.000004 n.a.
N20 0.000001 -0.002757 538,645.31
NOx 0.377708 -0.196898 152.13
Total HC 0.360704 0.039725 88.99
Zinc 0.000014 -0.000056 510.54
Agua
AOx 0.000300 -0.014234 4,845.09
COD 0.342706 -1.359272 496.63
Cadmio 0.000002 -0.000006 366.97
Cianuro 0.000000 -0.039988 n.a.
Fluoruro 0.000059 -0.000021 135.47
HC clorado 0.000154 0.000014 90.87
Notas: (a) : Las emisiones están en kg/t de RSU generados. (b): n.a = no aplicable,
debido a que no se detectó el contaminante en el Escenario 1.

44
 Los flujos de residuos con LCA en los escenarios 1 y 5 se muestran en el Anexo 8.16
y corresponden al momento 2, porque es allí cuando se produjo mayores emisiones
contaminantes.

3.4 Comparación de costos

Decidir qué tecnología es más conveniente considerando también los costos resulta
vital, sin embargo, en la presente investigación, luego de estimar que la generación
total de RSU en la ciudad de Chachapoyas es de 7360 t/año, una comparación de costos
entre los escenarios 5 y 6 ya no es necesario, dado que para que sea viable técnicamente
el Escenario 6, se requiere de al menos una generación promedio anual de RSU de
50000 t/año (Rand et al., 2000) e ideal que sea mayor a 100000 t/año (GIZ, 2017). Si
bien hay experiencias de plantas de incineración y generación eléctrica relativamente
pequeñas como de 32400 t/año (Liu et al., 2020), se ha demostrado que aún en
poblaciones de más de dos millones de habitantes en ciudades de México, los
proyectos tienen Valores Presentes Netos y Tasas Internas de Retorno negativas, aún
cuando tienen potencial energético (Escamilla et al., 2020). Los costos de contruir una
planta de incineración depende de las regulaciones, incentivos estatales, diseño, la
fabricación en serie y economía de escala, por eso en China la inversión inicial puede
ser de 250 usd/t/año y de 840 usd/t /año en Estados Unidos, costos que serían muy
superiores para América Latina (Siyuan, 2018).

El costo de una planta de incineración depende del tamaño de su instalación el cual a

su vez es directamente proporcional a su eficiencia energética. No obstante, en la Tabla
15 se muestra una comparación de costos entre las tecnologías que se corresponden
con diferentes localidades.

45
 Tabla 15 Comparación de costos entre relleno sanitario e incineración.
Costos
estimados de
Capacidad
Tecnología inversión Localidad
(t/año)
inicial en
USD
Relleno sanitario 7 360 2 405 096 Chachapoyas, Perú (1)
Planta de 10 000 18 000 000 Averoy, Noruega (2)
incineración
30 000 13 000 000 Isla de Wight, Reino Unido (3)
270 000 27 929 220 Astana, Kazakhstan (4)
175 200 90 000 000 Manizales, Colombia (5)
438 000 180 000 000 Cartagena, Colombia (6)

Nota:
Los costos han sido tomados de:
(1) Consultado de Ficha del Sistema Nacional de Inversión Pública.
(2) y (3) Según Themelis et al. (2013).
(4) Tomado de Inglezakis et al. (2015).
(5) y (6) De Ossa et al. (2020).

46
IV. DISCUSIÓN

Los estudios de caracterización de RSU en la ciudad de Chachapoyas mostraron que la

composición de los residuos domiciliarios y comerciales están constituidos
principalmente por residuos orgánicos en un porcentaje promedio de 65.5% y 41.4%,
respectivamente. La proporción orgánica en residuos domiciliarios analizada es similar
al 69.03% en Chimbote (Quillos et al., 2018), 70.65% en Trujillo (Boggiano, 2021) y
mayor al promedio de 50% para América Latina (ONU, 2018). Esta fracción orgánica
puede ser usada como una alternativa de cobertura diaria en el relleno sanitario por sus
beneficios en la disminución de GWP, eutrofización y acidificación o como compost por
generar menor potencial de agotamiento de recursos abióticos y demanda acumulada de
energía fosil (Sardarmehni et al., 2021).

La generación per cápita encontrada de 0.47 kg/hab/día es menor a lo registrado por el

Sistema Nacional de Información Ambiental para Amazonas y el Perú con 0.52 y 0.57
kg/hab/día, respectivamente (Sistema Nacional de Información Ambiental [SINIA],
2020) y de 1.06 kg/hab/día en Lima (Lopez y Iannacone, 2021). La fraccion aprovechable
de los residuos domiciliarios fue de 16.1% y la no aprovechable fue de 18.4%. En los
residuos comerciales los aprovechables representaron el 37.2% y los no aprovechables
21.4%. En el presente estudio el sistema de clasificación es básico, pero se puede realizar
investigaciones para su optimización según el destino de los mismos (Zhang et al., 2021)
e incluyendo el rol de los recolectores informales en la disminución de GWP (Botello et
al., 2018).

Como las muestras fueron tomadas durante la pandemia causada por el SARS-CoV-2
(coronavirus del síndrome respiratorio agudo severo - COVID-19), es probable que se
hayan producido algunas variaciones en cuanto a la composición de los RSU (Defensoría
del Pueblo, 2020); pues se cree que las cuarentenas y bloqueos probablemente hayan
modificado el comportamiento de los consumidores, incrementado la demanda de
servicios de entrega de alimentos a domicilio, el volumen de envases de plásticos (Liang
et al., 2021) y los productos de un solo uso como los guantes, máscaras y equipos de
protección personal (Leal et al., 2021 y Benson et al., 2021) cuyo balance neto pudo haber
variado, ya que en algunas ciudades la generación de residuos comerciales disminuyó
pero aumentó en los hogares.

47
La preselección cualitativa de tecnologías de tratamiento en base a la matriz de apoyo a
la toma de decisiones nos permitió determinar que el relleno sanitario tenía que ser
evaluado a nivel ambiental y económico, pues en las tecnologías como pirólisis y
gasificación, digestión anaeróbica e incineración no existe experiencia técnica ni
administrativa para su operación, la segregación es mínima lo que afecta su viabilidad,
no se cuenta con rellenos de seguridad, el marco regulatorio es prácticamente nulo.
También el mercado, mecanismos de financiamiento y la sostenibilidad financiera no son
factibles.

Se comprobó la utilidad de la metodología de LCA en la selección de mejores prácticas

de gestión de RSU, cuyos resultados dependen fundamentalmente de la la metodología
empleada, la calidad de los datos y la consistencia de los análisis (Iqbal et al., 2020). La
evaluación del impacto ambiental total de las opciones de gestión de RSU sirvió para el
proceso de selección tecnológica (Balogun et al., 2019 y Caprile, 2020) y análisis de
sensibilidad del GWP en la gestión de residuos municipales; por su aplicación empresarial
(López et al., 2020) y en las políticas, industria y economía para la toma de decisiones
(Pryshlakivsky y Searcy, 2021) no obstante a que el 93% del total de países no han
publicado estudio alguno respecto al uso del LCA en la gestión de RSU (Khandelwal et
al., 2019). Existen desafíos para que el LCA pueda evaluar las tecnologías emergentes
con datos reales que por ahora no se encuentran disponibles al público (Dastjerdi et al.,
2021).

Con el análisis de varianza y prueba HSD de Tukey así como la prueba de Kruskal –
Wallis y comparaciones múltiples según los supuestos estadísticos estudiados, se probó
la hipótesis nula para las emisiones en aire de los momentos M1, M2 y M3
correspondiente a 23 de los 24 parámetros estudiados (95.8%), siendo que sólo el Mn se
produjo en la ciudad de Chachapoyas en cantidades que se consideran diferentes
(p < 0.05).También en las emisiones en agua para los momentos M1, M2 y M3 se
confirmó la hipótesis nula en 25 de las 27 variables (92.6%), habiéndose encontrado
diferencia significativa sólo en las variables Cl y Fe. Es decir, para el factor Momento, de
los 51 parámetros ambientales estudiados, 48 (94.1%) no presentaron cambios
significativos, lo que significa que durante los tres momentos de haber obtenido las
muestras de RSU, los contaminantes en las emisiones de aire y agua se mantiene en

48
valores similares. Estos resultados son los esperados en el planteamiento investigativo
realizado.

Mediante las pruebas estadísticas antes mencionadas las emisiones en aire en el factor
escenarios tuvieron diferencias estadísticamente significativas en el 58.3% de los
parámetros (14 de 24). Del mismo modo los cambios en los valores de emisiones al agua
han sido estadísticamente significativos (p < 0.05) para el 42.3% de los parámetros (11
de 26) en los escenarios estudiados. Al comparar el porcentaje del total de parámetros de
emisiones con significancia estadística queda claramente evidenciado que en el factor
Emisiones el 49% (25 de 51) de los parámetros cumplen la hipótesis alternativa y sólo un
5.9% (3 de 51) del factor Momento lo cumplen. Estos resultados nos permitieron
prescindir del factor Momento y optar por el factor Emisiones en la propuesta de
escenarios para la selección del tratamiento de RSU para la ciudad de Chachapoyas.

El escenario 1 (sin ningún tipo de tratamiento de residuos) es el que genera mayor

cantidad de emisiones contaminantes según el 33.3% (17 de 51) de los parámetros
ambientales analizados. En el caso del Escenario 6 (incineración) si bien la preselección
cualitativa los descartó como potencial tecnología a implementar, se decidió evaluarlo
ambientalmente para contar con mayores elementos de decisión. Los escenarios 5 y 6 son
los que presentan menores emisiones de contaminantes para el 33.3% (17 de 51) y 23.5%
(12 de 51) de los parámetros evaluados, respectivamente.

Se determinó que los gastos de inversión para el Escenario 6 son muy elevados en relación
al Escenario 5; ya que el costo de inversión para un relleno sanitario fue de 327 USD/t en
comparación con el costo de inversión para una planta de incineración de tamaño
pequeño, que en el mejor de los casos se ha reportado de 1800 USD/t, con variaciones
que pueden disminuir cuando la generación anual de RSU sea a mayor escala ( es decir
de al menos 4 hasta 60 veces según lo analizado). Además, la muy baja cantidad de
residuos generados en la ciudad de Chachapoyas aptos para incineración fue en promedio
3680 t/año (7,4 % del mínimo de 50000 t/año requerido), por eso la búsqueda de un
sistema energético sostenible de conversión de RSU a energía mediante el uso de una
planta de incineración no fue viable ni técnica ni económicamente, ya que el tamaño de
la planta requerida sería tan pequeña que no sería rentable ni eficiente, pues ya ha sido
demostrado que la eficiencia termodinámica y tecnológica de este tipo de plantas se ve

49
afectada significativamente por su tamaño (Bogale y Viganò, 2014). Si bien la conversión
de residuos a energía mediante incineración, pirólisis y gasificación resultan con
beneficios ambientales netos, estos operan 2000 t/día de desechos residuales, lo cual solo
aplica a ciudades metropolitanas (Dong et al., 2019).

Si bien en todos los escenarios de emisiones no hubo diferencia significativa

(p = 0.1605) respecto al potencial de calentamiento global (GWP); en el Escenario 5 el
impacto ambiental de una tonelada de RSU por año en relación con las emisiones al aire
contribuyó con un GWP de aproximadamente 149-209 kg equivalente a CO2, NH4+ y
N2O combinados, seguido de 38 a 154 kg de CO2-eq (p = 0.2215) y con una acidificación
por SOx (p = 0.0725) y eutrofización con PO43 (p = 0.057) prácticamente nula. Estos
valores están muy por debajo a lo reportando por Ferronato et al. (2021) con 341 a 552
kg CO2-eq, 0,4468 a 0,5901 kg SO2-eq y 0,1791-0,1799 kg PO43-eq y a los 623 kgCO2-
eq y a las emisiones de S02 de por vida de 0.26 kg estimados por (Rabl y Spadaro, 2015).
Los contaminantes que tuvieron variación significativa en aire fueron el As (p = 0,0174),
CH4 (p = 0.0279), CO (p = 0.0203), Cd (p = 0.0308), Cu (p = 0.0244), H2S (p = 0.0306),
HC Clorado (p = 0.0306), Hg (p = 0.0204), N2O (p = 0.0141), NOx (p = 0.0342), HC
total (p = 0.0306) y Zn (p = 0.0171).

Al comparar el Escenario 5 con respecto al Escenario 1, se demostró que el promedio

anual en kg por tonelada de RSU de las emisiones de CH4, NOx, H2S, HC total y HC
clorado en el aire diminuyeron en 91.9; 152.1; 91.1 y 89.7%, respectivamente. La
reducción del CH4 cobra especial importancia ya que el biogás está constituido
principalmente de CH4 (60%) y CO2 (35-40%) y trazas de NH3, H2S, H2,O2, N2 y CO
(Abdeshahian et al., 2016) y en el hecho que su GWP es 34 veces mayor que el CO2 en
un periodo de 100 años (IPCC, 2013). La disminución de GWP de 87.4% en el Escenario
5 concuerda con lo estudiado por Ferronato et al. (2021) quienes encontraron que un
sistema de recolección eficiente puede reducir el GWP y potencial de eutrofización en
aproximadamente 75% y 55%, [Link]én Ziegler et al. (2019) hallaron
que el uso de un relleno sanitario con la quema de biogas puede reducir el GWP entre
50% y 76% lo cual es conveniente si consideramos que la emisión de los GEI en los
primeros 5 años es menor en zonas andinas y los escenarios con sistema de captura y
combustión de biogas resultó menos contaminante y adecuado para paises en desarrollo
(Caicedo et al., 2021). Hubo un incremento significativo en aire de Cu (p = 0.0244) y Pb

50
(p = 0.0115); sin embargo, se puede afirmar que estos contaminantes por las pequeñas
cantidades emitidas no superaron los valores máximos de concentración permitidos.
En las comparaciones de las emisiones al agua entre el Escenario 5 y el 1, se evidenció
un incremento significativo de los TOC (p = 0.0096) y NO3- (p = 0.0118) a valores de
0.0730 y 0.0225 kg/t, respectivamente; pero hubo una disminución significativa en los
contaminantes AOx (p = 0.0119), NH4+ (p = 0.0484), COD (p = 0.0121), Cd (p = 0.0336),
CN- (p = 0.0116), Fl- (p = 0.0195) y HC Clorado (p = 0.0345), lo cual resulta muy
importante ya que la contaminación de agua subterránea por lixiviados no tratados puede
darse por Cd, Cr, Cu, Fe, Ni, Pb y Zn así como por Cl-, NO3-, SO4 2-, NH4+, Fenol y
DQO (Mor et al., 2006) y microplásticos tales como polietileno, polipropileno y
poliestireno (Nurhasanah et al., 2021) que pueden servir de vehículos de otros
contaminantes tales como metales pesados, hidrocarburos aromáticos policíclicos,
bifenilos policlorados, perfluoroalquilos y sustancias polifluoradas (Golwala et al., 2021).
La relación de BOD/COD en el Escenario 5 fue de 0.042 (< 0.01) lo que indicó que el
lixiviado tuvo concentraciones bajas de ácidos grasos volátiles y cantidades relativamente
más altas de compuestos húmicos y fúlvicos (Kjeldsen et al., 2002). El aumento de
pequeñas trazas de NO3- indicó toxicidad en el lixiviado lo que implica la realización de
futuros estudios para determinar su relación con las comunidades microbianas del relleno
sanitario (Naveen et al., 2021) y conocer el contenido de metales pesados en los
sedimentos y los sólidos en suspensión (Xaypanya et al., 2018).

En los modelamientos la generación total de biogás en la ciudad de Chachapoyas no

proporcionó suficiente gas para abastecer el funcionamiento, al menos parcial, de un
incinerador, aún cuando la eficiencia de recolección establecida fue de 90%, ya que este
tipo de tecnologías podrían ser reales para ciudades de más de 100 mil habitantes (Posada,
2020), pues un sistema de recuperación de energía puede activarse cuando la generación
de biogás recolectada es mayor 10 m3 /min por al menos un año (Wang et al., 2021) ya
que el poder calorífico del gas residual es menor que el industrial producido en refinerías
(Rangel et al., 2017).

Por las proyecciones realizadas de las emisiones en aire y agua así como por los costos
de escala y porque en un solo día de funcionamiento con una incineradora se agotaría la
disponibilidad de los residuos a tratar, la propuesta de tratamiento óptimo seleccionada
para contribuir a la gestión integral y sostenible de RSU en la ciudad de Chachapoyas fue

51
el Escenario 5 cuya simulación incluyó la disposición en un relleno sanitario con una alta
eficiencia de recolección y recuperación de gas de 90% y 75%, respectivamente y una
composición de más de 40% de carbono fósil (Anshassi et al., 2021). El
reaprovechamiento y compostaje lograrían que las bajas cantidades de fracciones
biodegradables reduzcan las emisiones contaminantes y las tasas de producción de
lixiviados (Sauve y Van , 2020). Se puede optar por la construcción de un relleno sanitario
semianaeróbico por su mejor eficiencia de estabilización y seguridad en comparación con
uno de tipo anaeróbico (Grossule y Lavagnolo, 2017; Adam et al., 2017 y Madon et al.,
2019), con un sistema de recirculación que tendría un efecto positivo en la tasa de
degradación de residuos sólidos, en la cantidad de lixiviados y en la disminución de las
emisiones de NH4+ (Šan y Onay, 2001 y Sinan et al., 2006). Así mismo, la propuesta
realizada cumple con lo establecido en el literal j de artículo 6 del Decreto Legislativo N°
1278 – Ley de Gestión Integral de Residuos Sólidos y sus modificatorias y el artículo 41°
del Decreto Supremo N° 014-2017-MINAM; para su implementación se tendría que
cumplir con la Resolución Ministerial N° 165-2021-MINAM que aprueba la guía para la
identificación de zonas potenciales para la infraestructura de disposición final de residuos
sólidos municipales, con la Resolución Ministerial N° 144-2021- MINAM que aprueba
la guía para la formulación y evaluación de instrumentos de gestión ambiental para las
infraestructuras de residuos sólidos, los estándares de calidad ambiental para aire, agua y
suelo aprobados con los Decreto Supremos N° 003, 004 y 011-2017-MINAM,
respectivamente.

La propuesta realizada requiere para su funcionamiento operaciones más limpias y

seguras, una cultura de valoración, uso y sostenibilidad, cuya implementación requiere
de un proceso multidimensional e interdisciplinario que debe comprender las
consideraciones sociopolíticas, preocupaciones ambientales, capacidades económicas y
los avances tecnológicos. El beneficio ambiental de la implementación de un sistema
integrado de gestión de residuos sólidos para reemplazar el uso exclusivo de un botadero,
relleno sanitario o incineración ha sido estimado en una disminución de GWP de 33% a
154% (Zhang et al., 2021), lo cual resulta conveniente si consideramos que los rellenos
sanitarios contribuyen con el 11% del total de CH4 antropogénico en el mundo (Agencia
de Protección Ambiental [EPA], 2012).

52
Si bien la contaminación ambiental del aire incluye diversas fuentes como material
particulado urbano que proviene del tráfico, actividades industriales, quema de
combustibles domésticos, fuentes humanas diversas, polvo natural y sales (Karagulian et
al., 2015) los beneficios de la reducción de emisiones mediante la implementación del
Escenario 5 favorecería la salud a largo plazo ya que los procesos biológicos que
subyacen a los efectos adversos para la salud pueden tardar años en evidenciarse pues
están asociados con una compleja matriz de factores genéticos, ambientales, biológicos,
determinantes sociales y estilos de vida (Graham y White, 2016) y estarían conexos por
ejemplo a la disminución de molestias olfativas (Chemel et al., 2012), reducción de
enfermedades (Gowers et al., 2021) y del riesgo de mortalidad no accidental asociada al
estrés oxidativo en la sangre, vias respiratorias (Pinault et al., 2017) y efectos
cardiovasculares dependientes de la concentración de material particulado (Orach et al.,
2021) que puede contener carbono elemental y orgánico, metales como el Cu y Zn,
elementos inorgánicos, hidrocarburos poliaromáticos y material biológico, los cuales
estimulan la generación de reacciones de nitrógeno y oxígeno (Molina et al., 2020;
Crobeddu et al., 2017).

La exposición ante PM 2.5 a largo plazo ha sido causante del 7.6% de mortalidad total en
el mundo y del 4.2% de los años de vida ajustados por discapacidad (Cohen et al., 2017),
incluso con valores de concentración por debajo de los niveles normados (Di et al., 2017),
por eso los contaminantes del aire se consideran un factor de riesgo asociado a muchas
enfermedades de tipo autoinmune y neurodegenerativas como el Alzheimer y el
Parkinson (Jankowska et al., 2021), enfermedades pediátricas como la obesidad,
trastornos del neurodesarrollo, partos prematuros, bajo peso al nacer, pérdida del
coeficiente intelectual y cánceres pediátricos (Brumberg y Karr, 2021); por lo que una
gestión adecuada de los RSU como parte de las políticas ambientales ante el cambio
climático favorecería la generación de co-beneficios a los ecosistemas y a la salud que
serían mayores si los comparamos con los costos de mitigación (Markandya et al., 2018
y Deng et al., 2018).

En la presente investigación no se realizó un abordaje de la dimensión social de los

escenarios de tratamiento de residuos sólidos, ya que para ello es necesario que el tipo de
tratamiento haya sido desarrollado en un proyecto de ingeniería y se haya seleccionado
el lugar de su funcionamiento (etapa que no corresponde a la presente investigación). Por

53
ejemplo, para establecer el número de empleados que se necesitarían se requiere que el
sistema de manejo y gestión esté por lo menos diseñado y en funcionamiento; para el caso
de estimar la percepción social se tendría que evaluar el nivel de satisfacción de la
población y su nivel de participación en las tareas de manejo de residuos; en lo
concerniente a estudiar el riesgo a la salud de la población dependerá de la magnitud de
la exposición a los residuos según la tecnología adoptada, el manejo que se aplique, la
segmentación del paisaje y los impactos visuales que cause, en términos cualitativos y en
lo concerniente a la seguridad pública se tendría que tener datos de valorización de los
residuos y la cantidad real de residuos enviados a disposición final en términos
porcentuales. Entonces, para poder realizar un estudio de la dimensión social se requiere
información técnica y operativa del sistema en marcha, para que se pueda realizar
encuestas públicas, comunicaciones personales con los actores involucrados y mediciones
operativas, lo que no es factible en esta etapa de investigación.

El presente estudio nos muestra una perspectiva de la aplicación del LCA en la gestión
de RSU y puede ser el inicio de futuros desafíos que se apliquen para identificar, evaluar
y diagnosticar los diferentes tipos de manejo y gestión de los RSU, para ello los
investigadores podrán seleccionar las áreas de intervención, el alcance de los estudios, las
unidades funcionales, sensibilidad, incertidumbre, la normativa ambiental aplicable, las
categorías de impacto, los modelos computacionales, escenarios, sistemas de prevención
o mitigación de los impactos que afectan la salud humana, los ecosistemas o los recursos
naturales y propuestas de gestión; pero un aspecto fundamental será la necesidad de contar
con información primaria del flujo de residuos específicos, proceso que es lento y costoso,
pero que de manera progresiva se deberá ir consiguiendo si lo que pretendemos alcanzar
es la gestión integral y sostenible de los RSU en nuestro país.

54
V. CONCLUSIONES

1. Los estudios de caracterización de los RSU de la ciudad de Chachapoyas

establecieron que la composición orgánica de los residuos domiciliarios y
comerciales fue de 65.5% y 41.4%, respectivamente. Los residuos reaprovechables
domiciliarios representaron en promedio del total: papel 6%, vidrio 2.4%, plástico
3.5% y textiles 1.2% y para los domiciliarios: papel 23.1%, vidrio 1.2%, metal
3.5%, plástico 7.6% y textiles 1.7%.

2. Se demostró que en la situación actual (escenario 1) se generó más emisiones

contaminantes en el aire y agua según el 45.1 % (23 de 51) de los parámetros
ambientales estudiados tanto en aire (Ar, CH4 , Cd, H2S, HC clorado, N2O, NOX,
HC total y Zinc) como en agua (Cl- , AOX, NH4+ , COD, Cd, CN- , Fl- y HC clorado).

3. El escenario 6 (que incluye una planta de incineración) es inviable técnica y

económicamente ya que la generación de RSU aptos para aplicar esta tecnología
sólo cubre el 7.4% de lo mínimo requerido y los costos de inversión resultan por lo
menos 6 veces más caros en comparación al escenario 5 (contempló un relleno
sanitario) sin considerar que el tamaño de escala de una hipotética planta sería de 4
hasta 60 veces más pequeña que las experiencias internacionales, lo cual
incrementaría los costos de inversión.

4. El tratamiento óptimo seleccionado para contribuir a la gestión integral y sostenible

de RSU en la ciudad de Chachapoyas es el escenario 5 que comprende la
disposición en un relleno sanitario, con segregación en los hogares, con un sistema
de recolección de puerta en puerta, centro de reciclaje y generación de compost ya
que generó menos emisiones contaminantes en el 33.3% (17 de 51) de los
parámetros analizados tanto en aire (Ar, CH4, CO, Cd, H2S, HC clorado, Hg, N2O,
NOx, HC total y Zn) como en agua (AOx, COD, Cd, CN-, Fl- y HC clorado).

55
VI. RECOMENDACIONES

1. Para la selección del lugar de ubicación de la infraestructura del relleno sanitario se

debe identificar y priorizar los criterios socioeconómicos, físicos y ambientales,
previa consideración de las opiniones de los actores sociales pudiendo emplearse el
método Delphi, la teoría de Shannon o la metodología de agrupación de Gray. Para
la elección del lugar más adecuado se puede solicitar el apoyo de los técnicos
expertos en el procesamiento de información mediante alguno de los métodos de
apoyo a las decisiones de manera individual o combinada con Sistemas de
Información Geográfica, LCA o la teoría difusa (Canelo, 2021).

2. Es importante aprobar la ejecución de proyectos de tratamiento de RSU solo cuando

se tenga un diseño conceptual claro a nivel de ingeniería, teniendo cuidado de
considerar contingencias desde por lo menos el mediano plazo.

3. Promover el desarrollo de modelos de evaluación de la gestión municipal de RSU

mediante la selección, adaptación o elaboración de indicadores medibles y
comparables que prioricen las materias de sostenibilidad, desempeño, eficiencia y
eficacia.

4. Realizar estudios para cuantificar los múltiples impactos medioambientales,

económicos y sanitarios a causa de la contaminación del aire como línea base para
establecer políticas ambientales y energéticas como punto de partida para mejorar
nuestra capacidad predictiva sobre los impactos en los ecosistemas terrestres, el
clima y la salud humana local.

56
VII. REFERENCIAS BIBLIOGRÁFICAS

Abdeshahian, P., Shiun Lim, J., Shin Ho, W., Hashim, H., & Tin Lee, C. (2016). Potential
of biogas production from farm animal waste in Malaysia. Renewable and
Sustainable Energy Reviews, 714-723.
Adam, N. H., Yusoff, M. S., & Aziz, H. A. (2017). Biodegradability of semi-aerobic
leachate. AIP Conference Proceedings, 1892(1), 101063 .
Agencia de Cooperación Técnica Alemana-GTZ y Comisión Mexicana de Infraestructura
Ambiental - COMIA. (2003). La Basura en el limbo: Desempeño de gobiernos
locales y participación privada en el manejo de residuos urbanos. México.
Retrieved 19 de enero de 2017, from
[Link]
Agency for International Development (USAID). (2021). Clean Cities, Blue Ocean.
Initial Solid Waste Management Assessment (Peru). Retrieved 18 de Septiembre
de 2021, from [Link]
Akhavan Limoodehi, F., Masoud Tayefeh, S., Heydari, R., & Ali Abdoli, M. (2017). Life
cycle assessment of municipal solid waste management in Tehran. Environmental
Energy and Economic Research, 1(2), 207-218. Retrieved 14 de Septiembre de
2018, from
[Link]
Anschütz, J., IJgosse, J., & Scheinberg, A. (2004). Putting integrated sustainable waste
management into practice. Using the ISWM Assessment Methodology. Gouda:
Waste. Retrieved 23 de enero de 2017, from
[Link]
sp/CLUES/Toolbox/t12/D12_1_Anschuetz_et_al_2004.pdf.
Anshassi, M., Sackles, H., & Townsend, T. G. (2021). A review of LCA assumptions
impacting whether landfilling or incineration results in less greenhouse gas
emissions. Resources, Conservation & Recycling, 174, 105810.
Arena, U., Mastellone, M. L., & Perugini, F. (2003). The environmental performance of
alternative solid waste management options: a life cycle assessment study.
Chemical Engineering Journal, 96, 207-222. Retrieved 15 de Setiembre de 2018,
from
[Link]
%20of%20alternative%20solid%[Link].

57
Assamoi, B., & Lawryshyn, Y. (2011). The environmental comparison of landfilling vs.
incineration of MSW accounting. Waste Management, 1-12. Retrieved 29 de
Agosto de 2018, from
[Link]
20of%20landfilling%20vs.%20incineration%20of%20MSW%[Link].
Association International Solid Waste - ISWA. (2011). ISWA Key Issue Paper on Waste
Prevention, Waste Minimization and Resource Management. Viena: ISWA.
Retrieved 15 de Septiembre de 2018, from
[Link]
%20Solid%20Waste%[Link].
Azapagic, A. (1999). Life cycle assessment and its application to process selection, design
and optimisation. Chemical Engineering Journal, 73, 1-21. Retrieved 14 de Enero
de 2018, from
[Link]
ype=pdf.
Balogun Adeleye, R. M., Longe, E. O., & Aiyesimoju, K. O. (2019). Environmental
assessment of municipal solid waste (MSW) disposal options: A case study of
Olushosun landfill, Lagos State. IOP Conf. Series: Materials Science and
Engineering, 640, pág. 012091.
Banar, M., Cokaygil, Z., & Ozkan, A. (2009 ). Life cycle assessment of solid waste
management options for Eskisehir, Turkey. Waste Management, 29, 54 - 62.
Retrieved 12 de Diciembre de 2018, from
[Link]
olid_waste_management_options_for_Eskisehir_Turkey.
Benoît, C., Norris, G., Valdivia, S., & Ciroth, A. (2010 ). The Guidelines for Social Life
Cycle Assessment of products: Just in time! The International Journal of Life
Cycle Assessment, 15(2), 156-163. Retrieved 7 de Agosto de 2018, from
[Link]
al_Life_Cycle_Assessment_of_products_Just_in_time/download.
Benson, N. U., Bassey, D. E., & Palanisami, T. (2021). COVID pollution: impact of
COVID-19 pandemic on global plastic waste footprint. Heliyon, 7, e06343.
Bisinella, V. (2017). Future scenario development within life cycle assessment of waste
management systems. Kongens Lyngby: Department of Environmental
Engineering, Technical University of Denmark (DTU).

58
Bogale, W., & Viganò, F. (2014). A preliminary comparative performance evaluation of
highly efficient Waste-to-Energy plants efficient Waste-to-Energy plants. Energy
Procedia, 45, 1315-1324.
Boggiano Burga, M. L. (2021). Diagnóstico y caracterización de los residuos sólidos
domiciliarios de a ciudad de Trujillo – Perú, 2019-2020. Revista Ciencia y
Tecnología, 17(3), 61-72.
Börjeson, L., Höjer, M., Dreborg, K. H., Ekvall, T., & Finnvedena, G. (2006). Scenario
types and techniques: Towards a user’s guide. Futures 2006, 38, 723-739.
Retrieved 2 de Septiembre de 2018, from
[Link]
Botello Álvarez, J., Rivas García, P., Fausto Castro, L., Estrada Baltazar, A., & Gomez
Gonzalez, R. (2018). Informal collection, recycling and export of valuable waste
as transcendent factor in the municipal solid waste management: A Latin-
American reality. Journal of Cleaner Production, 182, 485-495.
Bovea, M., Cruz Sotelo , S. E., Mercante, I., Coutinho Nobrega, C., Eljaiek Urzola, M.,
& Ibañez Forés , V. (2016). Aplicación de la metología del ciclo de vida para
evaluar el desempeño ambiental de sistemas de gestión de residuos en
Iberoamérica. Rev. Int. Contam. Ambie, 32, 23-46. Retrieved 12 de abril de 2017,
from
[Link]
2.05.03/46671.
Brumberg, H. L., & Karr, C. J. (2021). Ambient Air Pollution: Health Hazards to
Children. Pediatrics, 147(6), 1-13.
Caicedo Concha, D. M., Sandoval Cobo, J. J., Stringfellow , A., & Colmenares Quintero,
R. F. (2021). An evaluation of final disposal alternatives for municipal solid waste
through life cycle assessment: A case of study in Colombia. Cogent Engineering,
8, 1956860.
Canelo Dávila, C. A. (2021). Criterios y métodos para seleccionar la ubicación de los
rellenos sanitarios. Rev. de investig. agroproducción sustentable, 5(2), 9-19.
Cantanhede, A., Monge, G., Sandoval Alvarado, L., & Caycho Chumpitaz, C. (2006).
Procedimientos estadísticos para lo estudios de caracterización de residuos.
Revista AIDIS de Ingeniería y Ciencias Ambientales: Investigación, Desarrollo y
práctica, 1(1), s/p. Retrieved 19 de enero de 2018, from
[Link]

59
Caprile, M. D. (2020). Modelado de los impactos ambientales de la disposición final de
residuos sólidos urbanos en rellenos sanitarios basado en el Análisis de Ciclo de
Vida. Trabajo de tesis para optar por el título de Doctor en Ciencia y Tecnología
de la Universidad Nacional de General Sarmiento, Universidad Nacional de
General Sarmiento, Buenos Aires. Retrieved 05 de Noviembre de 2021.
Chemel, C., Riesenmey, C., Batton Hubert, M., & Vaillant, H. (2012). Odour-impact
assessment around a landfill site from weather-type classification, complaint
inventory and numerical simulation. Journal of Environmental Management, 93
(1), 85-94. [Link]
Cleary, J. (2009). Life cycle assessments of municipal solid waste management systems:
a comparative analysis of selected peer-reviewed literature. Environment
International, 35, 1256-1266. Retrieved 10 de Agosto de 2018, from
[Link]
Cohen, A. J., Brauer, M., Burnett, R., Anderson, H. R., Frostad, J., Estep, K.,
Balakrishnan, K., Brunekreef, B., Dandona, L., Dandona, R., & Feigin, V. (2017).
Estimates and 25-year trends of the global burden of disease attributable to
ambient air pollution: an analysis of data from the Global Burden of Diseases
Study 2015. Lancet, 389, 1907-1918.
Cointreau, S. (2001). Declaration of Principles For sustanaible and integrated solid
waste manegement (SISWMN). Washington DC: The World Bank. Retrieved 21
de febrero de 2017, from
[Link]
Congreso de la República. (2014). Dictamen de la Resolución Legislativa N° 3165/2013-
PE, que propone aprobar la "Enmienda al Convenio de Basilea sobre Control de
los Movimientos Transfronterizos de los desechos Peligrosos y su Eliminación".
Lima. Retrieved 12 de marzo de 2017, from
[Link]
E076595EF424FAF005257DF1005C6DFA/$FILE/RLN%C2%B030248PAG18
[Link]
Crawford, R. H., Bontinck, P. A., Stephan, A., Wiedmann, T., & Yu, M. (2018). Hybrid
life cycle inventory methods – a review. Journal of Cleaner Production, 172,
1273-1288. Retrieved 6 de Agosto de 2018, from
[Link]
fe45-4e92-ba1a-4b5a99d46b36?view=true.

60
Crobeddu, Aragao Santiago, L., Bui, L.-C., Boland, S., & Baeza Squiban, A. (2017).
Oxidative potential of particulate matter 2.5 as predictive indicator of cellular
stress. Environmental Pollution, 230, 125-133.
Da Silva, L. (2017). Indicadores da gestão de resíduos sólidos urbanos: uma visão
voltada à sustentabilidade. Universidade de Passo Fundo, Faculdade de
Engenharia e Arquitetura . Programa de Pós-Graduação em Engenharia Civil e
Ambiental. Retrieved 14 de Octubre de 2019, from
[Link] 06 SET
Damgaard, A. (2010). Implementation of life cycle assessment models. PhD Thesis,
Technical University of Denmark, Lyngby. Retrieved 23 de febrero de 2017, from
[Link]
Dastjerdi, B., Strezov, V., Ali Rajaeifar, M., Kumar, R., & Behnia, M. (2021). A
systematic review on life cycle assessment of different waste to energy
valorization technologies. Journal of Cleaner Production, 290, 125247.
Dastjerdi, B., Strezov, V., Ali Rajaeifar, M., Kumar, R., & Behnia, M. (2021). A
systematic review on life cycle assessment of different waste to energy
valorization technologies. Journal of Cleaner Production, 290, 125747.
Defensoría del Pueblo. (2020). Gestión de los residuos sólidos en el Perú en tiempos de
COVID-19. Recomendaciones para proteger los derechos a la salud y el
ambiente. Lima: Serie Informes Especiales Nº 24-2020-DP. Retrieved 23 de
Octubre de 2021.
Deng, H.-M., Liang, Q.-M., Liu, L.-J., & Diaz Anadon, L. (2018). Co-benefits of
greenhouse gas mitigation: a review and classification by type, mitigation sector,
and geography. Environ. Res. Lett., 12, 123001.
Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ). (2017). Waste to Energy
Options in Municipal Solid Waste Management: A Guide for Decision Makers in
Developing and Emerging Countries. Eschborn, Germany. Retrieved 8 de
Septiembre de 2018, from [Link]
Di, Q., Wang, Y., Zanobetti, A., Wang, Y., Koutrakis, P., Choirat, C., Dominici, F., &
Schwartz, J. (2017). Air Pollution and Mortality in the Medicare Population. N
Engl J Med, 376, 13-22.
Dong, J., Tang, Y., Nzihou, A., & Chi, Y. (2019). Key factors influencing the
environmental performance of pyrolysis, gasification and incineration Waste-to-

61
 Energy technologies. Retrieved 29 de Diciembre de 2021, from [Link]
[Link]/hal-02161846
Environmental Protection Agency (EPA). (2012). Global Anthropogenic Non-CO2.
Greenhouse Gas Emissions: 1990 - 2030. Washington, DC: Office of
Atmospheric Programs. Retrieved 29 de Septiembre de 2021, from
[Link]
08/documents/epa_global_nonco2_projections_dec2012.pdf
Escamilla García, P. E., Camarillo López, R. H., Carrasco Hernández, R., Fernández
Rodríguez, E., & Legal Hernández, J. M. (August de 2020). Technical and
economic analysis of energy generation from waste incineration in Mexico.
Energy Strategy Reviews, 31, 100542.
European Commission (EC), Joint Research Centre (JRS) , Institute for Environment and
Sustainability (IES). (2010). International Reference Life Cycle Data System
(ILCD) Handbook - General guide for Life Cycle Assessment - Detailed guidance.
Luxembourg: European Union. Retrieved 11 de Mayo de 2018, from
[Link]
[Link].
European Commission (EC), Joint Research Centre (JRS) , Institute for Environment and
Sustainability (IES). (2011). International recommendations for life cycle impact
- Recommendations for life cycle impact assessment in the European context (First
edition ed.). Luxemburg: Publications Office of the European Union. Retrieved 6
de Marzo de 2017, from [Link]
[Link].
Fauré, E., Arushanyan, Y., Ekener, E., Miliutenko, S., & Finnveden, G. (2017). Methods
for assessing future scenarios from a sustainability perspective. European Journal
of Futures Research, 5, 17-36.
Ferronato, N., Moresco, L., Guisbert Lizarazu, G. E., Gorritty Portillo, M. A., Conti, F.,
& Torretta, V. (2021). Sensitivity analysis and improvements of the recycling rate
in municipal solid waste life cycle assessment: Focus on a Latin American
developing context. Waste Management, 128, 1-15.
Ferronato, N., Portugal Alarcón, G. P., & Guisbert Lizarazu, E. G. (2021). Assessment of
municipal solid waste collection in Bolivia: Perspectives for avoiding
uncontrolled disposal and boosting waste recycling options. Resources,
Conservation & Recycling, 167, 105234.

62
Frangopoulos, Y., Kolovou, E., & Kourkouridis, D. (2018). N.I.M.B.Y. Syndrome and
Landfills: The case of the landfills in the Region of Pella and the emergence of a
NIMBY syndrome. Modern Management Forum, 2(3), 1-12. Retrieved 14 de
Noviembre de 2018, from [Link]
MANAGEMENT-FORUM/article/view/1123/1126.
Giuseppe , D., Gnonib, M. G., & Mummolo, G. (2012). Sustainable municipal solid waste
management. World Scientific Publishing. Retrieved 20 de mayo de 2017, from
[Link]
olid_Waste_Management_and_Recovery/download.
Golwala, H., Zhang, X., Iskander, S. M., & Smith, A. L. (2021). Solid waste: An
overlooked source of microplastics to the environment. Science of the Total
Environment, 769, 144581.
Gowers, A. M., Walton, H., Exley, K. S., & Hurley, J. F. (2021). Using epidemiology to
estimate the impact and burden of exposure to air pollutants. Phil. Trans. R. Soc.
A, 378, 20190321.
Graham, H., & White, P. (2016). Social determinants and lifestyles: integrating
environmental and public health perspectives. Public Health, 141, 270-278.
Grossule, V., & Lavagnolo, M. C. (2017). Innovative semi-aerobic landfill management
in tropical countries. Sixteenth International Waste Management and Landfill
Symposium. Italy.
Guinée, J. (2016). Life Cycle Sustainability Assessment: What Is It and What Are Its
Challenges? En R. Clift, & A. Druckman, Taking Stock of Industrial Ecology
(págs. 45-68). Leiden, The Netherlands. Retrieved 4 de Agosto de 2018, from
[Link]
Guinée, J., Heijungs, R., Huppes, G., Zamagni, A., Masoni, P., Buonamici, R., Ekvall,
T., & Rydberg, T. (2011). Life cycle assessment: past, present, and future.
Environ. Sci. Technol. 2011, 45, 90-96. Retrieved 19 de Septiembre de
Septiembre, from [Link]
Hafnesi, F., & Suzuki, M. M. (2012). Municipal solid waste (MSW) final processing
technology, case studies between Tokyo-Japan and Indonesia. Bulletin of The
University of Electro-Communicatons, 24(1), 51-58. Retrieved 17 de Septiembre
de 2018, from [Link]

63
Hashimoto Moncayo, E. E. (2013). Análisis epistemológico de la matriz de consistencia
y la operacionalización de variables y su relación con los proyectos de
investigación. Lambayeque.
Hettiarachchi, H., Ryu, S., Caucci, S., & Silva, R. (2018). Municipal solid waste
management in Latin America and the Caribbean: Issues and potential solutions
from the governance perspective. Recycling, 3(19), 1-15. Retrieved 24 de junio de
2018, from [Link]
[Link].
Höjer, M., Ahlroth, S., Dreborg, K. H., Ekvall, T., Finnveden, G., Hjelm, O.,
Hochschorner, E., Nilsson, M., & Palm, V. (2008). Scenarios in selected tools for
environmental systems analysis. Journal of Cleaner Production, 16, 1958-1970.
Ilasaca Cahuataa, E., Tudela Mamanib, J. W., Zamalloa Cubac, W., Bernardo Roque, &
Fernandez, E. (2018). Generación de indicadores sintéticos de desarrollo
sostenible – Perú 2015. Journal of High Andean Research, 20(2), 251-260.
Retrieved 23 de setiembre de 2018, from
[Link]
Inglezakis, V. J., Rojas Solórzano, L., Kim, J., Aitbekova, A., & Ismailova, A. (2015).
Comparison between landfill gas and waste incineration for power generation in
Astana, Kazakhstan. Waste Management & Research, 33(5), 486-494.
Instituto Nacional de Estadística e Informática (INEI). (28 de diciembre de 2017). Censo
Nacional del INEI del año 2017: XII de Población, VII de Vivienda y III de
Comunidades Indígenas. Sistema de consulta de base de datos:
[Link]
Instituto Nacional de Estadística e Informática (INEI). (30 de marzo de 2018). Destino
final de la basura recolectada, según departamento 2015.
[Link]
International Organization for Standardization (ISO). (2006a). ISO 14040-2006:
Environmental management - Life cycle assessment - Principles and framework
(First edition ed.). Geneve, Switzerland. Retrieved 30 de Abril de 2018, from
[Link]
International Organization for Standardization (ISO). (2006b). ISO 14044-
2006:Environmental Management, Life Cycle Assessment, Requirements and
Guidelines (First edition ed.). Geneva, Switzerland. Retrieved 28 de abril de 2018,
from [Link]

64
IPCC. (2013). Anthropogenic and Natural Radiative Forcing. En G. S.-M.-F. Myhre,
Climate Change 2013: The Physical Science Basis. Contribution of Working
Group I to the Fifth Assessment . Cambridge, United Kingdom and New York,
NY, USA: Cambridge University Press.
Iqbal, A., Liu, X., & Chen, G.-H. (2020). Municipal solid waste: Review of best practices
in application of life cycle assessment and sustainable management techniques.
Science of the Total Environment, 729, 138622.
Iqbal, A., Liu, X., & Chen, G.-H. (2020). Municipal solid waste: Review of best practices
in application of life cycle assessment and sustainable management techniques.
Science of the Total Environment, 729, 138622.
Jankowska Kieltyka, M., Roman, A., & Nalepa, I. (2021). The Air We Breathe: Air
Pollution as a Prevalent Proinflammatory Stimulus Contributing to
Neurodegeneration. Frontiers in Celular Neuroscience, 15, 647643.
Jerneck, A., Olsson, L., Ness, B., Anderberg, S., Baier, M., Clark, E., Hickler, T.,
Hornborg, A., Kronsell, A., Lo¨vbrand, E., & Persson, J. (2011). Structuring
sustainability science. Sustain Sci , 6, 69-82.
[Link]
cturing_Sustainability_Science/links/[Link].
Jha, A. k., Singh, S. K., Singh, G. K., & Gupta, P. K. (2011). Sustainable municipal solid
waste management in low income group of cities: a review. Tropical Ecology,
52(1), 123-131. Retrieved 24 de abril de 2017, from
[Link]
Johnson, A. (2013). Environmental systems analysis tools as decision-support in – LCA
in Sweden, Estonia and Lithuania. Master Thesis E, in Sustainable Development,
Uppsala University, Department of Earth Sciences, Uppsala. Retrieved 12 de Julio
de 2018, from [Link]
[Link]/smash/get/diva2:646898/[Link].
Joint Research Centre (JRC). (2016). Guide for interpreting life cycle assessment result.
Luxembourg: European Union. Retrieved 12 de Mayo de 2018, from
[Link]
[Link].
Kajikawa, Y. (2008). Research core and framework of sustainability science. Sustain Sci
, 3, 215-239. Retrieved 22 de Marzo de 2018, from

65
 [Link]
ence_2010.pdf.
Karagulian, F., Belis, C. A., Dora, C. F., Prüss Ustün, A. M., Bonjour, S., Adair Rohani,
H., & Amann, M. (2015). Contributions to cities' ambient particulate matter (PM):
A systematic review of local source contributions at global level. Atmospheric
Environment, 120, 475-483.
Kelly, F. J., & Fussell, J. C. (2021). Toxicity of airborne particles—established evidence,
knowledge gaps and emerging areas of importance. [Link].A, 378,
20190322.
Khandelwal, H., Dhar, H., Kumar Thalla, A., & Kumar, S. (2019). Application of life
cycle assessment in municipal solid waste management: A worldwide critical
review. Journal of Cleaner Production, 209, 630-654.
Kjeldsen, P., Barlaz, M. A., Rooke, A. P., Baun, A., Ledin, A., & Christensen, T. H.
(2002). Present and Long-Term Composition of MSW Landfill Leachate: A
Review. Critical Reviews in Environmental Science and Technology, 32(4), 297–
336.
Laurent , A., Bakas , I., Clavreul, B. A., Niero, M., Gentil, E., Hauschilda, M. Z., &
Christensen, T. H. (2014). Review of LCA studies of solid waste management
systems-Part I: lessons learned and perspectives. Waste Manag, 34, 573 - 588.
Leal Filho, W., Lange Salvia, A., Minhas, A., Paço, A., & Dias Ferreira, C. (2021). The
COVID-19 pandemic and single-use plastic waste in households: A preliminary
study. Science of the Total Environment, 793, 148571.
Liang, Y., Song, Q., Wu, N., Li, J., Zhong, Y., & Zeng, W. (2021). Repercussions of
COVID-19 pandemic on solid waste generation and management strategies.
Front. Environ. Sci. Eng., 15(6), 115.
Liu, C., Nishiyama, T., Kawamoto, K., & Sasaki, S. (2020). CCET guideline series on
intermediate municipal olid waste treatment technologies: Waste-to-Energy
Incineration. United Nations Environment Programme.
López Torrado, R. J., Ortiz, O., & Ramón Valencia, J. D. (2020). Evaluación de los gases
de efecto invernadero aplicando la metodología análisis de ciclo de vida (ACV)
en el relleno sanitario regional la cortada, pamplona, norte de Santander. Revista
Infometric@ - Serie Ingeniería, Básicas y Agrícolas., 3(1), 35-55.
Lopez Yamunaqué, A., & Iannacone, J. (2021). La gestión integral de residuos sólidos
urbanos en América Latina. PAIDEIA XXI, 11(2), 189-210.

66
Lüthi, C., Morel, A., Tilley, E., & Ulrich, L. (2011). Community-Led urban
environmental sanitation planning (CLUES). Swiss Federal Institute of Aquatic
Science and Technology. Dübendorf: Eawag-Sandec/WSSCC/UN-HABITAT.
Retrieved 13 de setiembre de 2017, from
[Link]
sp/CLUES/CLUES_Guidelines.pdf.
Maalouf, A., Mavropoulos, A., & El-Fadel, M. (2020). Global Municipal Solid Waste
Infrastructure: Uncontrolled Disposal Delivery and Forecast. Waste Management
& Research, 38(9), 1028-1036.
Madon, I., Drev, D., & Likar, J. (2019). Long-term risk assessments comparing
environmental performance of different types of sanitary landfills. Waste
Management, 96, 96-107.
Margallo, M., Ziegler Rodriguez, K., Vázquez Rowe, I., Aldaco, R., Irabien, Á., &
Kahhat, R. (2019). Enhancing waste management strategies in Latin America
under a holistic environmental assessment perspective: A review for policy
support. Science of the Total Environment, 689, 1255-1275.
Markandya, A., Sampedro, J., Smith, S. J., Van Dingenen, R., Pizarro Irizar, C., Arto, I.,
& González Eguino, M. (2018). Health co-benefits from air pollution and
mitigation costs of the Paris Agreement: a modelling study. The Lancet, 126-133.
McConville, J. R., & Mihelcic, J. R. (2007). Adapting life-cycle thinking tools to evaluate
project sustainability in international water and sanitation. Environmental
Engineering Science, 24(7), 937-948. Retrieved 29 de Mayo de 2017, from
[Link]
Cycle_Thinking_Tools_to_Evaluate_Project_Sustainability_in_International_W
ater_and_Sanitation_Development_Work/download.
McDougall, F., White, P., Franke, M., & Hindle, P. (2008). Integrated solid waste
management: A life cycle inventory (2nd ed.). Malden, MA, USA: Blackwell
Science.
Ministerio de Economía y Finanzas (MEF). (2016). Guía para el cumplimiento de la Meta
06: Implementar un programa de segregación en la fuente y recolección selectiva
de residuos sólidos domiciliarios en viviendas urbanas del distrito, para
municipalidades de ciudades principales tipo B. Lima. Retrieved 14 de febrero de
2017, from

67
 [Link]
miento_meta06.pdf.
Ministerio de Economía y Finanzas (MEF). (2017). Evaluación de diseño y ejecución de
presupuesto de: Gestión integral de los residuos sólidos. Lima. Retrieved 22 de
noviembre de 2017, from
[Link]
nal_residuos_solidos.pdf.
Ministerio de Salud (MINSA). (16 de Marzo de 2021). Estadística poblacional.
Población por grupos de edad según INEI, del Departamento de Amazonas,
Provincia de Chachapoyas, Distrito de Chachapoyas año 2021:
[Link]
Ministerio del Ambiente (MINAM). (05 de Abril de 2019). Resolución Ministerial N°
099-2019-MINAM. Declaran en emergencia la gestión y manejo de residuos
sólidos en la ciudad de Chachapoyas y Huancas, provincia de Chachapoyas,
Región Amazonas.
Ministerio del Ambiente (MINAM). (2014). Sexto informe nacional de residuos sólidos
de la gestión del ámbito municipal y no municipal 2013. Lima. Retrieved 13 de
setiembre de 2018, from
[Link]
Ministerio del Ambiente (MINAM). (2016). Objetivos de desarrollo sostenible e
Indicadores. Lima. Retrieved 28 de Junio de 2017, from
[Link]
[Link].
Ministerio del Ambiente (MINAM). (2016). Plan nacional de gestión integral de
residuos sólidos: 2016-2024. Lima. Retrieved 11 de enero de 2017, from
[Link]
[Link].
Ministerio del Ambiente (MINAM). (2018). Guía para la caracterización de residuos
sólidos municipales. Retrieved 27 de 11 de 2018, from
[Link]
caracterizaci%C3%[Link].
Ministerio del Ambiente. (2017). Sistema Nacional de Información Ambiental. Retrieved
16 de setiembre de 2018, from Indicador: Generación per cápita de residuos

68
 sólidos domiciliarios por departamento:
[Link]
Molina, C., Toro A, R., Manzano, C. A., Canepari, S., Massimi, L., & Leiva Guzmán, M.
A. (2020). Airborne Aerosols and Human Health: Leapfrogging rom Mass
Concentration to Oxidative Potential. Atmosphere , 11, 917.
Mor , S., Ravindra , K., Dahiya , R. P., & Chandra , A. (2006). Leachate characterization
and assessment of groundwater pollution near municipal solid waste landfill site.
Environ Monit Assess., 18(1-3), 435-56.
Naveen, B. P., Madhab Mahapatra, D., Sitharam, T. G., Sivapullaiah, P. V., &
Ramachandra, T. V. (2021). Physico-chemical and biological characterization of
urban municipal landfill leachate. Environmental Pollution, 220, 1-12.
Norazli , O., Noor Ezlin , A. B., Muhd Noor , M. Y., & Roslina , M. (Agosto de 2015).
Integrated solid waste management : A life cycle assessment. ARPN Journal of
Engineering and Applied Sciences, 10(15). Retrieved 18 de Mayo de 2017, from
[Link]
anagement_A_life_cycle_assessment/download.
Nurhasanah , Reza Cordova, M., & Riani , E. (2021). Release of microplastics and
mesoplastics from Indonesian municipal solid waste landfill leachate to the
aquatic environment: case study at the Galuga landfill, Indonesia. Marine
Pollution Bulletin, 163, 111986.
Obersteiner, G., Binner, E., Mosterbauer, P., & Salhofer, S. (2007). Landfilling modelling
in LCA–A contribution based on empirical data. Waste Management, 27, S58-
S74.
ONU Medio Ambiente. (2018). Perspectiva de la Gestión de Residuos en América Latina
y el Caribe. Ciudad de Panamá: Programa de las Naciones Unidas para el Medio
Ambiente .
Orach , J., Rider , C. F., & Carlsten, C. (2021). Concentration-dependent health effects of
air pollution in controlled human exposures. Environment International, 150,
106424.
Organisation for Economic Co-Operation and Development (OCDE). (1993). OECD
core set of indicators for environmental performance reviews. A synthesis report
by the Group on the State of the Environment . París. Retrieved 10 de octubre de
2017, from

69
 [Link]
/GD(93)179&docLanguage=En.
Organismo de Evaluación y Fiscalización Ambiental (OEFA). (05 de Noviembre de
2021). Inventario Nacional de Áreas Degradadas por Residuos Sólidos
Municipales. [Link]
Organismo de Evaluación y Fiscalización Ambiental (OEFA). (2015). Fiscalización
ambiental en residuos sólidos de gestión municipal provincial. Informe 2014-
2015 Indice de cumplimiento de los municipios provinciales a nivel nacional.
Lima. Retrieved 22 de enero de 2017, from
[Link]
Organización de las Naciones Unidas (ONU). (1987). Informe de la Comisión Mundial
sobre el Medio Ambiente y el Desarrollo "Nuestro Futuro Común". A/42/427.
Retrieved 24 de septiembre de 2017, from
[Link]
[Link]
Organización de las Naciones Unidas (ONU). (1992). Convención Marco de las Naciones
Unidas sobre Cambio Climático. Nueva York: FCCC/INFORMAL/84. Retrieved
3 de noviembre de 2017, from
[Link]
Organización de las Naciones Unidas (ONU). (2015). Transformar nuestro mundo: la
Agenda 2030 para el Desarrollo Sostenible. Nueva York: A/RES/70/1. Retrieved
26 de setiembre de 2018, from
[Link]
Organización de las Naciones Unidas (ONU). (2016). Marco de indicadores mundiales
para los objetivos de desarrollo sostenible. Nueva York. Retrieved 28 de
Septiembre de 2018, from
[Link]
S.71.313%[Link].
Organización de las Naciones Unidas (ONU). (8 de septiembre de 2000). Declaración del
milenio. A/RES/55/2, (págs. 1-10). Nueva York. Retrieved 26 de enero de 2017,
from [Link]
Organización Panamericana de la Salud (OPS), Asociación Interamericana de Ingeniería
Sanitaria y Ambiental (AIDIS) y Banco Interamericano de Desarrollo (BID).
(2010). Informe de la evaluación regional del manejo de residuos sólidos urbanos

70
 en América Latina y el Caribe 2010. Retrieved 27 de noviembre de 2017, from
[Link]
Orihuela Paredes, J. C. (2018). Un análisis de la eficiencia de la gestión municipal de
residuos sólidos en el Perú y sus determinantes. Lima: Instituto Nacional de
Estadistica e Informática (INEI). Retrieved 30 de Septiembre de 2018, from
[Link]
[Link].
Ossa, D. A., Aristizábal, A. J., & Ospina, D. (2020). Comprehensive Analysis of Solid
Waste for Energy Projects in Colombia. Engineering Journal, 24(1), 35-52.
Pesonen, H. L., Ekvall, T., Fleischer, G., Huppes, G., Jahn, C., Klos, Z. S., Rebitzer, G.,
Sonnemann, G. W., Tintinelli, A., Weidema, B., & Wenzel, H. (2000).
Framework for scenario development in LCA. Int. J. Life Cycle Assess, 5, 21-30.
Retrieved 10 de Noviembre de 2018, from
[Link]
Pinault, L. L., Weichenthal, S., Crouse, D. L., Brauer, M., Erickson, A., Van Donkelaar,
A., Martin, R. V., Hystad, P., Chen, H., Finès, P., Brook, J. R., Tjepkema, M., &
Burnett, R. T. (2017). Associations between fine particulate matter and mortality
in the 2001 Canadian Census Health and Environment Cohort. Environmental
Research, 159, 406-415.
Polaz, C., & Teixeira, B. (Jul/Sep de 2009). Indicadores de sustentabilidade para a gestão
municipal de resíduos sólidos urbanos: um estudo para São Carlos (SP). Eng Sanit
Ambient, 14(3), 411-420. Retrieved 28 de Septiembre de 2017, from
[Link]
Posada Restrepo, E. (Enero - Junio de 2020). Perspectives Of Project Engineering In The
Disposal Of Solid Waste In Colombia And Possibilities Of Energy Use And
Valuation. Revista EIA, 17(33).
Programme United Nations Human Settlements (UN HABITAT). (2010a). WTE industry
in Latin America. Washington DC. Retrieved 10 de agosto de 2018, from
[Link]
Programme United Nations Human Settlements (UN-HABITAT). (2010b). Solid wasted
management in the world´s cities - Water and sanitation in the world´s cities 2010.
London, Washington DC. Retrieved 12 de marzo de 2017, from
[Link]
nt_in_the_worlds-[Link].

71
Pryshlakivsky, J., & Searcy , C. (2021). Life Cycle Assessment as a decision-making tool:
Practitioner and managerial considerations. Journal of Cleaner Production, 309,
127344.
Public Services International Research Unit (PSIRU). (2017). Los servicios de gestión de
residuos sólidos municipales en América Latina. Greenwich: Internacional de
Servicios Públicos. Retrieved 22 de diciembre de 2017, from [Link]
[Link]/sites/default/files/documents/research/municipal_waste_services_in_latin
_america_report_2017-[Link].
Quillos Ruiz, S. A., Escalante Espinoza, N. J., Sánchez Vaca, D. A., Quevedo Novoa, L.
G., & De La Cruz Araujo, R. A. (2018). Residuos sólidos domiciliarios:
Caracterización y estimación energética para la ciudad de Chimbote. Rev Soc
Quím Perú, 84(3), 323-335.
Rabl, A., & Spadaro, J. V. (2015). Damage costs of air pollution and policy implications.
En Miguel de la Guardia, S. Armenta, & S. Dennis, The Quality of Air. Valencia.
[Link] 10.1016/[Link].2016.01.011
Rand, T., Haukohl, T., & Marxen, U. (2000). Municipal Solid Waste Incineration:
Requirements for a Successful Project. The World Bank. Washington, D.C.: The
International Bank for Reconstruction and Development.
Rangel de Oliveira, A. J., Novaes Barreto, L., Zamboti Fortes, M., Paes da Costa, F. M.,
Moreira, L., & Moreira Cesar Borba, B. (2017). Analysis of Waste Biogas
(Landfills) applied to Power Generation. Revista de Ingeniería Energética,
XXXVIII(3), 175-187.
Sakurai, K. (1983). Manual de instrucción de análisis de residuos sólidos municipales.
Lima: CEPIS. [Link]
repi86/fulltexts/bvsacd/scan/[Link]
Šan, I., & Onay, T. T. (2001). Impact of various leachate recirculation regimes on the
degradation of urban solid waste. Journal of Hazardous Materials, 87(1-3), 259-
271.
Sánchez Muñoz, M., Cruz Cerón, J. G., & Maldonado Espinel, P. C. (2019). Gestión de
residuos sólidos urbanos en América Latina: un análisis desde la perspectiva de la
generación. Finanz. polit. econ., 11(2), 321-336.
Sangwon , S., & Huppes, G. (2005). Methods for Life Cycle Inventory of a product.
Journal of Cleaner Production, 13, 687-697. Retrieved 17 de Septiembre de 2018,
from

72
 [Link]
ds%20for%20Life%20Cycle%20Inventory%20of%20a%[Link].
Santos Santiago, L., & Furiam Dias, S. M. (2012). Matriz de indicadores de
sustentabilidade para a gestão de resíduos sólidos urbanos. Eng Sanit Ambient,
17(2), 203-212.
Sardarmehni, M., Lewis, J. W., & Barlaz, M. A. (2021). What Is the Best End Use for
Compost Derived from the Organic Fraction of Municipal Solid Waste? Environ.
Sci. Technol., 55, 73-81.
Sauve, G., & Van Acker , K. (2020). The environmental impacts of municipal solid waste
landfills in Europe: A life cycle assessment of proper reference cases to support
decision making. Journal of Environmental Management , 261, 110216.
Sbergamo, A. L. (2018). Política ambiental y desarrollo: La gestión integral de residuos
sólidos urbanos y el desarrollo local sustentable en el conurbano bonaerense.
Tesis para la obtención de grado de Magister en Políticas de Desarrollo,
Universidad Nacional de la Plata, Ensenada. Retrieved 16 de Mayo de 2018, from
[Link]
[Link]?sequence=1&isAllowed=y.
Shah, A. V., Kumar Srivastava, V., Sabyasachi Mohanty, S., & Varjani, S. (2021).
Municipal solid waste as a sustainable resource for energy production: State-of-
the-art review. Journal of Environmental Chemical Engineering, 9, 105717.
Silva Pereira, S., Catão Curi, R., & Fadlo Curi, W. (2018). Uso de indicadores na gestão
dos resíduos sólidos urbanos: uma proposta metodológica de construção e análise
para municípios e regiões. Eng Sanit Ambient , 23(3), 471-483.
Sinan Bilgili , M., Demir, A., & Özkaya, B. (2006). Influence of leachate recirculation on
aerobic and anaerobic decomposition of solid wastes. Journal of Hazardous
Materials. [Link]
SINIA. (2020). Estadística Ambiental Perú: Residuos. Retrieved 17 de Octubre de 2021,
from Sistema Nacional de Información Ambiental:
[Link]
Siyuan Wu , J. (2018). Capital Cost Comparison of Waste-to-Energy (WTE), Facilities
in China and the U.S. Earth Engineering Center. Columbia University.
Swarr, T. E., Hunkeler, D., Klöpffer, W., Pesonen, H. L., Ciroth, A., Brent, A. C., &
Pagan, R. (2011). Environmental life-cycle costing: a code of practice. Int J Life
Cycle Assess, 16, 389-391. Retrieved 26 de Septiembre de 2018, from

73
 [Link]
Environmental_Life-
Cycle_Costing_A_Code_of_Practice/links/02e7e52c080b765445000000/Enviro
[Link].
Tascione, V., & Raggi, A. (2012). Identification and selection of alternative scenarios in
LCA studies of integrated waste management systems: a review of main issues
and perspectives. Sustainability, 4, 2430-2442. Retrieved 5 de Octubre de 2018,
from
[Link]
[Link].
The World Bank. (1999). Municipal Solid Waste. Washington, D.C.: The International
Bank for Reconstruction. Retrieved 14 de Septiembre de 2018, from
[Link]
[Link].
The World Bank. (2000). Municipal Solid Waste Incineration: A Decision Maker´s
Guide. Washington, D.C.: The International Bank for Reconstruction. Retrieved
15 de Septiembre de 2018, from
[Link]
1202332338898/[Link].
Themelis, N. J., Díaz Barriga, M. E., Estevez, P., & Velasco, M. G. (2013). Guidebook
for the Application of Waste to Energy Technologies in Latin America and Other
Developing Regions. Earth Engineering Center, Columbia University. WTE
Guidebook, EEC/IDB.
Thies, C., Kieckhäfer , K., Spengler , T. S., & Sodhi, M. S. (2019). Operations research
for sustainability assessment of products: A review. European Journal of
Operational Research, 274, 1-21.
Tukey, J. W. (Junio de 1949). Comparing Individual Means in the Analysis of Variance.
Biometrics, 5(2), 99-114.
United Nations Environment Programme (UNEP) - International Solid Waste
Association (ISWA). (2015). Global waste management outlook (GWMO).
Austria. Retrieved 12 de octubre de 2017, from
[Link]
nt_Outlook_United_Nations_Environment_Programme_UNEP_and_Internation
al_Solid_Waste_Association_ISWA/download.

74
Uribe-Salazar Gil, C., & Pascual Martí, J. (2013). Los NIMBYS como generadores de
crisis. Mas poder local, 6-12. Retrieved 9 de Septiembre de 2017, from
[Link]
[Link].
Valdivia, S., Ugaya, C. M., Hildenbrand, J., Traverso, M., Mazijn, B., & Sonnemann, G.
(2013). A UNEP/SETAC approach towards a life cycle sustainability
assessment—our contribution to Rio+20. Int J Life Cycle Assess , 18, 1673-1685.
Retrieved 2 de Agosto de 2018, from
[Link]
20on%20Life%20Cycle%20Sustainability%20Assessment%20%28Valdivia%2
0et%20al.%202013%[Link]?forcedownload=1.
Vázquez-Rowe, I., Kahhat, R., & Sánchez, I. (2019). Perú LCA: launching the Peruvian
national life cycle database. The International Journal of Life Cycle Assessment ,
24, 2089–2090.
Vinti, G., Bauza, V., Clasen, T., Medlicott, K., Tudor, T., Zurbrügg, C., & Vaccari, M.
(2021). Municipal Solid Waste Management and Adverse Health. Int. J. Environ.
Res. Public Health, 18, 4331.
Wang, Y., Lewis, J. W., & Barlaz, M. A. (2021). Life-Cycle Assessment of a Regulatory
Compliant U.S. Municipal Solid Waste Landfill. Environmental science &
Technology, 55, 13583-13592.
Whiteman, A., Gupta, S. K., Briciu, C., & Bates, S. (2016). Waste to Energy Rapid
Assessment Tool. Switzerland: Collaborative Working Group on Solid Waste
Management in Low and Middle Income Countries. Retrieved 4 de Noviembre de
2018, from [Link]
Wilson, D. C., Velis, C. A., & Rodic, L. (2013). Integrated sustainable waste management
in developing countries. Proceedings of the institution of civil engineers. Waste
and Resource Management, 166(2), 52 - 68.
[Link]
Xaypanya, P., Takemura, J., Chiemchaisri, C., Seingheng, H., & Tanchuling, M. A.
(2018). Characterization of Landfill Leachates and Sediments in Major Cities of
Indochina Peninsular Countries—Heavy Metal Partitioning in Municipal Solid
Waste Leachate. Environments, 5(65).
[Link]

75
Yadav, P., & Samadder, S. R. (2018). A critical review of the life cycle assessment studies
on solid waste management in Asian countries. Journal of Cleaner Production,
185, 492-515.
Zhang, J., Qin, Q., Li, G., & Tseng, C. (2021). Sustainable municipal waste management
strategies through life cycle assessment method: A review. Journal of
Environmental Management, 287, 112238.
Zhang, J., Qin, Q., Li, G., & Tseng, C.-H. (2021). Sustainable municipal waste
management strategies through life cycle assessment method: A review. Journal
of Environmental Management, 287, 112238.
Zhang, J., Zhang, Z., Zhang, J., Fan, G., & Wu, D. (2021). A Quantitative Study on the
Benefit of Various Waste Classifications. Advances in Civil Engineering, 1-15.
[Link]
Ziegler Rodriguez , K., Margallo, M., Aldaco, R., Vásquez Rowe, I., & Kahhat , R.
(2019). Transitioning from open dumpsters to landfilling in Peru: environmental
benefits and challenges from a life-cycle perspective. Journal of Cleaner
Production, 229, 989-1003.
Zurbrügg, C. (2013). Assessment methods for waste management decision-support in
developing countries. Ph.D. Thesis, Università degli Studi di Brescia, Brescia.
Retrieved 24 de agosto de 2017, from
[Link]
WM/Assessment_Approaches/thesis_cz.pdf.
Zurbrügg, C., Caniato, M., & Vaccari, M. (2014). How assessment methods can support
solid waste management in developing countries - A critical review.
Sustainability, 6, 545-570.

76
 ANEXOS

Plano catastral por sectores de la ciudad de Chachapoyas

77
Matriz de apoyo a la toma de decisiones

Tecnología
Ítems
I C DA RS PG
1. ¿Existe recolección sistemática y disposición final en vertedero. El reciclado no está organizado en
forma sistemática?.
2. ¿Los RSU se mezclan en forma regular con fracciones de residuos minerales o peligrosos?.
3. ¿El poder calorífico de los RSU es < 7 MJ/kg. Alto contenido de biomasa con alto contenido
promedio de humedad?.
4. ¿La generación es < 10,000 toneladas métricas de fracciones de residuos aptos al año?.
5. ¿Los actores públicos y privados tienen experiencia en la operación de sistemas de aprovechamiento
energético de residuos?.
6. ¿El tiempo de transporte incrementará < 1 hora, y la distancia adicional será < 50 km?.
7. ¿No hay mercado para los residuos del proceso y no se cuenta con disposición o eliminación segura
para los residuos del proceso?.
8. ¿El marco legal nacional para el aprovechamiento energético de residuos es parcialmente existente o
inexistente. El cumplimiento de normas internacionales se puede asegurar en proyectos específicos?.
9. ¿Los costos de recolección y eliminación de RSU siempre están cubiertos en su totalidad. Puede
haber dificultades para cubrir los costos adicionales del aprovechamiento energético de residuos?.
10. ¿La tecnología clave de la planta de aprovechamiento energético de residuos debe ser importada.
Demoras en el acceso a compras en divisas extranjeras?.
11. ¿Las instalaciones de aprovechamiento energético o CDR se ubican en un área mal conectada a los
consumidores de energía?.
12. ¿Existen incentivos económicos para una generación de energía baja en emisiones de carbono?.
Fuente. GIZ (2017).
Nota: I = Incineración, C = Coprocesamiento, DA = Digestión anaeróbica, R= Relleno sanitario y PG = Pirólisis y Gasificación.

78
 Operacionalización de variables

Tabla 16 Operacionalización de variables.

Variable Dimensiones Indicadores Unidades Escala
Variable 1 (escenarios de tratamiento de residuos) Ambiental Emisiones al aire: Gramos Emisiones por 1 casa /año:
Particulados, CO, CO2, CH4 , NOx, GWP (potencial de Óxidos de sulfuro = 7900 g.
Escenario 1 = Sin tratamiento. calentamiento global), N2O, SOx, HCl, HF, H2S, total HC, Particulados (aire) = 4600 g.
Escenario 2 = Relleno sanitario con recuperación de HC clorinado, D/F (dioxina y furanos), amonio, arsénico, Plomo (aire) = 0.4 g.
gas y lixiviados. cadmio, cromo, cobre, plomo, manganeso, mercurio,
Mercurio (aire) = 0.06 g.
níquel y zinc
Escenario 3 = Escenario 2 + Centros de recolección. Cadmio = 0.02 g.
Escenario 4 = Escenario 2 + Segregación en el hogar + Emisiones al agua: D (TEQ) = 0.000000073 g
Recolección de puerta en puerta + Transporte a centro BOD (demanda biológica de oxígeno), COD, sólidos Gramos Plomo (agua) = 10.7 g
de reciclaje. suspendidos, TOC, AOX, HC clorinados, D/F (TEQ), Mercurio (agua) = 0.0026 g.
Escenario 5 = Escenario 4 + Compostaje. fenoles, aluminio, amonio, arsénico, bario, cadmio, Cadmio (agua) = 0.09 g.
Escenario 6 = Escenario 5 + Incineración parcial y cloruro, cromo, cobre, cianuro, fluoruro, fierro, plomo, BOD : 1 per/año = 27400 g.
generación de electricidad. mercurio, níquel, nitrato, fosfato, sulfato, sulfuro y zinc.
Variable 2 (Gestión integrada y sostenible de residuos). Económica Costo Dólares
Técnica Matriz de Apoyo a la Toma de Decisiones (Anexo 8.9): Verde (V): Altamente
1) Recolección y reciclado. probable que la tecnología sea
2) Segregación de residuos peligrosos adecuada; Amarillo (A): Se
necesita más información y/o
3) Poder calorífico de los RSU. mejoras a los entornos locales
4) Generación de residuos aptos para una planeación concreta e
5) Actores públicos y privados. implementación exitosa de la
6) Tiempo de transporte y distancias. tecnología y Rojo (R): La
tecnología no es la adecuada y
7) Mercado y disposición final.
se recomienda mejorar o
8) Marco legal. variar las condiciones locales
9) Costos de recolección y disposición. o seleccionar otra tecnología
10) Acceso a la tecnología. (Tabla 5).
11) Acceso a la energía ofertada.
12) Incentivos económicos.

79
Emisiones al aire y agua por escenario

Tabla 17 Emisiones al aire en M1E1.

Tipo Recolección Relleno Total
Partículas 55249 5205 60454
CO 735410 84473 819883
CO2 134016280 1086702990 1220719270
CH4 163134 477385664 477548798
NOx 2411546 227196 2638742
GWP 137443097 11111802031 11249245129
N2O 3 0 4
SOx 201958 19027 220984
HCl 274 79008 79282
HF 0 15797 15797
H2S 0 243023 243023
Total HC 0 2430231 2430231
HC clorado 0 42529 42529
D/F 0 0 0
Amonio 0 0 0
Arsénico 0 0 0
Cadmio 0 7 7
Cromo 0 1 1
Cobre 0 0 0
Plomo 0 6 6
Manganeso 0 0 0
Mercurio 0 0 0
Níquel 0 0 0
Zinc 0 91 91
Nota: las unidades están en gramos y corresponden al año 2020.

80
 Tabla 18 Emisiones al agua en M1E1.
Tipo Recolección Relleno Total
BOD 0 2308963 2308963
COD 6 2308963 2308969
Sólidos susp. 116471 12020 128491
TOC 19 2095 2114
AOX 0 2093 2093
HC clorado 0 1078 1078
D/F (TEQ) 0 0 0
Fenoles 0 398 398
Aluminio 4 0 5
Amonio 538 22032 22569
Arsénico 0 15 15
Bario 5 0 6
Cadmio 0 15 15
Cloruro 1090049 164452 1254500
Cromo 0 63 63
Cobre 0 57 57
Cianuro 0 0 0
Fluoruro 0 408 408
Fierro 1146 99546 100692
Plomo 0 66 66
Mercurio 0 1 1
Níquel 0 178 178
Nitrato 1 0 1
Fosfato 0 0 0
Sulfato 38450 3622 42073
Sulfuro 0 0 0
Zinc 0 712 712
Nota: las unidades están en gramos y corresponden al año 2020.

81
 Tabla 19 Emisiones al aire en M1E2.
Tipo Recolección Relleno Total
Partículas 55249 -828765 -773516
CO 735410 846793 1582203
CO2 134016280 1564113263 1698129542
CH4 163134 46085763 46248897
NOx 2411546 -1174054 1237493
GWP 137443097 2529807662 2667250759
N2O 3 -6796 -6792
SOx 201958 -3660459 -3458502
HCl 274 -103930 -103656
HF 0 -10678 -10678
H2S 0 24663 24663
Total HC 0 308639 308639
HC clorado 0 15188 15188
D/F 0 0 0
Amonio 0 -1986 -1986
Arsénico 0 0 0
Cadmio 0 -14 -14
Cromo 0 0 0
Cobre 0 0 0
Plomo 0 -150 -150
Manganeso 0 -65 -65
Mercurio 0 -20 -20
Níquel 0 -938 -938
Zinc 0 -207 -207
Nota: las unidades están en gramos y corresponden al año 2020.

82
 Tabla 20 Emisiones al agua en M1E2.
Tipo Recolección Relleno Total
BOD 0 224959 224959
COD 6 221841 221847
Sólidos susp. 116471 -218023 -101552
TOC 19 -51311 -51292
AOX 0 195 195
HC clorado 0 102 102
D/F (TEQ) 0 0 0
Fenoles 0 -337 -337
Aluminio 4 -297694 -297690
Amonio 538 -3559 -3021
Arsénico 0 -593 -593
Bario 5 -29800 -29795
Cadmio 0 -18 -18
Cloruro 1090049 -3169979 -2079930
Cromo 0 -2955 -2955
Cobre 0 -1458 -1458
Cianuro 0 -20 -20
Fluoruro 0 40 40
Fierro 1146 -388817 -387671
Plomo 0 -1793 -1793
Mercurio 0 0 0
Níquel 0 -1471 -1471
Nitrato 1 -8727 -8726
Fosfato 0 -17519 -17519
Sulfato 38450 -3355622 -3317172
Sulfuro 0 -88 -88
Zinc 0 -2919 -2919
Nota: las unidades están en gramos y corresponden al año 2020.

83
 Tabla 21 Emisiones al aire en M1E3.
Tipo Recolección Relleno Reciclaje Total
Partículas 55689 -806915 -1840057 -2591283
CO 741265 822663 -4962561 -3398633
CO2 135083312 1522333427 -797872141 859544598
CH4 164433 44863370 -1586534 43441269
NOx 2430747 -1148418 -1933325 -650996
GWP 138537414 2462413428 -831475140 1769475702
N2O 3 -6615 -922 -7534
SOx 203566 -3563858 -5145468 -8505760
HCl 276 -101175 -74858 -175757
HF 0 -10395 -6067 -16462
H2S 0 24009 149 24158
Total HC 0 300455 0 300455
HC clorado 0 14786 0 14786
D/F 0 0 0 0
Amonio 0 -1933 6432 4499
Arsénico 0 0 -2809 -2809
Cadmio 0 -14 -24 -37
Cromo 0 0 1 1
Cobre 0 0 3 3
Plomo 0 -146 2107 1961
Manganeso 0 -63 -11 -75
Mercurio 0 -19 -11 -30
Níquel 0 -913 -805 -1718
Zinc 0 -202 -201 -403
Nota: las unidades están en gramos y corresponden al año 2020.

84
 Tabla 22 Emisiones al agua en M1E3.
Tipo Recolección Relleno Reciclaje Total
BOD 0 218994 136836 355830
COD 6 215958 -3962641 -3746676
Sólidos susp. 117398 -212510 -446048 -541159
TOC 19 -49955 199823 149886
AOX 0 185 -41081 -40896
HC clorado 0 97 2 99
D/F (TEQ) 0 0 0 0
Fenoles 0 -329 -794 -1123
Aluminio 5 -289801 -252797 -542593
Amonio 542 -3518 -6946 -9922
Arsénico 0 -578 -516 -1094
Bario 5 -29010 -32756 -61761
Cadmio 0 -18 -21 -38
Cloruro 1098728 -3088553 -21085 -2010910
Cromo 0 -2877 -2596 -5473
Cobre 0 -1420 -1172 -2592
Cianuro 0 -19 -117179 -117198
Fluoruro 0 38 -208 -170
Fierro 1155 -378744 -134821 -512409
Plomo 0 -1745 -1439 -3184
Mercurio 0 0 0 -1
Níquel 0 -1433 -1293 -2725
Nitrato 1 -8496 64182 55687
Fosfato 0 -17055 -13254 -30308
Sulfato 38756 -3266731 -1265966 -4493941
Sulfuro 0 -86 -155 -240
Zinc 0 -2844 -2580 -5424
Nota: las unidades están en gramos y corresponden al año 2020.

85
 Tabla 23 Emisiones al aire en M1E4.
Tipo Recolección Segregación Relleno Reciclaje Total
Partículas 55249 7033 -797701 -2617338 -3352757
CO 735410 829 812450 -7090024 -5541336
CO2 134016280 5904123 1504703560 -1133866426 510757537
CH4 163134 13976 44347735 -2246921 42277924
NOx 2411546 12667 -1137720 -2773026 -1486532
GWP 137443097 6215281 2433978786 -1181408360 1396228804
N2O 3 57 -6539 -1150 -7629
SOx 201958 31084 -3523119 -7303233 -10593311
HCl 274 1048 -100013 -105207 -203898
HF 0 103 -10276 -8494 -18667
H2S 0 0 23733 211 23945
Total HC 0 0 297003 0 297003
HC clorado 0 0 14616 0 14616
D/F 0 0 0 0 0
Amonio 0 17 -1911 9275 7381
Arsénico 0 0 0 -4006 -4006
Cadmio 0 0 -13 -34 -47
Cromo 0 0 0 1 1
Cobre 0 0 0 5 5
Plomo 0 1 -144 3008 2865
Manganeso 0 1 -62 -16 -77
Mercurio 0 0 -19 -15 -34
Níquel 0 8 -903 -1137 -2032
Zinc 0 2 -199 -285 -482
Nota: las unidades están en gramos y corresponden al año 2020.

86
 Tabla 24 Emisiones al agua en M1E4.
Tipo Recolección Segregación Relleno Reciclaje Total
BOD 0 1 216478 198727 415207
COD 6 28 213477 -5684232 -5470721
Sólidos
susp. 116471 1921 -210190 -631873 -723671
TOC 19 432 -49384 288012 239079
AOX 0 0 181 -58952 -58771
HC clorado 0 0 95 3 98
D/F (TEQ) 0 0 0 0 0
Fenoles 0 3 -325 -1131 -1453
Aluminio 4 2496 -286471 -357532 -641502
Amonio 538 48 -3501 -9831 -12747
Arsénico 0 5 -571 -730 -1296
Bario 5 250 -28676 -46407 -74828
Cadmio 0 0 -17 -29 -46
Cloruro 1090049 27494 -3054261 14388 -1922329
Cromo 0 25 -2844 -3674 -6493
Cobre 0 12 -1404 -1655 -3046
Cianuro 0 0 -19 -168222 -168241
Fluoruro 0 0 37 -297 -260
Fierro 1146 3343 -374500 -187427 -557438
Plomo 0 15 -1725 -2034 -3744
Mercurio 0 0 0 0 -1
Níquel 0 12 -1416 -1829 -3233
Nitrato 1 73 -8398 92316 83992
Fosfato 0 147 -16859 -18710 -35421
Sulfato 38450 28169 -3229237 -1760359 -4922977
Sulfuro 0 1 -85 -220 -303
Zinc 0 25 -2812 -3650 -6437
Nota: las unidades están en gramos y corresponden al año 2020.

87
 Tabla 25 Emisiones al aire en M1E5.
Tipo Recolección Segregación Biológico Relleno Reciclaje Total
Partículas 55249 8609 7106 -708805 -2681270 -3319110
CO 735410 1592 838 723818 -7118056 -5656398
CO2 134016280 7296859 5979113 1337592363 -1219934360 264950255
CH4 163134 17151 14121 39413385 -2408281 37199510
NOx 2411546 17338 12799 -1005310 -3009847 -1573474
GWP 137443097 7678537 6293496 2163471814 -1275429440 1039457505
N2O 3 69 58 -5812 -15875 -21556
SOx 201958 38018 31406 -3130602 -7839448 -10698668
HCl 274 1277 1059 -88883 -118468 -204742
HF 0 125 104 -9132 -9695 -18597
H2S 0 0 0 21092 399 21492
Total HC 0 0 0 263955 0 263954
HC clorado 0 0 0 12989 0 12989
D/F 0 0 0 0 0 0
Amonio 0 20 17 -1698 7260 5598
Arsénico 0 0 0 0 -4392 -4392
Cadmio 0 0 0 -12 -36 -47
Cromo 0 0 0 0 1 1
Cobre 0 0 0 0 5 5
Plomo 0 2 1 -128 3291 3166
Manganeso 0 1 1 -55 -23 -77
Mercurio 0 0 0 -17 -17 -34
Níquel 0 10 8 -802 -1234 -2018
Zinc 0 2 2 -177 -305 -478

88
 Tabla 26 Emisiones al agua en M1E5.
Tipo Recolec. Segreg. Biológ. Relleno Reciclaje Total
BOD 0 2 34930 192390 224436 451757
COD 6 34 59104 189723 -8622538 -8373672
Sólid. susp. 116471 2432 1941 -186518 -513159 -578833
TOC 19 526 436 -43883 464304 421402
AOX 0 0 0 166 -88763 -88597
HC clorado 0 0 0 87 3 90
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 4 3 -288 -1155 -1436
Aluminio 4 3040 2522 -254594 -388370 -637398
Amonio 538 59 6086 -3056 -9733 -6106
Arsénico 0 6 5 -508 -792 -1289
Bario 5 304 252 -25486 -49218 -74141
Cadmio 0 0 0 -15 -31 -46
Cloruro 1090049 34349 27779 -2711621 578335 -981109
Cromo 0 30 25 -2527 -3984 -6456
Cobre 0 15 12 -1247 -1803 -3023
Cianuro 0 0 0 -17 -251117 -251133
Fluoruro 0 0 0 34 -297 -263
Fierro 1146 4072 3377 -332577 -228704 -552686
Plomo 0 18 15 -1533 -2217 -3716
Mercurio 0 0 0 0 0 -1
Níquel 0 15 13 -1258 -1985 -3215
Nitrato 1 89 74 -7464 143044 135745
Fosfato 0 179 148 -14983 -19281 -33936
Sulfato 38450 34338 28461 -2869815 -1629306 -4397871
Sulfuro 0 1 1 -75 -225 -298
Zinc 0 31 25 -2497 -3961 -6402
Nota: las unidades están en gramos y corresponden al año 2020.

89
 Tabla 27 Emisiones al aire en M1E6.
Tipo Recolección Segregación Biológico Térmico Relleno Reciclaje Total
Partículas 55249 8609 7106 -257449 -356875 -2683494 -3226854
CO 735410 1592 838 -25109 371453 -7230611 -6146426
CO2 134016280 7296859 5979113 2120042736 675575363 -1234867553 1708042797
CH4 163134 17151 14121 n/a 19872888 -2478816 17588477
NOx 2411546 17338 12799 -449879 -485480 -3032327 -1526003
GWP 137443097 7678537 6293496 2120042736 1091997676 -1291856314 2071599229
N2O 3 69 58 n/a -2930 -15915 -18715
SOx 201958 38018 31406 -1137772 -1576597 -7867249 -10310237
HCl 274 1277 1059 -38047 -44811 -118122 -198370
HF 0 125 104 n/a -4604 -9664 -14039
H2S 0 0 0 n/a 10634 320 10955
Total HC 0 0 0 n/a 133081 0 133080
HC
clorado 0 0 0 n/a 6549 0 6549
D/F 0 0 0 0 0 0 0
Amonio 0 20 17 n/a -856 7258 6439
Arsénico 0 0 0 1 0 -4392 -4390
Cadmio 0 0 0 6 -6 -36 -37
Cromo 0 0 0 13 0 1 14
Cobre 0 0 0 37 0 7 45
Plomo 0 2 1 5 -65 3330 3274
Manganeso 0 1 1 n/a -28 -23 -49
Mercurio 0 0 0 101 -9 -17 76
Níquel 0 10 8 -256 -405 -1246 -1889
Zinc 0 2 2 450 -89 -306 58
Nota: las unidades están en gramos y corresponden al año 2020.

90
 Tabla 28 Emisiones al agua en M1E6.
Tipo Recolec. Segreg. Biológ. Relleno Reciclaje Total
BOD 0 2 34930 97223 224436 356590
COD 6 34 59104 95879 -8622577 -8467555
Sólid. susp. 116471 2432 1941 -92996 -514907 -487059
TOC 19 526 436 -22124 464121 442978
AOX 0 0 0 84 -88767 -88683
HC clorado 0 0 0 44 7 51
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 4 3 -145 -1159 -1297
Aluminio 4 3040 2522 -128361 -401358 -524152
Amonio 538 59 6086 -1530 -9776 -4623
Arsénico 0 6 5 -256 -819 -1063
Bario 5 304 252 -12849 -50342 -62630
Cadmio 0 0 0 -8 -32 -39
Cloruro 1090049 34349 27779 -1356766 577564 372974
Cromo 0 30 25 -1274 -4115 -5333
Cobre 0 15 12 -628 -1866 -2467
Cianuro 0 0 0 -8 -251117 -251125
Fluoruro 0 0 0 21 -297 -276
Fierro 1146 4072 3377 -167642 -230475 -389522
Plomo 0 18 15 -773 -2281 -3020
Mercurio 0 0 0 0 0 0
Níquel 0 15 13 -634 -2048 -2654
Nitrato 1 89 74 -3763 143052 139453
Fosfato 0 179 148 -7554 -20060 -27286
Sulfato 38450 34338 28461 -1446563 -1676807 -3022119
Sulfuro 0 1 1 -38 -226 -262
Zinc 0 31 25 -1259 -4092 -5295
Nota: las unidades están en gramos y corresponden al año 2020.

91
 Tabla 29 Emisiones al aire de M2E1.
Recolección Relleno Total
Partículas 55249 4100 59349
CO 735410 67192 802601
CO2 134016280 902226223 1036242503
CH4 163134 396583729 396746863
NOx 2411546 178957 2590503
GWP 137443097 9230484613 9367927711
N2O 3 0 3
SOx 201958 14987 216945
HCl 274 65634 65908
HF 0 13123 13123
H2S 0 201890 201890
Total HC 0 2018895 2018895
HC clorado 0 35331 35331
D/F 0 0 0
Amonio 0 0 0
Arsénico 0 0 0
Cadmio 0 6 6
Cromo 0 1 1
Cobre 0 0 0
Plomo 0 5 5
Manganeso 0 0 0
Mercurio 0 0 0
Níquel 0 0 0
Zinc 0 76 76
Nota: las unidades están en gramos y corresponden al año 2020.

92
 Tabla 30 Emisiones al agua de M2E1.
Recolección Relleno Total
BOD 0 1918153 1918153
COD 6 1918153 1918159
Sólidos susp. 116471 9468 125939
TOC 19 1650 1669
AOX 0 1649 1649
HC clorado 0 849 849
D/F (TEQ) 0 0 0
Fenoles 0 313 313
Aluminio 4 0 5
Amonio 538 17354 17891
Arsénico 0 12 12
Bario 5 0 6
Cadmio 0 12 12
Cloruro 1090049 129535 1219583
Cromo 0 49 49
Cobre 0 45 45
Cianuro 0 0 0
Fluoruro 0 322 322
Fierro 1146 78410 79556
Plomo 0 52 52
Mercurio 0 0 0
Níquel 0 140 140
Nitrato 1 0 1
Fosfato 0 0 0
Sulfato 38450 2853 41304
Sulfuro 0 0 0
Zinc 0 561 561
Nota: las unidades están en gramos y corresponden al año 2020.

93
 Tabla 31 Emisiones al aire de M2E2.
Recolección Relleno Total
Partículas 55249 -688714 -633465
CO 735410 700483 1435892
CO2 134016280 1298831058 1432847337
CH4 163134 38284724 38447858
NOx 2411546 -985121 1426426
GWP 137443097 2101060191 2238503289
N2O 3 -5645 -5642
SOx 201958 -3041717 -2839760
HCl 274 -86340 -86066
HF 0 -8871 -8871
H2S 0 20489 20489
Total HC 0 256400 256400
HC clorado 0 12618 12618
D/F 0 0 0
Amonio 0 -1650 -1650
Arsénico 0 0 0
Cadmio 0 -12 -12
Cromo 0 0 0
Cobre 0 0 0
Plomo 0 -125 -125
Manganeso 0 -54 -54
Mercurio 0 -16 -16
Níquel 0 -779 -779
Zinc 0 -172 -172
Nota: las unidades están en gramos y corresponden al año 2020.

94
 Tabla 32 Emisiones al agua de M2E2.
Recolección Relleno Total
BOD 0 186883 186883
COD 6 184293 184299
Sólidos susp. 116471 -181598 -65127
TOC 19 -42635 -42616
AOX 0 153 153
HC clorado 0 81 81
D/F (TEQ) 0 0 0
Fenoles 0 -281 -281
Aluminio 4 -247307 -247303
Amonio 538 -3051 -2513
Arsénico 0 -493 -493
Bario 5 -24756 -24751
Cadmio 0 -15 -15
Cloruro 1090049 -2638117 -1548068
Cromo 0 -2455 -2455
Cobre 0 -1212 -1212
Cianuro 0 -16 -16
Fluoruro 0 31 31
Fierro 1146 -323429 -322283
Plomo 0 -1490 -1490
Mercurio 0 0 0
Níquel 0 -1223 -1223
Nitrato 1 -7250 -7249
Fosfato 0 -14554 -14554
Sulfato 38450 -2787813 -2749362
Sulfuro 0 -73 -73
Zinc 0 -2428 -2428
Nota: las unidades están en gramos y corresponden al año 2020.

95
 Tabla 33 Emisiones al aire de M2E3.
Recolección Relleno Reciclaje Total
Partículas 55689 -659152 -551068 -1154531
CO 741268 669161 -1842985 -432556
CO2 135083794 1242703082 -341963312 1035823563
CH4 164433 36636281 -774119 36026595
NOx 2430756 -946532 -791630 692594
GWP 138537908 2010390244 -358221068 1790707084
N2O 3 -5402 -4 -5403
SOx 203566 -2911089 -1965501 -4673023
HCl 276 -82624 -30076 -112424
HF 0 -8489 -1562 -10051
H2S 0 19607 90 19697
Total HC 0 245362 0 245361
HC clorado 0 12074 0 12074
D/F 0 0 0 0
Amonio 0 -1579 11099 9520
Arsénico 0 0 -3907 -3907
Cadmio 0 -11 -11 -22
Cromo 0 0 2 2
Cobre 0 0 9 9
Plomo 0 -119 3105 2986
Manganeso 0 -52 -8 -59
Mercurio 0 -16 -4 -20
Níquel 0 -746 -329 -1075
Zinc 0 -165 -73 -238
Nota: las unidades están en gramos y corresponden al año 2020.

96
 Tabla 34 Emisiones al agua de M2E3.
Recolección Relleno Reciclaje Total
BOD 0 178838 61944 240782
COD 6 176359 -6157138 -5980773
Sólidos susp. 117399 -173966 -179926 -236494
TOC 19 -40803 362151 321367
AOX 0 143 -62544 -62400
HC clorado 0 75 15 90
D/F (TEQ) 0 0 0 0
Fenoles 0 -270 -236 -505
Aluminio 5 -236661 -134616 -371272
Amonio 542 -2957 -2541 -4956
Arsénico 0 -472 -273 -745
Bario 5 -23690 -14702 -38387
Cadmio 0 -14 -13 -27
Cloruro 1098732 -2526373 968480 -459161
Cromo 0 -2350 -1367 -3717
Cobre 0 -1160 -649 -1809
Cianuro 0 -16 -174100 -174115
Fluoruro 0 29 -58 -29
Fierro 1155 -309670 -69255 -377770
Plomo 0 -1426 -741 -2166
Mercurio 0 0 0 0
Níquel 0 -1171 -675 -1846
Nitrato 1 -6938 105476 98539
Fosfato 0 -13927 -5405 -19333
Sulfato 38757 -2667856 75413 -2553686
Sulfuro 0 -70 -49 -119
Zinc 0 -2325 -1371 -3695
Nota: las unidades están en gramos y corresponden al año 2020.

97
 Tabla 35 Emisiones al aire de M2E4.
Recolección Segregación Relleno Reciclaje Total
Partículas 55249 4846 -659533 -534671 -1134110
CO 735410 734 669578 -1770447 -364725
CO2 134016280 4087460 1243430344 -335643524 1045890559
CH4 163134 9641 36657576 -756651 36073700
NOx 2411546 9244 -946989 -779974 693827
GWP 137443097 4302064 2011563731 -351535502 1801773390
N2O 3 39 -5405 -7 -5371
SOx 201958 21407 -2912773 -1919980 -4609388
HCl 274 720 -82672 -29897 -111575
HF 0 71 -8494 -1574 -9997
H2S 0 0 19618 94 19712
Total HC 0 0 245504 0 245504
HC
clorado 0 0 12081 0 12081
D/F 0 0 0 0 0
Amonio 0 11 -1580 10907 9339
Arsénico 0 0 0 -3844 -3844
Cadmio 0 0 -11 -10 -21
Cromo 0 0 0 2 2
Cobre 0 0 0 8 8
Plomo 0 1 -119 3052 2934
Manganeso 0 0 -52 -8 -59
Mercurio 0 0 -16 -4 -20
Níquel 0 5 -746 -323 -1064
Zinc 0 1 -165 -72 -236
Nota: las unidades están en gramos y corresponden al año 2020.

98
 Tabla 36 Emisiones al agua de M2E4.
Recolección Segregación Relleno Reciclaje Total
BOD 0 1 178942 61291 240234
COD 6 19 176461 -6052198 -5875712
Sólidos susp. 116471 1346 -174063 -175795 -232040
TOC 19 297 -40827 356111 315600
AOX 0 0 144 -61481 -61338
HC clorado 0 0 75 14 90
D/F (TEQ) 0 0 0 0 0
Fenoles 0 2 -270 -229 -496
Aluminio 4 1716 -236798 -131785 -366863
Amonio 538 33 -2957 -2487 -4873
Arsénico 0 3 -472 -267 -736
Bario 5 172 -23704 -14351 -37879
Cadmio 0 0 -14 -13 -27
Cloruro 1090049 19138 -2527796 936353 -482256
Cromo 0 17 -2351 -1338 -3672
Cobre 0 8 -1160 -635 -1787
Cianuro 0 0 -16 -171155 -171171
Fluoruro 0 0 29 -56 -26
Fierro 1146 2297 -309846 -69686 -376088
Plomo 0 10 -1426 -727 -2143
Mercurio 0 0 0 0 0
Níquel 0 9 -1171 -661 -1824
Nitrato 1 50 -6942 103693 96802
Fosfato 0 101 -13936 -5279 -19114
Sulfato 38450 19368 -2669405 68274 -2543313
Sulfuro 0 1 -70 -48 -117
Zinc 0 17 -2326 -1341 -3650
Nota: las unidades están en gramos y corresponden al año 2020.

99
 Tabla 37 Emisiones al aire de M2E5.
Recolección Segregación Biológico Relleno Reciclaje Total
Partículas 55249 6638 5703 -587881 -525796 -1046086
CO 735410 1006 809 597732 -2133478 -798521
CO2 134016280 5599566 4815352 1108612827 -405196182 847847843
CH4 163134 13208 11343 32678726 -937685 31928726
NOx 2411546 12664 10706 -841463 -1014111 579342
GWP 137443097 5893561 5067864 1793372258 -428380097 1513396683
N2O 3 54 46 -4819 -11266 -15982
SOx 201958 29327 25199 -2596374 -2067442 -4407332
HCl 274 987 848 -73698 -28782 -100371
HF 0 97 83 -7572 -1437 -8829
H2S 0 0 0 17489 67 17556
Total HC 0 0 0 218856 0 218856
HC
clorado 0 0 0 10770 0 10770
D/F 0 0 0 0 0 0
Amonio 0 16 13 -1408 10499 9120
Arsénico 0 0 0 0 -3844 -3844
Cadmio 0 0 0 -10 -13 -23
Cromo 0 0 0 0 3 3
Cobre 0 0 0 0 14 14
Plomo 0 1 1 -106 3160 3056
Manganeso 0 1 0 -46 -8 -53
Mercurio 0 0 0 -14 -4 -17
Níquel 0 7 6 -665 -356 -1008
Zinc 0 2 1 -147 -72 -216
Nota: las unidades están en gramos y corresponden al año 2020.

100
 Tabla 38 Emisiones al agua de M2E5.
Recolec. Segreg. Biológ. Relleno Reciclaje Total
BOD 0 1 28032 159518 84747 272299
COD 6 26 47433 157307 -8921843 -8717071
Sólid. susp. 116471 1844 1577 -155036 -1662 -36805
TOC 19 407 350 -36393 532483 496866
AOX 0 0 0 130 -90593 -90463
HC clorado 0 0 0 68 25 93
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 3 3 -240 -229 -464
Aluminio 4 2350 2021 -211095 -166802 -373522
Amonio 538 46 4884 -2610 -1762 1096
Arsénico 0 5 4 -421 -338 -750
Bario 5 235 202 -21131 -17176 -37865
Cadmio 0 0 0 -13 -14 -27
Cloruro 1090049 26218 22460 -2252106 1886962 773583
Cromo 0 23 20 -2096 -1694 -3746
Cobre 0 12 10 -1034 -803 -1815
Cianuro 0 0 0 -14 -252026 -252040
Fluoruro 0 0 0 27 -58 -31
Fierro 1146 3147 2706 -276095 -72861 -341957
Plomo 0 14 12 -1271 -893 -2138
Mercurio 0 0 0 0 0 0
Níquel 0 12 10 -1044 -833 -1855
Nitrato 1 69 59 -6189 154071 148012
Fosfato 0 138 119 -12423 -6167 -18332
Sulfato 38450 26532 22809 -2379608 414665 -1877151
Sulfuro 0 1 1 -62 -48 -109
Zinc 0 24 20 -2073 -1697 -3726
Nota: las unidades están en gramos y corresponden al año 2020.

101
 Tabla 39 Emisiones al aire de M2E6.
Recolección Segregación Biológico Térmico Relleno Reciclaje Total
Partículas 55249 6638 41266 -97694 -158971 -528518 -682029
CO 735410 1006 8480 -10199 170467 -2272970 -1367806
CO2 134016280 5599566 35141825 814570547 302441662 -439358269 852411611
CH4 163134 13208 82269 n/a 8872855 -1018542 8112923
NOx 2411546 12664 85792 -172859 -201518 -1109554 1026072
GWP 137443097 5893561 36972455 814570547 488366108 -481857926 1001387842
N2O 3 54 332 n/a -1308 -68098 -69017
SOx 201958 29327 182180 -431701 -702564 -2145683 -2866483
HCl 274 987 6110 -14429 -20003 -29315 -56376
HF 0 97 600 n/a -2056 -1404 -2762
H2S 0 0 0 n/a 4747 -20 4728
Total HC 0 0 0 n/a 59411 0 59411
HC
clorado 0 0 0 n/a 2924 0 2924
D/F 0 0 0 0 0 0 0
Amonio 0 16 97 n/a -382 -18510 -18779
Arsénico 0 0 0 0 0 -3844 -3844
Cadmio 0 0 1 2 -3 -14 -14
Cromo 0 0 0 5 0 3 8
Cobre 0 0 0 15 0 17 32
Plomo 0 1 7 2 -29 3203 3185
Manganeso 0 1 3 n/a -12 -8 -17
Mercurio 0 0 1 41 -4 -4 35
Níquel 0 7 46 -96 -181 -370 -594
Zinc 0 2 11 60 -40 -73 -41
Nota: las unidades están en gramos y corresponden al año 2020.

102
 Tabla 40 Emisiones al agua de M2E6
Recolec. Segreg. Biológ. Relleno Reciclaje Total
BOD 0 1 162244 43384 84747 290376
COD 6 26 274560 42784 -8921887 -8604511
Sólidos
susp. 116471 1844 11775 -40775 -3588 85728
TOC 19 407 2518 -9861 532281 525363
AOX 0 0 0 53 -90598 -90544
HC clorado 0 0 0 28 29 57
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 3 18 -62 -234 -275
Aluminio 4 2350 14550 -57304 -181177 -221576
Amonio 538 46 28325 -519 -1809 26580
Arsénico 0 5 29 -114 -367 -447
Bario 5 235 1457 -5736 -18421 -22461
Cadmio 0 0 1 -3 -15 -17
Cloruro 1090049 26218 165658 -598432 1886186 2569680
Cromo 0 23 145 -568 -1838 -2239
Cobre 0 12 72 -280 -872 -1069
Cianuro 0 0 1 -4 -252027 -252029
Fluoruro 0 0 0 12 -58 -46
Fierro 1146 3147 19489 -74108 -74822 -125147
Plomo 0 14 88 -345 -964 -1207
Mercurio 0 0 0 0 0 0
Níquel 0 12 73 -282 -903 -1100
Nitrato 1 69 427 -1680 154080 152896
Fosfato 0 138 856 -3372 -7029 -9407
Sulfato 38450 26532 164381 -645544 362094 -54087
Sulfuro 0 1 4 -17 -49 -61
Zinc 0 24 146 -557 -1843 -2230
Nota: las unidades están en gramos y corresponden al año 2020.

103
 Tabla 41 Emisiones al aire M3E1.
Recolección Relleno Total
Partículas 55249 7164 62413
CO 735410 117364 852773
CO2 134016280 1573212659 1707228939
CH4 163134 691507063 691670197
NOx 2411546 312710 2724257
GWP 137443097 16094861117 16232304215
N2O 3 0 4
SOx 201958 26188 228146
HCl 274 114444 114718
HF 0 22882 22882
H2S 0 352027 352027
Total HC 0 3520266 3520266
HC
clorado 0 61605 61605
D/F 0 0 0
Amonio 0 0 0
Arsénico 0 0 0
Cadmio 0 10 10
Cromo 0 1 1
Cobre 0 0 0
Plomo 0 9 9
Manganeso 0 0 0
Mercurio 0 0 0
Níquel 0 0 0
Zinc 0 132 132
Nota: las unidades están en gramos, del año 2020.

104
 Tabla 42 Emisiones al agua M3E1.
Recolección Relleno Total
BOD 0 3344605 3344605
COD 6 3344606 3344612
Sólidos
susp. 116471 16544 133015
TOC 19 2884 2903
AOX 0 2881 2881
HC clorado 0 1484 1484
D/F (TEQ) 0 0 0
Fenoles 0 547 547
Aluminio 4 1 5
Amonio 538 30324 30862
Arsénico 0 20 20
Bario 5 1 6
Cadmio 0 20 20
Cloruro 1090049 226349 1316398
Cromo 0 86 86
Cobre 0 78 78
Cianuro 0 0 0
Fluoruro 0 562 562
Fierro 1146 137014 138160
Plomo 0 91 91
Mercurio 0 1 1
Níquel 0 245 245
Nitrato 1 0 2
Fosfato 0 0 0
Sulfato 38450 4986 43436
Sulfuro 0 0 0
Zinc 0 980 980
Nota: las unidades están en gramos, del año 2020.

105
 Tabla 43 Emisiones al aire M3E2.
Recolección Relleno Total
Partículas 55249 -1200868 -1145619
CO 735410 1221608 1957018
CO2 134016280 2264756477 2398772757
CH4 163134 66755571 66918705
NOx 2411546 -1717044 694502
GWP 137443097 3663571943 3801015040
N2O 3 -9844 -9840
SOx 201958 -5303663 -5101706
HCl 274 -150548 -150274
HF 0 -15468 -15468
H2S 0 35725 35725
Total HC 0 447074 447074
HC
clorado 0 22001 22001
D/F 0 0 0
Amonio 0 -2877 -2877
Arsénico 0 0 0
Cadmio 0 -20 -20
Cromo 0 0 0
Cobre 0 0 0
Plomo 0 -217 -217
Manganeso 0 -94 -94
Mercurio 0 -29 -29
Níquel 0 -1359 -1359
Zinc 0 -300 -300
Nota: las unidades están en gramos, del año 2020.

106
 Tabla 44 Emisiones al agua M3E2.
Recolección Relleno Total
BOD 0 325860 325861
COD 6 321343 321349
Sólidos
susp. 116471 -316612 -200141
TOC 19 -74340 -74322
AOX 0 268 268
HC clorado 0 141 141
D/F (TEQ) 0 0 0
Fenoles 0 -490 -490
Aluminio 4 -431220 -431215
Amonio 538 -5314 -4776
Arsénico 0 -860 -860
Bario 5 -43166 -43161
Cadmio 0 -26 -26
Cloruro 1090049 -4599657 -3509608
Cromo 0 -4281 -4281
Cobre 0 -2113 -2113
Cianuro 0 -28 -28
Fluoruro 0 55 55
Fierro 1146 -563920 -562774
Plomo 0 -2597 -2597
Mercurio 0 -1 -1
Níquel 0 -2132 -2132
Nitrato 1 -12642 -12641
Fosfato 0 -25377 -25377
Sulfato 38450 -4860986 -4822535
Sulfuro 0 -127 -127
Zinc 0 -4234 -4234
Nota: las unidades están en gramos, del año 2020.

107
 Tabla 45 Emisiones al aire M3E3.
Recolección Relleno Reciclaje Total
Partículas 55471 -1186088 -588590 -1719207
CO 738361 1205934 -1366463 577832
CO2 134554132 2236690032 -305604046 2065640118
CH4 163789 65931346 -573869 65521266
NOx 2421225 -1697794 -782337 -58907
GWP 137994703 3618234449 -317830956 3438398196
N2O 3 -9722 -567 -10286
SOx 202768 -5238353 -1801843 -6837428
HCl 275 -148690 -33782 -182196
HF 0 -15277 -2817 -18093
H2S 0 35284 168 35453
Total HC 0 441555 0 441555
HC
clorado 0 21729 0 21729
D/F 0 0 0 0
Amonio 0 -2841 4447 1606
Arsénico 0 0 -1357 -1357
Cadmio 0 -20 -8 -28
Cromo 0 0 0 0
Cobre 0 0 0 0
Plomo 0 -214 997 782
Manganeso 0 -93 -10 -103
Mercurio 0 -28 -5 -33
Níquel 0 -1342 -313 -1655
Zinc 0 -296 -77 -373
Nota: las unidades están en gramos y corresponden al año 2020.

108
 Tabla 46 Emisiones al agua M3E3.
Recolección Relleno Reciclaje Total
BOD 0 321838 49650 371487
COD 6 317376 -2594822 -2277439
Sólidos
susp. 116938 -312798 -117204 -313064
TOC 19 -73424 142640 69234
AOX 0 263 -26554 -26291
HC clorado 0 138 -1 137
D/F (TEQ) 0 0 0 0
Fenoles 0 -485 -251 -735
Aluminio 4 -425896 -94838 -520730
Amonio 540 -5267 -2337 -7064
Arsénico 0 -849 -193 -1042
Bario 5 -42633 -11544 -54172
Cadmio 0 -26 -8 -34
Cloruro 1094424 -4543806 72368 -3377014
Cromo 0 -4228 -967 -5195
Cobre 0 -2087 -447 -2534
Cianuro 0 -28 -74619 -74647
Fluoruro 0 54 -58 -5
Fierro 1151 -557043 -76276 -632168
Plomo 0 -2565 -554 -3119
Mercurio 0 -1 0 -1
Níquel 0 -2106 -484 -2590
Nitrato 1 -12486 43149 30664
Fosfato 0 -25064 -4494 -29558
Sulfato 38605 -4801008 -425697 -5188100
Sulfuro 0 -126 -50 -176
Zinc 0 -4182 -964 -5147
Nota: las unidades están en gramos y corresponden al año 2020.

109
 Tabla 47 Emisiones al aire M3E4.
Recolección Segregación Relleno Reciclaje Total
Partículas 55249 9575 -1143357 -2249268 -3327800
CO 735410 1451 1160681 -5159981 -3262439
CO2 134016280 8077135 2155565383 -1174217539 1123441259
CH4 163134 19052 63548663 -2196837 61534012
NOx 2411546 18268 -1641951 -3010868 -2223006
GWP 137443097 8501209 3487182350 -1221037160 2412089496
N2O 3 77 -9371 -2213 -11503
SOx 201958 42302 -5049535 -6914008 -11719283
HCl 274 1423 -143318 -131006 -272626
HF 0 140 -14725 -10945 -25530
H2S 0 0 34009 669 34678
Total HC 0 0 425600 0 425600
HC
clorado 0 0 20944 0 20944
D/F 0 0 0 0 0
Amonio 0 23 -2738 17245 14529
Arsénico 0 0 0 -5242 -5242
Cadmio 0 0 -19 -30 -49
Cromo 0 0 0 0 0
Cobre 0 0 0 0 0
Plomo 0 2 -207 3844 3639
Manganeso 0 1 -89 -38 -127
Mercurio 0 0 -27 -19 -46
Níquel 0 11 -1294 -1204 -2487
Zinc 0 2 -286 -297 -580
Nota: las unidades están en gramos y corresponden al año 2020.

110
 Tabla 48 Emisiones al agua M3E4.
Recolección Segregación Relleno Reciclaje Total
BOD 0 2 310209 191113 501324
COD 6 37 305909 -10060718 -9754766
Sólidos
susp. 116471 2660 -301764 -445909 -628542
TOC 19 587 -70776 553593 483422
AOX 0 0 249 -102945 -102696
HC clorado 0 0 131 -5 126
D/F (TEQ) 0 0 0 0 0
Fenoles 0 4 -468 -958 -1421
Aluminio 4 3390 -410507 -363423 -770536
Amonio 538 66 -5130 -8962 -13488
Arsénico 0 7 -819 -739 -1551
Bario 5 339 -41093 -44174 -84923
Cadmio 0 0 -25 -31 -55
Cloruro 1090049 37819 -4382258 259902 -2994488
Cromo 0 34 -4075 -3704 -7746
Cobre 0 17 -2012 -1712 -3707
Cianuro 0 0 -27 -289244 -289271
Fluoruro 0 0 51 -221 -170
Fierro 1146 4540 -537153 -297724 -829191
Plomo 0 20 -2473 -2126 -4578
Mercurio 0 0 -1 0 -1
Níquel 0 17 -2031 -1853 -3867
Nitrato 1 99 -12035 167337 155403
Fosfato 0 200 -24158 -17168 -41127
Sulfato 38450 38272 -4627620 -1642393 -6193291
Sulfuro 0 1 -121 -191 -311
Zinc 0 34 -4033 -3695 -7694
Nota: las unidades están en gramos y corresponden al año 2020.

111
 Tabla 49 Emisiones al aire M3E5.
Recolección Segregación Biológico Relleno Reciclaje Total
Partículas 5575 11150 5764 -1071500 -2321268 -3370279
CO 74201 1690 817 1088769 -5429673 -4264196
CO2 13521950 9405628 4867039 2020405214 -1238868701 809331131
CH4 16460 22185 11465 59559033 -2268008 57341136
NOx 243320 21272 10818 -1535715 -3259954 -4520259
GWP 13867709 9899452 5122267 3268422345 -1290583104 2006728668
N2O 0 90 47 -8782 -13181 -21827
SOx 20377 49260 25470 -4732241 -7267851 -11904985
HCl 28 1657 858 -134319 -133754 -265530
HF 0 163 84 -13800 -11066 -24619
H2S 0 0 0 31874 817 32691
Total HC 0 0 0 398879 0 398879
HC
clorado 0 0 0 19629 0 19629
D/F 0 0 0 0 0 0
Amonio 0 26 14 -2567 16391 13864
Arsénico 0 0 0 0 -5573 -5573
Cadmio 0 0 0 -18 -31 -49
Cromo 0 0 0 0 0 0
Cobre 0 0 0 0 1 1
Plomo 0 2 1 -194 4109 3919
Manganeso 0 1 0 -84 -39 -121
Mercurio 0 0 0 -26 -19 -44
Níquel 0 12 6 -1213 -1237 -2431
Zinc 0 3 1 -268 -303 -566
Nota: las unidades están en gramos y corresponden al año 2020.

112
 Tabla 50 Emisiones al agua M3E5.
Recolec. Segreg. Biológ. Relleno Reciclaje Total
BOD 0 2 28348 290733 236588 555671
COD 1 44 47967 286702 -12741777 -12407063
Sólid. susp. 11752 3098 1594 -282665 -327803 -594024
TOC 2 683 353 -66330 719560 654269
AOX 0 0 0 236 -130345 -130109
HC clorado 0 0 0 124 -3 120
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 5 3 -438 -990 -1420
Aluminio 0 3948 2042 -384734 -376614 -755357
Amonio 54 77 4939 -4777 -8591 -8298
Arsénico 0 8 4 -767 -767 -1522
Bario 1 395 204 -38513 -45539 -83451
Cadmio 0 0 0 -23 -32 -54
Cloruro 109984 44039 22700 -4105615 1071180 -2857713
Cromo 0 39 20 -3820 -3848 -7608
Cobre 0 19 10 -1885 -1757 -3612
Cianuro 0 0 0 -25 -366073 -366098
Fluoruro 0 0 0 48 -230 -182
Fierro 116 5287 2735 -503292 -302038 -797193
Plomo 0 24 12 -2317 -2198 -4479
Mercurio 0 0 0 -1 0 -1
Níquel 0 20 10 -1903 -1923 -3796
Nitrato 0 116 60 -11279 214779 203675
Fosfato 0 232 120 -22642 -16801 -39090
Sulfato 3880 44567 23055 -4337029 -1279614 -5545143
Sulfuro 0 1 1 -114 -194 -306
Zinc 0 40 21 -3779 -3831 -7549
Nota: las unidades están en gramos y corresponden al año 2020.

113
 Tabla 51 Emisiones al aire M3E6.
Recolección Segregación Biológico Térmico Relleno Reciclaje Total
Partículas 5575 11150 5764 -386675 -538914 -2321691 -3224790
CO 74201 1690 817 -40755 556698 -5451088 -4858438
CO2 13521950 9405628 4867039 3013091122 1018905962 -1241709500 2818082201
CH4 16460 22185 11465 n/a 29992545 -2281432 27761223
NOx 243320 21272 10818 -685149 -745582 -3264203 -4419524
GWP 13867709 9899452 5122267 3013091122 1647378470 -1293708173 3395650847
N2O 0 90 47 n/a -4422 -13189 -17474
SOx 20377 49260 25470 -1708725 -2380576 -7273140 -11267334
HCl 28 1657 858 -57138 -67633 -133688 -255916
HF 0 163 84 n/a -6949 -11060 -17762
H2S 0 0 0 n/a 16050 802 16852
Total HC 0 0 0 n/a 200854 0 200853
HC
clorado 0 0 0 n/a 9884 0 9884
D/F 0 0 0 0 0 0 0
Amonio 0 26 14 n/a -1292 16391 15138
Arsénico 0 0 0 1 0 -5573 -5571
Cadmio 0 0 0 6 -9 -32 -34
Cromo 0 0 0 17 0 0 17
Cobre 0 0 0 45 0 2 47
Plomo 0 2 1 1 -98 4117 4024
Manganeso 0 1 0 n/a -42 -39 -80
Mercurio 0 0 0 139 -13 -19 107
Níquel 0 12 6 -389 -611 -1240 -2220
Zinc 0 3 1 354 -135 -303 -79
Nota: las unidades están en gramos y corresponden al año 2020.

114
 Tabla 52 Emisiones al agua M3E6.
Recolección Segregación Biológico Relleno Reciclaje Total
BOD 0 2 28348 146690 236588 411628
COD 1 44 47967 144660 -12741785 -12549113
Sólidos
susp. 11752 3098 1594 -140983 -328134 -452674
TOC 2 683 353 -33399 719525 687165
AOX 0 0 0 119 -130346 -130226
HC clorado 0 0 0 63 -3 60
D/F (TEQ) 0 0 0 0 0 0
Fenoles 0 5 3 -220 -991 -1204
Aluminio 0 3948 2042 -193731 -379086 -566826
Amonio 54 77 4939 -2393 -8599 -5922
Arsénico 0 8 4 -386 -772 -1146
Bario 1 395 204 -19393 -45753 -64545
Cadmio 0 0 0 -12 -32 -43
Cloruro 109984 44039 22700 -2053903 1071046 -806135
Cromo 0 39 20 -1923 -3873 -5737
Cobre 0 19 10 -949 -1769 -2688
Cianuro 0 0 0 -13 -366073 -366085
Fluoruro 0 0 0 30 -230 -201
Fierro 116 5287 2735 -253391 -302375 -547629
Plomo 0 24 12 -1167 -2210 -3340
Mercurio 0 0 0 0 0 -1
Níquel 0 20 10 -958 -1935 -2864
Nitrato 0 116 60 -5680 214780 209276
Fosfato 0 232 120 -11401 -16949 -27998
Sulfato 3880 44567 23055 -2183449 -1288655 -3400603
Sulfuro 0 1 1 -57 -194 -249
Zinc 0 40 21 -1902 -3856 -5698
Nota: las unidades están en gramos y corresponden al año 2020.

115
 Supuestos básicos del análisis de varianzas

Emisiones en aire

1. Prueba de normalidad (Wilk-Shapiro)

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

Shapiro-Wilk Normality Test

Variable N W P
Amonio 18 0.9095 0.0843
Arsénico 18 0.8277 0.0038
CH4 18 0.5625 0.0000
CO 18 0.8909 0.0400
CO2 18 0.6674 0.0000
Cadmio 18 0.9288 0.1849
Cobre 18 0.6562 0.0000
Cromo 18 0.6121 0.0000
DF 18 M M
GWP 18 0.6661 0.0000
H2S 18 0.5663 0.0000
HCclorado 18 0.7988 0.0015
HCl 18 0.9122 0.0940
HF 18 0.8434 0.0067
Manganeso 18 0.9381 0.2684
Mercurio 18 0.7718 0.0006
N2O 18 0.6712 0.0000
NOx 18 0.9216 0.1378
Níquel 18 0.9368 0.2551
Partícula 18 0.8528 0.0094
Plomo 18 0.8207 0.0030
SOx 18 0.9051 0.0704
TotalHC 18 0.5879 0.0000
Zinc 18 0.9485 0.4019

A M is printed when the sample size is smaller than 3,

or when the values of a sample are all the same.

2. Prueba de independencia (Corridas o Rachas)

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

Runs Test for Amonio

Median 5048.5
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

116
P-Value, Two-Tailed Test 0.0889
Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Cadmio

Median -22.500
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for HCl

Median -131349
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Manganeso

Median -62.000
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

117
Runs Test for NOx

Median 635968
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Níquel

Median -1217.0
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for SOx

Median -4.887E+06
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Zinc

Median -226.00
Values Above the Median 9

118
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 4
Runs Below the Median 3
Total Number of Runs 7
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.2179

Probability of getting 7 or fewer runs 0.1090
Probability of getting 7 or more runs 0.9555

Cases Included 18 Missing Cases 0

3. Prueba de homogeneidad de varianzas (Bartlett)

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

One-Way AOV for Amonio by MOMENTO

Source DF SS MS F P
MOMENTO 2 1.013E+08 5.069E+07 0.74 0.4926
Error 15 1.023E+09 6.826E+07
Total 17 1.125E+09

Grand Mean 3985.6 CV 207.29

Chi-Sq DF P
Bartlett's Test of Equal Variances 4.49 2 0.1060
Cochran's Q 0.5928
Largest Var / Smallest Var 8.5117

Component of variance for between groups -2927797

Effective cell size 6.0

MOMENTO Mean
1 3655.2
2 1258.3
3 7043.3
Observations per Mean 6
Standard Error of a Mean 3372.9
Std Error (Diff of 2 Means) 4770.0

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

One-Way AOV for Cadmio by MOMENTO

Source DF SS MS F P
MOMENTO 2 833.44 416.722 1.18 0.3357
Error 15 5319.50 354.633
Total 17 6152.94

Grand Mean -23.944 CV -78.65

Chi-Sq DF P
Bartlett's Test of Equal Variances 2.37 2 0.3058
Cochran's Q 0.4559
Largest Var / Smallest Var 4.0603

Component of variance for between groups 10.3481

119
Effective cell size 6.0

MOMENTO Mean
1 -29.167
2 -14.333
3 -28.333
Observations per Mean 6
Standard Error of a Mean 7.6880
Std Error (Diff of 2 Means) 10.872

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

One-Way AOV for NOx by MOMENTO

Source DF SS MS F P
MOMENTO 2 1.839E+13 9.193E+12 2.25 0.1394
Error 15 6.120E+13 4.080E+12
Total 17 7.958E+13

Grand Mean -119719 CV -1687.2

Chi-Sq DF P
Bartlett's Test of Equal Variances 6.78 2 0.0337
Cochran's Q 0.6972
Largest Var / Smallest Var 14.673

Component of variance for between groups 8.521E+11

Effective cell size 6.0

MOMENTO Mean
1 -226795
2 1.17E+06
3 -1.30E+06
Observations per Mean 6
Standard Error of a Mean 824608
Std Error (Diff of 2 Means) 1.166E+06

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

One-Way AOV for Zinc by MOMENTO

Source DF SS MS F P
MOMENTO 2 75199 37599.5 0.69 0.5150
Error 15 812977 54198.5
Total 17 888176

Grand Mean -223.00 CV -104.40

Chi-Sq DF P
Bartlett's Test of Equal Variances 2.76 2 0.2516
Cochran's Q 0.4794
Largest Var / Smallest Var 4.7503

Component of variance for between groups -2766.49

Effective cell size 6.0

MOMENTO Mean
1 -236.83
2 -137.83
3 -294.33

120
Observations per Mean 6
Standard Error of a Mean 95.043
Std Error (Diff of 2 Means) 134.41

4. Prueba de aditividad (Tukey)

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

Randomized Complete Block AOV Table for Amonio

Source DF SS MS F P
ESCENARIO 5 4.100E+08 8.200E+07
MOMENTO 2 1.013E+08 5.069E+07 0.83 0.4657
Error 10 6.139E+08 6.139E+07
Total 17 1.125E+09

Grand Mean 3985.6 CV 196.58

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 4618238 4618238 0.07 0.7998
Remainder 9 6.092E+08 6.769E+07

Relative Efficiency, RCB 1.05

Means of Amonio for MOMENTO

MOMENTO Mean
1 3655.2
2 1258.3
3 7043.3
Observations per Mean 6
Standard Error of a Mean 3198.6
Std Error (Diff of 2 Means) 4523.5

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

Randomized Complete Block AOV Table for Cadmio

Source DF SS MS F P
ESCENARIO 5 4776.28 955.256
MOMENTO 2 833.44 416.722 7.67 0.0096
Error 10 543.22 54.322
Total 17 6152.94

Grand Mean -23.944 CV -30.78

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 401.948 401.948 25.61 0.0007
Remainder 9 141.274 15.697

Relative Efficiency, RCB 5.60

Means of Cadmio for MOMENTO

MOMENTO Mean

121
 1 -29.167
2 -14.333
3 -28.333
Observations per Mean 6
Standard Error of a Mean 3.0089
Std Error (Diff of 2 Means) 4.2553

Statistix 8.0 CANELO_AIRE, 9/12/2021, [Link]

Randomized Complete Block AOV Table for Zinc

Source DF SS MS F P
ESCENARIO 5 723173 144635
MOMENTO 2 75199 37600 4.19 0.0478
Error 10 89804 8980
Total 17 888176

Grand Mean -223.00 CV -42.50

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 64665.1 64665.1 23.15 0.0010
Remainder 9 25138.6 2793.2

Relative Efficiency, RCB 5.18

Means of Zinc for MOMENTO

MOMENTO Mean
1 -236.83
2 -137.83
3 -294.33
Observations per Mean 6
Standard Error of a Mean 38.688
Std Error (Diff of 2 Means) 54.712

122
 Emisiones en agua

1. Prueba de normalidad (Wilk-Shapiro)

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

Shapiro-Wilk Normality Test

Variable N W P
AOX 18 0.8855 0.0324
Aluminio 18 0.9392 0.2806
Amonio 18 0.7765 0.0007
Arsénico 18 0.9389 0.2774
BOD 18 0.5895 0.0000
Bario 18 0.9370 0.2578
COD 18 0.9338 0.2264
Cadmio 18 0.9038 0.0668
Cianuro 18 0.8776 0.0238
Cloruro 18 0.9558 0.5228
Cobre 18 0.9376 0.2640
Cromo 18 0.9390 0.2787
DFTEQ 18 M M
Fenoles 18 0.9068 0.0757
Fierro 18 0.9207 0.1331
Fluoruro 18 0.8685 0.0168
Fosfato 18 0.9371 0.2580
HCclorado 18 0.5426 0.0000
Mercurio 18 0.7800 0.0008
Níquel 18 0.9367 0.2546
Nitrato 18 0.8982 0.0535
Plomo 18 0.9408 0.2991
SS 18 0.9254 0.1614
Sulfato 18 0.9184 0.1209
Sulfuro 18 0.9007 0.0591
TOC 18 0.9128 0.0965
Zinc 18 0.9304 0.1975

A M is printed when the sample size is smaller than 3,

or when the values of a sample are all the same.

2. Prueba de independencia (Corridas o Rachas)

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

Runs Test for Aluminio

Median -402369
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

123
P-Value, Two-Tailed Test 0.0060
Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Arsénico

Median -805.00
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Bario

Median -40774
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for COD

Median -5.673E+06
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

124
Runs Test for Cadmio

Median -27.000
Values Above the Median 7
Values below the Median 8
Values Tied with the Median 3
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 8.5

P-Value, Two-Tailed Test 0.0308

Probability of getting 4 or fewer runs 0.0154
Probability of getting 4 or more runs 0.9977

A value was counted as a tie with the Median if it was within 0.00001

Cases Included 18 Missing Cases 0

Runs Test for Cloruro

Median -893622
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 4
Runs Below the Median 3
Total Number of Runs 7
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.2179

Probability of getting 7 or fewer runs 0.1090
Probability of getting 7 or more runs 0.9555

Cases Included 18 Missing Cases 0

Runs Test for Cobre

Median -1964.0
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Cromo

Median -4013.5
Values Above the Median 9

125
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Fenoles

Median -500.50
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Fierro

Median -388597
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Fosfato

Median -22355
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

126
P-Value, Two-Tailed Test 0.0060
Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Níquel

Median -1993.5
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Nitrato

Median 90397
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Plomo

Median -2381.5
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

127
Runs Test for SS

Median -234267
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Sulfato

Median -3.170E+06
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for Sulfuro

Median -123.00
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

Runs Test for TOC

Median 277340

128
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 3
Runs Below the Median 3
Total Number of Runs 6
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0889

Probability of getting 6 or fewer runs 0.0445
Probability of getting 6 or more runs 0.9878

Cases Included 18 Missing Cases 0

Runs Test for Zinc

Median -3980.0
Values Above the Median 9
Values below the Median 9
Values Tied with the Median 0
Runs Above the Median 2
Runs Below the Median 2
Total Number of Runs 4
Expected Number of Runs 10.0

P-Value, Two-Tailed Test 0.0060

Probability of getting 4 or fewer runs 0.0030
Probability of getting 4 or more runs 0.9996

Cases Included 18 Missing Cases 0

3. Prueba de homogeneidad de varianzas (Bartlett)

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

One-Way AOV for COD by MOMENTO

Source DF SS MS F P
MOMENTO 2 8.197E+12 4.098E+12 0.14 0.8704
Error 15 4.387E+14 2.925E+13
Total 17 4.469E+14

Grand Mean -4.66E+06 CV -115.99

Chi-Sq DF P
Bartlett's Test of Equal Variances 1.22 2 0.5430
Cochran's Q 0.5424
Largest Var / Smallest Var 2.4062

Component of variance for between groups -4.192E+12

Effective cell size 6.0

MOMENTO Mean
1 -3.92E+06
2 -4.51E+06
3 -5.55E+06

129
Observations per Mean 6
Standard Error of a Mean 2.208E+06
Std Error (Diff of 2 Means) 3.122E+06
Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

One-Way AOV for Cloruro by MOMENTO

Source DF SS MS F P
MOMENTO 2 1.705E+13 8.527E+12 3.27 0.0661
Error 15 3.907E+13 2.605E+12
Total 17 5.612E+13

Grand Mean -862334 CV -187.15

Chi-Sq DF P
Bartlett's Test of Equal Variances 0.53 2 0.7679
Cochran's Q 0.4688
Largest Var / Smallest Var 1.8425

Component of variance for between groups 9.871E+11

Effective cell size 6.0

MOMENTO Mean
1 -894467
2 345560
3 -2.04E+06
Observations per Mean 6
Standard Error of a Mean 658851
Std Error (Diff of 2 Means) 931756

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

One-Way AOV for Fenoles by MOMENTO

Source DF SS MS F P
MOMENTO 2 1216525 608263 1.49 0.2571
Error 15 6128050 408537
Total 17 7344575

Grand Mean -648.83 CV -98.51

Chi-Sq DF P
Bartlett's Test of Equal Variances 3.65 2 0.1608
Cochran's Q 0.4646
Largest Var / Smallest Var 5.8983

Component of variance for between groups 33287.6

Effective cell size 6.0

MOMENTO Mean
1 -874.67
2 -284.67
3 -787.17
Observations per Mean 6
Standard Error of a Mean 260.94
Std Error (Diff of 2 Means) 369.02

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

130
One-Way AOV for Nitrato by MOMENTO

Source DF SS MS F P
MOMENTO 2 2.713E+09 1.356E+09 0.21 0.8155
Error 15 9.840E+10 6.560E+09
Total 17 1.011E+11

Grand Mean 82307 CV 98.40

Chi-Sq DF P
Bartlett's Test of Equal Variances 1.24 2 0.5385
Cochran's Q 0.5409
Largest Var / Smallest Var 2.5821

Component of variance for between groups -8.673E+08

Effective cell size 6.0

MOMENTO Mean
1 67692
2 81500
3 97730
Observations per Mean 6
Standard Error of a Mean 33066
Std Error (Diff of 2 Means) 46762

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

One-Way AOV for SS by MOMENTO

Source DF SS MS F P
MOMENTO 2 3.735E+11 1.868E+11 2.66 0.1025
Error 15 1.052E+12 7.018E+10
Total 17 1.426E+12

Grand Mean -262112 CV -101.07

Chi-Sq DF P
Bartlett's Test of Equal Variances 2.48 2 0.2890
Cochran's Q 0.5045
Largest Var / Smallest Var 4.5344

Component of variance for between groups 1.943E+10

Effective cell size 6.0

MOMENTO Mean
1 -383964
2 -59800
3 -342572
Observations per Mean 6
Standard Error of a Mean 108150
Std Error (Diff of 2 Means) 152947

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

One-Way AOV for TOC by MOMENTO

Source DF SS MS F P
MOMENTO 2 3.310E+10 1.655E+10 0.23 0.8000
Error 15 1.096E+12 7.307E+10

131
Total 17 1.129E+12

Grand Mean 258060 CV 104.75

Chi-Sq DF P
Bartlett's Test of Equal Variances 1.29 2 0.5257
Cochran's Q 0.5388
Largest Var / Smallest Var 2.7547

Component of variance for between groups -9.421E+09

Effective cell size 6.0

MOMENTO Mean
1 200695
2 269708
3 303779
Observations per Mean 6
Standard Error of a Mean 110359
Std Error (Diff of 2 Means) 156071

4. Prueba de aditividad (Tukey)

Statistix 8.0 CANELO_AGUA, 9/12/2021, [Link]

Randomized Complete Block AOV Table for COD

Source DF SS MS F P
ESCENARIO 5 4.069E+14 8.139E+13
MOMENTO 2 8.197E+12 4.098E+12 1.29 0.3176
Error 10 3.179E+13 3.179E+12
Total 17 4.469E+14

Grand Mean -4.66E+06 CV -38.24

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 1.613E+13 1.613E+13 9.27 0.0139
Remainder 9 1.565E+13 1.740E+12

Relative Efficiency, RCB 7.84

Means of COD for MOMENTO

MOMENTO Mean
1 -3.92E+06
2 -4.51E+06
3 -5.55E+06
Observations per Mean 6
Standard Error of a Mean 727889
Std Error (Diff of 2 Means) 1.029E+06

Randomized Complete Block AOV Table for Cloruro

Source DF SS MS F P
ESCENARIO 5 3.415E+13 6.830E+12
MOMENTO 2 1.705E+13 8.527E+12 17.35 0.0006
Error 10 4.915E+12 4.915E+11

132
Total 17 5.612E+13

Grand Mean -862334 CV -81.30

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 6.804E+11 6.804E+11 1.45 0.2599
Remainder 9 4.235E+12 4.706E+11

Relative Efficiency, RCB 4.56

Means of Cloruro for MOMENTO

MOMENTO Mean
1 -894467
2 345560
3 -2.04E+06
Observations per Mean 6
Standard Error of a Mean 286224
Std Error (Diff of 2 Means) 404781

Randomized Complete Block AOV Table for Fenoles

Source DF SS MS F P
ESCENARIO 5 5248766 1049753
MOMENTO 2 1216525 608262 6.92 0.0130
Error 10 879283 87928
Total 17 7344574

Grand Mean -648.83 CV -45.70

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 679388 679388 30.59 0.0004
Remainder 9 199895 22211

Relative Efficiency, RCB 4.01

Means of Fenoles for MOMENTO

MOMENTO Mean
1 -874.67
2 -284.67
3 -787.17
Observations per Mean 6
Standard Error of a Mean 121.06
Std Error (Diff of 2 Means) 171.20

Randomized Complete Block AOV Table for Nitrato

Source DF SS MS F P
ESCENARIO 5 9.048E+10 1.810E+10
MOMENTO 2 2.713E+09 1.356E+09 1.71 0.2295
Error 10 7.925E+09 7.925E+08
Total 17 1.011E+11

Grand Mean 82307 CV 34.20

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P

133
Nonadditivity 1 3.566E+09 3.566E+09 7.36 0.0238
Remainder 9 4.358E+09 4.842E+08

Relative Efficiency, RCB 7.06

Means of Nitrato for MOMENTO

MOMENTO Mean
1 67692
2 81500
3 97730
Observations per Mean 6
Standard Error of a Mean 11492
Std Error (Diff of 2 Means) 16253

Randomized Complete Block AOV Table for SS

Source DF SS MS F P
ESCENARIO 5 8.223E+11 1.645E+11
MOMENTO 2 3.735E+11 1.868E+11 8.11 0.0081
Error 10 2.304E+11 2.304E+10
Total 17 1.426E+12

Grand Mean -262112 CV -57.91

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 1.198E+11 1.198E+11 9.75 0.0123
Remainder 9 1.105E+11 1.228E+10

Relative Efficiency, RCB 2.67

Means of SS for MOMENTO

MOMENTO Mean
1 -383964
2 -59800
3 -342572
Observations per Mean 6
Standard Error of a Mean 61966
Std Error (Diff of 2 Means) 87633

Randomized Complete Block AOV Table for TOC

Source DF SS MS F P
ESCENARIO 5 1.005E+12 2.010E+11
MOMENTO 2 3.310E+10 1.655E+10 1.82 0.2118
Error 10 9.094E+10 9.094E+09
Total 17 1.129E+12

Grand Mean 258060 CV 36.95

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 3.560E+10 3.560E+10 5.79 0.0395
Remainder 9 5.533E+10 6.148E+09

Relative Efficiency, RCB 6.86

134
Means of TOC for MOMENTO

MOMENTO Mean
1 200695
2 269708
3 303779
Observations per Mean 6
Standard Error of a Mean 38931
Std Error (Diff of 2 Means) 55057

135
 Análisis de varianza y Kruskal-Wallis

Emisiones en aire

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Analysis of Variance Table for Amonio

Source DF SS MS F P
MOMENTO 2 1.013E+08 5.069E+07 0.83 0.4657
ESCENARIO 5 4.100E+08 8.200E+07 1.34 0.3250
Error 10 6.139E+08 6.139E+07
Total 17 1.125E+09

Grand Mean 3985.6 CV 196.58

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 4618238 4618238 0.07 0.7998
Remainder 9 6.092E+08 6.769E+07

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Arsénico by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 10.8 6
3 8.2 6
Total 9.5 18

Kruskal-Wallis Statistic 0.7799

P-Value, Using Chi-Squared Approximation 0.6771

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 21.333 10.6667 0.36 0.7031
Within 15 443.667 29.5778
Total 17 465.000

Total number of values that were tied 9

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Arsénico by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 15.5 3
2 15.5 3
3 10.0 3
4 6.0 3
5 4.7 3

136
 6 5.3 3
Total 9.5 18

Kruskal-Wallis Statistic 13.7341

P-Value, Using Chi-Squared Approximation 0.0174

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 375.667 75.1333 10.1 0.0006
Within 12 89.333 7.4444
Total 17 465.000

Total number of values that were tied 9

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CH4 by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.3 6
2 6.7 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.5906

P-Value, Using Chi-Squared Approximation 0.1661

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 102.333 51.1667 2.01 0.1687
Within 15 382.167 25.4778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CH4 by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 11.3 3
3 9.7 3
4 9.3 3
5 7.7 3
6 2.0 3
Total 9.5 18

Kruskal-Wallis Statistic 12.5556

P-Value, Using Chi-Squared Approximation 0.0279

Parametric AOV Applied to Ranks

137
Source DF SS MS F P
Between 5 357.833 71.5667 6.78 0.0032
Within 12 126.667 10.5556
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CO by MOMENTO

Mean Sample
MOMENTO Rank Size
1 7.2 6
2 11.2 6
3 10.2 6
Total 9.5 18

Kruskal-Wallis Statistic 1.8246

P-Value, Using Chi-Squared Approximation 0.4016

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 52.000 26.0000 0.90 0.4268
Within 15 432.500 28.8333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CO by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 14.0 3
2 17.0 3
3 9.3 3
4 7.0 3
5 5.3 3
6 4.3 3
Total 9.5 18

Kruskal-Wallis Statistic 13.3509

P-Value, Using Chi-Squared Approximation 0.0203

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 380.500 76.1000 8.78 0.0011
Within 12 104.000 8.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

138
Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CO2 by MOMENTO

Mean Sample
MOMENTO Rank Size
1 6.0 6
2 9.8 6
3 12.7 6
Total 9.5 18

Kruskal-Wallis Statistic 4.7135

P-Value, Using Chi-Squared Approximation 0.0947

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 134.333 67.1667 2.88 0.0876
Within 15 350.167 23.3444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for CO2 by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 8.0 3
2 11.0 3
3 6.7 3
4 5.0 3
5 11.3 3
6 15.0 3
Total 9.5 18

Kruskal-Wallis Statistic 6.9883

P-Value, Using Chi-Squared Approximation 0.2215

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 199.167 39.8333 1.68 0.2149
Within 12 285.333 23.7778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cadmio by MOMENTO

139
 Mean Sample
MOMENTO Rank Size
1 8.1 6
2 12.4 6
3 8.0 6
Total 9.5 18

Kruskal-Wallis Statistic 2.6983

P-Value, Using Chi-Squared Approximation 0.2595

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 76.583 38.2917 1.42 0.2736
Within 15 405.917 27.0611
Total 17 482.500

Total number of values that were tied 8

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cadmio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 13.5 3
3 7.8 3
4 5.3 3
5 4.7 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 12.3081

P-Value, Using Chi-Squared Approximation 0.0308

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 349.333 69.8667 6.30 0.0043
Within 12 133.167 11.0972
Total 17 482.500

Total number of values that were tied 8

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cobre by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.8 6
2 11.2 6
3 7.5 6
Total 9.5 18

140
Kruskal-Wallis Statistic 1.5897
P-Value, Using Chi-Squared Approximation 0.4516

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 41.333 20.6667 0.77 0.4789
Within 15 400.667 26.7111
Total 17 442.000

Total number of values that were tied 10

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cobre by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 4.5 3
2 4.5 3
3 9.5 3
4 9.7 3
5 11.8 3
6 17.0 3
Total 9.5 18

Kruskal-Wallis Statistic 12.8910

P-Value, Using Chi-Squared Approximation 0.0244

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 335.167 67.0333 7.53 0.0021
Within 12 106.833 8.9028
Total 17 442.000

Total number of values that were tied 10

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cromo by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.8 6
2 11.8 6
3 6.9 6
Total 9.5 18

Kruskal-Wallis Statistic 2.7671

P-Value, Using Chi-Squared Approximation 0.2507

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 73.083 36.5417 1.46 0.2638
Within 15 375.917 25.0611

141
Total 17 449.000

Total number of values that were tied 14

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cromo by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 9.5 3
2 3.5 3
3 8.8 3
4 8.8 3
5 9.3 3
6 17.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.5824

P-Value, Using Chi-Squared Approximation 0.0603

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 279.500 55.9000 3.96 0.0237
Within 12 169.500 14.1250
Total 17 449.000

Total number of values that were tied 14

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for DF by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 9.5 6
3 9.5 6
Total 9.5 18

Kruskal-Wallis Statistic M
P-Value, Using Chi-Squared Approximation M

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 0.00000 0.00000 M M
Within 15 0.00000 0.00000
Total 17 0.00000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

142
WARNING: Too many ties for meaningful results.

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for DF by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 9.5 3
2 9.5 3
3 9.5 3
4 9.5 3
5 9.5 3
6 9.5 3
Total 9.5 18

Kruskal-Wallis Statistic M
P-Value, Using Chi-Squared Approximation M

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 0.00000 0.00000 M M
Within 12 0.00000 0.00000
Total 17 0.00000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

WARNING: Too many ties for meaningful results.

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for GWP by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.8 6
2 8.2 6
3 11.5 6
Total 9.5 18

Kruskal-Wallis Statistic 1.3099

P-Value, Using Chi-Squared Approximation 0.5195

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 37.333 18.6667 0.63 0.5480
Within 15 447.167 29.8111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

143
Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for GWP by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 8.3 3
3 9.3 3
4 8.0 3
5 5.7 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 7.9240

P-Value, Using Chi-Squared Approximation 0.1605

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 225.833 45.1667 2.10 0.1364
Within 12 258.667 21.5556
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for H2S by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 6.5 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.7895

P-Value, Using Chi-Squared Approximation 0.1504

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 108.000 54.0000 2.15 0.1508
Within 15 376.500 25.1000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for H2S by ESCENARIO

Mean Sample
ESCENARIO Rank Size

144
 1 17.0 3
2 11.0 3
3 9.7 3
4 9.3 3
5 8.0 3
6 2.0 3
Total 9.5 18

Kruskal-Wallis Statistic 12.3216

P-Value, Using Chi-Squared Approximation 0.0306

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 351.167 70.2333 6.32 0.0043
Within 12 133.333 11.1111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCclorado by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 6.5 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.7895

P-Value, Using Chi-Squared Approximation 0.1504

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 108.000 54.0000 2.15 0.1508
Within 15 376.500 25.1000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCclorado by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 11.0 3
3 9.7 3
4 9.3 3
5 8.0 3
6 2.0 3
Total 9.5 18

145
Kruskal-Wallis Statistic 12.3216
P-Value, Using Chi-Squared Approximation 0.0306

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 351.167 70.2333 6.32 0.0043
Within 12 133.333 11.1111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCl by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.7 6
2 13.2 6
3 6.7 6
Total 9.5 18

Kruskal-Wallis Statistic 4.6667

P-Value, Using Chi-Squared Approximation 0.0970

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 133.000 66.5000 2.84 0.0901
Within 15 351.500 23.4333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCl by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 11.7 3
3 8.3 3
4 5.7 3
5 6.3 3
6 8.0 3
Total 9.5 18

Kruskal-Wallis Statistic 9.3977

P-Value, Using Chi-Squared Approximation 0.0942

146
Parametric AOV Applied to Ranks
Source DF SS MS F P
Between 5 267.833 53.5667 2.97 0.0570
Within 12 216.667 18.0556
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HF by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.5 6
3 6.7 6
Total 9.5 18

Kruskal-Wallis Statistic 5.3450

P-Value, Using Chi-Squared Approximation 0.0691

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 152.333 76.1667 3.44 0.0589
Within 15 332.167 22.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HF by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 10.3 3
3 7.7 3
4 5.3 3
5 6.7 3
6 10.0 3
Total 9.5 18

Kruskal-Wallis Statistic 9.0468

P-Value, Using Chi-Squared Approximation 0.1072

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 257.833 51.5667 2.73 0.0715
Within 12 226.667 18.8889
Total 17 484.500

Total number of values that were tied 0

147
Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Manganeso by MOMENTO

Mean Sample
MOMENTO Rank Size
1 10.2 6
2 13.0 6
3 5.3 6
Total 9.5 18

Kruskal-Wallis Statistic 6.3669

P-Value, Using Chi-Squared Approximation 0.0414

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 180.333 90.1667 4.49 0.0296
Within 15 301.167 20.0778
Total 17 481.500

Total number of values that were tied 7

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Manganeso by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 8.3 3
3 7.2 3
4 6.0 3
5 7.2 3
6 11.3 3
Total 9.5 18

Kruskal-Wallis Statistic 8.9090

P-Value, Using Chi-Squared Approximation 0.1128

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 252.333 50.4667 2.64 0.0779
Within 12 229.167 19.0972
Total 17 481.500

Total number of values that were tied 7

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Mercurio by MOMENTO

148
 Mean Sample
MOMENTO Rank Size
1 8.8 6
2 11.8 6
3 7.8 6
Total 9.5 18

Kruskal-Wallis Statistic 1.8417

P-Value, Using Chi-Squared Approximation 0.3982

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 52.000 26.0000 0.91 0.4232
Within 15 428.000 28.5333
Total 17 480.000

Total number of values that were tied 8

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Mercurio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 14.0 3
2 9.3 3
3 6.7 3
4 4.5 3
5 5.5 3
6 17.0 3
Total 9.5 18

Kruskal-Wallis Statistic 13.3403

P-Value, Using Chi-Squared Approximation 0.0204

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 376.667 75.3333 8.75 0.0011
Within 12 103.333 8.6111
Total 17 480.000

Total number of values that were tied 8

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for N2O by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.6 6

149
 2 10.8 6
3 8.1 6
Total 9.5 18

Kruskal-Wallis Statistic 0.7991

P-Value, Using Chi-Squared Approximation 0.6706

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 22.750 11.3750 0.37 0.6969
Within 15 461.250 30.7500
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for N2O by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 11.3 3
3 11.0 3
4 10.7 3
5 3.7 3
6 3.3 3
Total 9.5 18

Kruskal-Wallis Statistic 14.2545

P-Value, Using Chi-Squared Approximation 0.0141

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 405.833 81.1667 12.5 0.0002
Within 12 78.167 6.5139
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for NOx by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.8 6
2 12.3 6
3 7.3 6
Total 9.5 18

Kruskal-Wallis Statistic 2.7719

P-Value, Using Chi-Squared Approximation 0.2501

150
Parametric AOV Applied to Ranks
Source DF SS MS F P
Between 2 79.000 39.5000 1.46 0.2632
Within 15 405.500 27.0333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for NOx by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 13.7 3
3 8.3 3
4 6.7 3
5 4.7 3
6 6.7 3
Total 9.5 18

Kruskal-Wallis Statistic 12.0409

P-Value, Using Chi-Squared Approximation 0.0342

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 343.167 68.6333 5.83 0.0059
Within 12 141.333 11.7778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Níquel by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.7 6
2 13.2 6
3 6.7 6
Total 9.5 18

Kruskal-Wallis Statistic 4.6860

P-Value, Using Chi-Squared Approximation 0.0960

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 133.000 66.5000 2.85 0.0890
Within 15 349.500 23.3000
Total 17 482.500

151
Total number of values that were tied 3
Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Níquel by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 6.3 3
6 8.0 3
Total 9.5 18

Kruskal-Wallis Statistic 9.8829

P-Value, Using Chi-Squared Approximation 0.0786

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 280.500 56.1000 3.33 0.0406
Within 12 202.000 16.8333
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Partícula by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.0 6
2 12.8 6
3 7.7 6
Total 9.5 18

Kruskal-Wallis Statistic 3.5205

P-Value, Using Chi-Squared Approximation 0.1720

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 100.333 50.1667 1.96 0.1755
Within 15 384.167 25.6111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

152
Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Partícula by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.7 3
3 8.0 3
4 5.3 3
5 5.7 3
6 8.3 3
Total 9.5 18

Kruskal-Wallis Statistic 10.7310

P-Value, Using Chi-Squared Approximation 0.0570

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 305.833 61.1667 4.11 0.0209
Within 12 178.667 14.8889
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Plomo by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.7 6
2 9.0 6
3 10.8 6
Total 9.5 18

Kruskal-Wallis Statistic 0.5731

P-Value, Using Chi-Squared Approximation 0.7508

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 16.333 8.1667 0.26 0.7732
Within 15 468.167 31.2111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Plomo by ESCENARIO

Mean Sample
ESCENARIO Rank Size

153
 1 5.0 3
2 2.0 3
3 8.7 3
4 11.7 3
5 14.0 3
6 15.7 3
Total 9.5 18

Kruskal-Wallis Statistic 14.7544

P-Value, Using Chi-Squared Approximation 0.0115

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 420.500 84.1000 15.8 0.0001
Within 12 64.000 5.3333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for SOx by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.7 6
2 13.0 6
3 6.8 6
Total 9.5 18

Kruskal-Wallis Statistic 4.2222

P-Value, Using Chi-Squared Approximation 0.1211

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 120.333 60.1667 2.48 0.1175
Within 15 364.167 24.2778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for SOx by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.3 3
3 8.3 3
4 6.0 3
5 5.7 3
6 7.7 3
Total 9.5 18

154
Kruskal-Wallis Statistic 10.0994
P-Value, Using Chi-Squared Approximation 0.0725

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 287.833 57.5667 3.51 0.0346
Within 12 196.667 16.3889
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for TotalHC by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 6.5 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.7895

P-Value, Using Chi-Squared Approximation 0.1504

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 108.000 54.0000 2.15 0.1508
Within 15 376.500 25.1000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for TotalHC by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 11.0 3
3 9.7 3
4 9.3 3
5 8.0 3
6 2.0 3
Total 9.5 18

Kruskal-Wallis Statistic 12.3216

P-Value, Using Chi-Squared Approximation 0.0306

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 351.167 70.2333 6.32 0.0043

155
Within 12 133.333 11.1111
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Zinc by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.2 6
2 11.5 6
3 7.8 6
Total 9.5 18

Kruskal-Wallis Statistic 1.4503

P-Value, Using Chi-Squared Approximation 0.4843

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 41.333 20.6667 0.70 0.5123
Within 15 443.167 29.5444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AIRE, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Zinc by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 10.0 3
3 6.3 3
4 4.3 3
5 5.3 3
6 14.0 3
Total 9.5 18

Kruskal-Wallis Statistic 13.7719

P-Value, Using Chi-Squared Approximation 0.0171

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 392.500 78.5000 10.2 0.0005
Within 12 92.000 7.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

156
 Emisiones en agua

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Analysis of Variance Table for Cloruro

Source DF SS MS F P
MOMENTO 2 1.705E+13 8.527E+12 17.35 0.0006
ESCENARIO 5 3.415E+13 6.830E+12 13.90 0.0003
Error 10 4.915E+12 4.915E+11
Total 17 5.612E+13

Grand Mean -862334 CV -81.30

Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 6.804E+11 6.804E+11 1.45 0.2599
Remainder 9 4.235E+12 4.706E+11

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Tukey HSD All-Pairwise Comparisons Test of Cloruro for MOMENTO

MOMENTO Mean Homogeneous Groups

2 345560 A
1 -894467 B
3 -2.04E+06 C

Alpha 0.05 Standard Error for Comparison 404781

Critical Q Value 3.881 Critical Value for Comparison 1.111E+06
Error term used: MOMENTO*ESCENARIO, 10 DF
All 3 means are significantly different from one another.

Tukey HSD All-Pairwise Comparisons Test of Cloruro for ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 1.26E+06 A
6 712173 AB
5 -1.02E+06 BC
4 -1.80E+06 C
3 -1.95E+06 C
2 -2.38E+06 C

Alpha 0.05 Standard Error for Comparison 572447

Critical Q Value 4.904 Critical Value for Comparison 1.985E+06
Error term used: MOMENTO*ESCENARIO, 10 DF
There are 3 groups (A, B, etc.) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for AOX by MOMENTO

157
 Mean Sample
MOMENTO Rank Size
1 10.8 6
2 9.2 6
3 8.5 6
Total 9.5 18

Kruskal-Wallis Statistic 0.6082

P-Value, Using Chi-Squared Approximation 0.7378

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 17.333 8.6667 0.28 0.7609
Within 15 467.167 31.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for AOX by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 14.0 3
3 10.3 3
4 7.3 3
5 4.7 3
6 3.7 3
Total 9.5 18

Kruskal-Wallis Statistic 14.6608

P-Value, Using Chi-Squared Approximation 0.0119

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 417.833 83.5667 15.0 0.0001
Within 12 66.667 5.5556
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Aluminio by MOMENTO

Mean Sample

158
MOMENTO Rank Size
1 8.3 6
2 13.2 6
3 7.0 6
Total 9.5 18

Kruskal-Wallis Statistic 4.4511

P-Value, Using Chi-Squared Approximation 0.1080

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 126.333 63.1667 2.66 0.1026
Within 15 356.167 23.7444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Aluminio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 5.3 3
6 9.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4466

P-Value, Using Chi-Squared Approximation 0.0635

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 296.500 59.3000 3.83 0.0264
Within 12 186.000 15.5000
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Amonio by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 12.7 6
3 7.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.2398

159
P-Value, Using Chi-Squared Approximation 0.1979

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 92.333 46.1667 1.77 0.2048
Within 15 392.167 26.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Amonio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 16.3 3
2 11.7 3
3 5.3 3
4 4.0 3
5 8.0 3
6 11.7 3
Total 9.5 18

Kruskal-Wallis Statistic 11.1520

P-Value, Using Chi-Squared Approximation 0.0484

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 317.833 63.5667 4.58 0.0144
Within 12 166.667 13.8889
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Arsénico by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.0 6
3 7.2 6
Total 9.5 18

Kruskal-Wallis Statistic 4.0117

P-Value, Using Chi-Squared Approximation 0.1345
Parametric AOV Applied to Ranks
Source DF SS MS F P
Between 2 114.333 57.1667 2.32 0.1328
Within 15 370.167 24.6778
Total 17 484.500

160
Total number of values that were tied 0
Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Arsénico by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 5.3 3
6 9.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4035

P-Value, Using Chi-Squared Approximation 0.0646

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 296.500 59.3000 3.79 0.0273
Within 12 188.000 15.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for BOD by MOMENTO

Mean Sample
MOMENTO Rank Size
1 10.2 6
2 5.8 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 4.8187

P-Value, Using Chi-Squared Approximation 0.0899

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 137.333 68.6667 2.97 0.0821
Within 15 347.167 23.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

161
Kruskal-Wallis One-Way Nonparametric AOV for BOD by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 3.3 3
3 7.3 3
4 9.7 3
5 11.0 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 10.7310

P-Value, Using Chi-Squared Approximation 0.0570

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 305.833 61.1667 4.11 0.0209
Within 12 178.667 14.8889
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Bario by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.2 6
3 7.0 6
Total 9.5 18

Kruskal-Wallis Statistic 4.4511

P-Value, Using Chi-Squared Approximation 0.1080

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 126.333 63.1667 2.66 0.1026
Within 15 356.167 23.7444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Bario by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3

162
 3 8.3 3
4 5.0 3
5 6.0 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 10.2587

P-Value, Using Chi-Squared Approximation 0.0682

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 291.167 58.2333 3.65 0.0306
Within 12 191.333 15.9444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for COD by MOMENTO

Mean Sample
MOMENTO Rank Size
1 10.8 6
2 9.2 6
3 8.5 6
Total 9.5 18

Kruskal-Wallis Statistic 0.6082

P-Value, Using Chi-Squared Approximation 0.7378

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 17.333 8.6667 0.28 0.7609
Within 15 467.167 31.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for COD by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 14.0 3
3 10.3 3
4 7.3 3
5 4.3 3
6 4.0 3

163
 Total 9.5 18

Kruskal-Wallis Statistic 14.6140

P-Value, Using Chi-Squared Approximation 0.0121

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 416.500 83.3000 14.7 0.0001
Within 12 68.000 5.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cadmio by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 12.5 6
3 7.7 6
Total 9.5 18

Kruskal-Wallis Statistic 2.9039

P-Value, Using Chi-Squared Approximation 0.2341

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 82.333 41.1667 1.55 0.2454
Within 15 399.667 26.6444
Total 17 482.000

Total number of values that were tied 5

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cadmio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 13.3 3
3 8.3 3
4 4.8 3
5 5.2 3
6 8.3 3
Total 9.5 18

Kruskal-Wallis Statistic 12.0858

P-Value, Using Chi-Squared Approximation 0.0336

Parametric AOV Applied to Ranks

Source DF SS MS F P

164
Between 5 342.667 68.5333 5.90 0.0056
Within 12 139.333 11.6111
Total 17 482.000

Total number of values that were tied 5

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cianuro by MOMENTO

Mean Sample
MOMENTO Rank Size
1 10.8 6
2 9.7 6
3 8.0 6
Total 9.5 18

Kruskal-Wallis Statistic 0.8573

P-Value, Using Chi-Squared Approximation 0.6514

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 24.333 12.1667 0.40 0.6783
Within 15 458.167 30.5444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cianuro by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 14.0 3
3 10.3 3
4 7.3 3
5 3.7 3
6 4.7 3
Total 9.5 18

Kruskal-Wallis Statistic 14.7216

P-Value, Using Chi-Squared Approximation 0.0116

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 417.833 83.5667 15.5 0.0001
Within 12 64.667 5.3889
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

165
Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cloruro by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.3 6
2 13.0 6
3 6.2 6
Total 9.5 18

Kruskal-Wallis Statistic 4.9240

P-Value, Using Chi-Squared Approximation 0.0853

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 140.333 70.1667 3.06 0.0769
Within 15 344.167 22.9444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cloruro by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 16.0 3
2 4.7 3
3 6.7 3
4 7.0 3
5 9.0 3
6 13.7 3
Total 9.5 18

Kruskal-Wallis Statistic 10.2632

P-Value, Using Chi-Squared Approximation 0.0681

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 292.500 58.5000 3.66 0.0305
Within 12 192.000 16.0000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cobre by MOMENTO

166
 Mean Sample
MOMENTO Rank Size
1 8.5 6
2 13.0 6
3 7.0 6
Total 9.5 18

Kruskal-Wallis Statistic 4.1053

P-Value, Using Chi-Squared Approximation 0.1284

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 117.000 58.5000 2.39 0.1258
Within 15 367.500 24.5000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cobre by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.0 3
4 5.3 3
5 5.3 3
6 9.3 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4737

P-Value, Using Chi-Squared Approximation 0.0629

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 298.500 59.7000 3.85 0.0258
Within 12 186.000 15.5000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cromo by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.0 6
3 7.2 6
Total 9.5 18

167
Kruskal-Wallis Statistic 4.0117
P-Value, Using Chi-Squared Approximation 0.1345

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 114.333 57.1667 2.32 0.1328
Within 15 370.167 24.6778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Cromo by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 5.3 3
6 9.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4035

P-Value, Using Chi-Squared Approximation 0.0646

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 296.500 59.3000 3.79 0.0273
Within 12 188.000 15.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for DFTEQ by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.5 6
2 9.5 6
3 9.5 6
Total 9.5 18

Kruskal-Wallis Statistic M
P-Value, Using Chi-Squared Approximation M

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 0.00000 0.00000 M M
Within 15 0.00000 0.00000

168
Total 17 0.00000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

WARNING: Too many ties for meaningful results.

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for DFTEQ by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 9.5 3
2 9.5 3
3 9.5 3
4 9.5 3
5 9.5 3
6 9.5 3
Total 9.5 18

Kruskal-Wallis Statistic M
P-Value, Using Chi-Squared Approximation M

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 0.00000 0.00000 M M
Within 12 0.00000 0.00000
Total 17 0.00000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

WARNING: Too many ties for meaningful results.

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fenoles by MOMENTO

Mean Sample
MOMENTO Rank Size
1 7.5 6
2 12.7 6
3 8.3 6
Total 9.5 18

Kruskal-Wallis Statistic 3.2398

P-Value, Using Chi-Squared Approximation 0.1979

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 92.333 46.1667 1.77 0.2048
Within 15 392.167 26.1444
Total 17 484.500

169
Total number of values that were tied 0
Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fenoles by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.7 3
3 8.0 3
4 4.7 3
5 6.0 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 11.0351

P-Value, Using Chi-Squared Approximation 0.0507

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 314.500 62.9000 4.44 0.0160
Within 12 170.000 14.1667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fierro by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.2 6
2 13.5 6
3 5.8 6
Total 9.5 18

Kruskal-Wallis Statistic 6.2222

P-Value, Using Chi-Squared Approximation 0.0446

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 177.333 88.6667 4.33 0.0328
Within 15 307.167 20.4778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

170
Kruskal-Wallis One-Way Nonparametric AOV for Fierro by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 9.3 3
3 7.3 3
4 6.0 3
5 7.0 3
6 10.3 3
Total 9.5 18

Kruskal-Wallis Statistic 8.4386

P-Value, Using Chi-Squared Approximation 0.1337

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 240.500 48.1000 2.37 0.1029
Within 12 244.000 20.3333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fluoruro by MOMENTO

Mean Sample
MOMENTO Rank Size
1 7.3 6
2 11.2 6
3 10.1 6
Total 9.5 18

Kruskal-Wallis Statistic 1.7240

P-Value, Using Chi-Squared Approximation 0.4223

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 49.083 24.5417 0.85 0.4484
Within 15 434.917 28.9944
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fluoruro by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 14.0 3

171
 3 9.5 3
4 6.8 3
5 5.3 3
6 4.3 3
Total 9.5 18

Kruskal-Wallis Statistic 13.4525

P-Value, Using Chi-Squared Approximation 0.0195

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 383.000 76.6000 9.10 0.0009
Within 12 101.000 8.4167
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fosfato by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.2 6
3 7.0 6
Total 9.5 18

Kruskal-Wallis Statistic 4.4511

P-Value, Using Chi-Squared Approximation 0.1080

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 126.333 63.1667 2.66 0.1026
Within 15 356.167 23.7444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Fosfato by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 7.0 3
4 5.0 3
5 6.0 3
6 10.0 3

172
 Total 9.5 18

Kruskal-Wallis Statistic 10.7285

P-Value, Using Chi-Squared Approximation 0.0570

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 304.500 60.9000 4.11 0.0209
Within 12 178.000 14.8333
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCclorado by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.0 6
2 7.0 6
3 12.5 6
Total 9.5 18

Kruskal-Wallis Statistic 3.2767

P-Value, Using Chi-Squared Approximation 0.1943

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 93.000 46.5000 1.79 0.2007
Within 15 389.500 25.9667
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for HCclorado by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 10.0 3
3 10.0 3
4 9.3 3
5 8.7 3
6 2.0 3
Total 9.5 18

Kruskal-Wallis Statistic 12.0204

P-Value, Using Chi-Squared Approximation 0.0345

Parametric AOV Applied to Ranks

Source DF SS MS F P

173
Between 5 341.167 68.2333 5.79 0.0060
Within 12 141.333 11.7778
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Mercurio by MOMENTO

Mean Sample
MOMENTO Rank Size
1 9.3 6
2 12.5 6
3 6.7 6
Total 9.5 18

Kruskal-Wallis Statistic 4.3492

P-Value, Using Chi-Squared Approximation 0.1137

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 102.333 51.1667 2.58 0.1090
Within 15 297.667 19.8444
Total 17 400.000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Mercurio by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 15.8 3
2 9.8 3
3 7.2 3
4 7.2 3
5 7.2 3
6 9.8 3
Total 9.5 18

Kruskal-Wallis Statistic 7.2250

P-Value, Using Chi-Squared Approximation 0.2044

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 170.000 34.0000 1.77 0.1928
Within 12 230.000 19.1667
Total 17 400.000

Total number of values that were tied 18

Max. diff. allowed between ties 0.00001

174
Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Níquel by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.0 6
3 7.2 6
Total 9.5 18

Kruskal-Wallis Statistic 4.0117

P-Value, Using Chi-Squared Approximation 0.1345

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 114.333 57.1667 2.32 0.1328
Within 15 370.167 24.6778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Níquel by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 5.3 3
6 9.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4035

P-Value, Using Chi-Squared Approximation 0.0646

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 296.500 59.3000 3.79 0.0273
Within 12 188.000 15.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Nitrato by MOMENTO

175
 Mean Sample
MOMENTO Rank Size
1 8.1 6
2 9.6 6
3 10.8 6
Total 9.5 18

Kruskal-Wallis Statistic 0.7991

P-Value, Using Chi-Squared Approximation 0.6706

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 22.750 11.3750 0.37 0.6969
Within 15 461.250 30.7500
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Nitrato by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 5.0 3
2 2.0 3
3 8.7 3
4 11.7 3
5 14.3 3
6 15.3 3
Total 9.5 18

Kruskal-Wallis Statistic 14.6760

P-Value, Using Chi-Squared Approximation 0.0118

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 417.833 83.5667 15.2 0.0001
Within 12 66.167 5.5139
Total 17 484.000

Total number of values that were tied 2

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Plomo by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.5 6
2 13.0 6
3 7.0 6
Total 9.5 18

176
Kruskal-Wallis Statistic 4.1053
P-Value, Using Chi-Squared Approximation 0.1284

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 117.000 58.5000 2.39 0.1258
Within 15 367.500 24.5000
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Plomo by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 7.7 3
4 5.0 3
5 6.0 3
6 9.3 3
Total 9.5 18

Kruskal-Wallis Statistic 10.3567

P-Value, Using Chi-Squared Approximation 0.0657

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 295.167 59.0333 3.74 0.0284
Within 12 189.333 15.7778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for SS by MOMENTO

Mean Sample
MOMENTO Rank Size
1 7.5 6
2 12.8 6
3 8.2 6
Total 9.5 18

Kruskal-Wallis Statistic 3.5556

P-Value, Using Chi-Squared Approximation 0.1690

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 101.333 50.6667 1.98 0.1721

177
Within 15 383.167 25.5444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for SS by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 7.3 3
4 4.3 3
5 7.0 3
6 9.3 3
Total 9.5 18

Kruskal-Wallis Statistic 10.5439

P-Value, Using Chi-Squared Approximation 0.0612

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 300.500 60.1000 3.92 0.0244
Within 12 184.000 15.3333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Sulfato by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.8 6
2 13.5 6
3 6.2 6
Total 9.5 18

Kruskal-Wallis Statistic 5.8012

P-Value, Using Chi-Squared Approximation 0.0550

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 165.333 82.6667 3.89 0.0437
Within 15 319.167 21.2778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

178
Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Sulfato by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 8.3 3
3 7.0 3
4 6.0 3
5 7.7 3
6 11.0 3
Total 9.5 18

Kruskal-Wallis Statistic 8.6023

P-Value, Using Chi-Squared Approximation 0.1260

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 245.167 49.0333 2.46 0.0937
Within 12 239.333 19.9444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Sulfuro by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.2 6
2 13.2 6
3 7.2 6
Total 9.5 18

Kruskal-Wallis Statistic 4.3689

P-Value, Using Chi-Squared Approximation 0.1125

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 124.000 62.0000 2.59 0.1078
Within 15 358.500 23.9000
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Sulfuro by ESCENARIO

Mean Sample
ESCENARIO Rank Size

179
 1 17.0 3
2 12.0 3
3 8.3 3
4 5.0 3
5 6.0 3
6 8.7 3
Total 9.5 18

Kruskal-Wallis Statistic 10.2587

P-Value, Using Chi-Squared Approximation 0.0682

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 291.167 58.2333 3.65 0.0306
Within 12 191.333 15.9444
Total 17 482.500

Total number of values that were tied 3

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for TOC by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.2 6
2 9.8 6
3 10.5 6
Total 9.5 18

Kruskal-Wallis Statistic 0.6082

P-Value, Using Chi-Squared Approximation 0.7378

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 17.333 8.6667 0.28 0.7609
Within 15 467.167 31.1444
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for TOC by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 5.0 3
2 2.0 3
3 8.7 3
4 11.0 3
5 14.7 3
6 15.7 3
Total 9.5 18

180
Kruskal-Wallis Statistic 15.1754
P-Value, Using Chi-Squared Approximation 0.0096

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 432.500 86.5000 20.0 0.0000
Within 12 52.000 4.3333
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Zinc by MOMENTO

Mean Sample
MOMENTO Rank Size
1 8.3 6
2 13.0 6
3 7.2 6
Total 9.5 18

Kruskal-Wallis Statistic 4.0117

P-Value, Using Chi-Squared Approximation 0.1345

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 2 114.333 57.1667 2.32 0.1328
Within 15 370.167 24.6778
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

Statistix 8.0 CANELO_AGUA, 16/12/2021, [Link]

Kruskal-Wallis One-Way Nonparametric AOV for Zinc by ESCENARIO

Mean Sample
ESCENARIO Rank Size
1 17.0 3
2 12.0 3
3 8.3 3
4 5.3 3
5 5.3 3
6 9.0 3
Total 9.5 18

Kruskal-Wallis Statistic 10.4035

P-Value, Using Chi-Squared Approximation 0.0646

Parametric AOV Applied to Ranks

Source DF SS MS F P
Between 5 296.500 59.3000 3.79 0.0273

181
Within 12 188.000 15.6667
Total 17 484.500

Total number of values that were tied 0

Max. diff. allowed between ties 0.00001

Cases Included 18 Missing Cases 0

182
 Prueba de comparaciones múltiples

Emisiones en aire

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Arsénico by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 15.500 A
2 15.500 A
3 10.000 A
4 6.0000 A
6 5.3333 A
5 4.6667 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of CH4 by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 11.333 AB
3 9.6667 AB
4 9.3333 AB
5 7.6667 AB
6 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of CO by ESCENARIO

ESCENARIO Mean Homogeneous Groups

2 17.000 A
1 14.000 A
3 9.3333 A
4 7.0000 A
5 5.3333 A
6 4.3333 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Cadmio by ESCENARIO

183
ESCENARIO Mean Homogeneous Groups
1 17.000 A
2 13.500 A
6 8.6667 A
3 7.8333 A
4 5.3333 A
5 4.6667 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Cobre by ESCENARIO

ESCENARIO Mean Homogeneous Groups

6 17.000 A
5 11.833 A
4 9.6667 A
3 9.5000 A
1 4.5000 A
2 4.5000 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of H2S by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 11.000 AB
3 9.6667 AB
4 9.3333 AB
5 8.0000 AB
6 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of HCclorado by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 11.000 AB
3 9.6667 AB
4 9.3333 AB
5 8.0000 AB

184
 6 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Manganeso by MOMENTO

MOMENTO Mean Homogeneous Groups

2 13.000 A
1 10.167 AB
3 5.3333 B

Alpha 0.05
Critical Z Value 2.394 Critical Value for Comparison 7.3787
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Mercurio by ESCENARIO

ESCENARIO Mean Homogeneous Groups

6 17.000 A
1 14.000 A
2 9.3333 A
3 6.6667 A
5 5.5000 A
4 4.5000 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of N2O by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 11.333 AB
3 11.000 AB
4 10.667 AB
5 3.6667 B
6 3.3333 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

185
Kruskal-Wallis All-Pairwise Comparisons Test of NOx by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 13.667 A
3 8.3333 A
4 6.6667 A
6 6.6667 A
5 4.6667 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Plomo by ESCENARIO

ESCENARIO Mean Homogeneous Groups

6 15.667 A
5 14.000 AB
4 11.667 AB
3 8.6667 AB
1 5.0000 AB
2 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of TotalHC by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 11.000 AB
3 9.6667 AB
4 9.3333 AB
5 8.0000 AB
6 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AIRE, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Zinc by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
6 14.000 A
2 10.000 A

186
 3 6.3333 A
5 5.3333 A
4 4.3333 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

187
 Emisiones en agua

CANELO_AGUA, 9/10/2021, [Link]

Tukey HSD All-Pairwise Comparisons Test of AOX for MOMENTO

MOMENTO Mean Homogeneous Groups

1 -45777 A
2 -50491 A
3 -64362 A

Alpha 0.05 Standard Error for Comparison 9927.8

Critical Q Value 3.881 Critical Value for Comparison 27244
Error term used: MOMENTO*ESCENARIO, 10 DF
There are no significant pairwise differences among the means.

Tukey HSD All-Pairwise Comparisons Test of AOX for ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 2208 A
2 205 A
3 -43196 AB
4 -74268 BC
5 -103056 C
6 -103151 C

Alpha 0.05 Standard Error for Comparison 14040

Critical Q Value 4.904 Critical Value for Comparison 48684
Error term used: MOMENTO*ESCENARIO, 10 DF
There are 3 groups (A, B, etc.) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of AOX by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 14.000 AB
3 10.333 AB
4 7.3333 AB
5 4.6667 AB
6 3.6667 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Amonio by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 16.333 A
2 11.667 A
6 11.667 A

188
 5 8.0000 A
3 5.3333 A
4 4.0000 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of COD by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 14.000 AB
3 10.333 AB
4 7.3333 AB
5 4.3333 AB
6 4.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Cadmio by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 13.333 A
3 8.3333 A
6 8.3333 A
5 5.1667 A
4 4.8333 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Cianuro by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 14.000 AB
3 10.333 AB
4 7.3333 AB
6 4.6667 AB
5 3.6667 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means

189
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Fierro by MOMENTO

MOMENTO Mean Homogeneous Groups

2 13.500 A
1 9.1667 AB
3 5.8333 B

Alpha 0.05
Critical Z Value 2.394 Critical Value for Comparison 7.3787
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Fluoruro by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 14.000 A
3 9.5000 A
4 6.8333 A
5 5.3333 A
6 4.3333 A

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are no significant pairwise differences among the means.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of HCclorado by ESCENARIO

ESCENARIO Mean Homogeneous Groups

1 17.000 A
2 10.000 AB
3 10.000 AB
4 9.3333 AB
5 8.6667 AB
6 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of Nitrato by ESCENARIO

ESCENARIO Mean Homogeneous Groups

6 15.333 A
5 14.333 AB
4 11.667 AB
3 8.6667 AB

190
 1 5.0000 AB
2 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Statistix 8.0 CANELO_AGUA, 17/12/2021, [Link]

Kruskal-Wallis All-Pairwise Comparisons Test of TOC by ESCENARIO

ESCENARIO Mean Homogeneous Groups

6 15.667 A
5 14.667 AB
4 11.000 AB
3 8.6667 AB
1 5.0000 AB
2 2.0000 B

Alpha 0.05
Critical Z Value 2.935 Critical Value for Comparison 12.794
There are 2 groups (A and B) in which the means
are not significantly different from one another.

Flujo de residuos con LCA

Figura 3. Flujo de residuos con LCA en E1M2.

191
Figura 4. Flujo de residuos con LCA en E5M2.

192