UNIVERSIDAD NACIONAL AGRARIA

LA MOLINA

FACULTAD DE CIENCIAS

“EVALUACIÓN DE LA CALIDAD DE AGUAS SUPERFICIALES EN

LA CUENCA DEL RÍO RÍMAC MEDIANTE ANÁLISIS
MULTIVARIADO PARA EL PERÍODO 2011-2018”

Presentada por:

MARLENI BEATRIZ ALDERETE MALPARTIDA

Tesis para Optar el Título de:

INGENIERA AMBIENTAL

Lima – Perú

2022

_____________________________________________________________
La UNALM es titular de los derechos patrimoniales de la presente investigación
(Art. 24-Reglamento de Propiedad Intelectual)

1
 UNIVERSIDAD NACIONAL AGRARIA
LA MOLINA
FACULTAD DE CIENCIAS

“EVALUACIÓN DE LA CALIDAD DE AGUAS SUPERFICIALES EN

LA CUENCA DEL RÍO RÍMAC MEDIANTE ANÁLISIS
MULTIVARIADO PARA EL PERÍODO 2011-2018”

Presentada por:
MARLENI BEATRIZ ALDERETE MALPARTIDA

Tesis para Optar el Título Profesional de:

INGENIERA AMBIENTAL
Sustentada y aprobada por el siguiente jurado:

______ _____
Dra. Lia Ramos Fernandez Ph.D. Haline Heidinger Abadia
PRESIDENTE MIEMBRO

_____ __________ _ ___

Mg. Quim. Flora Elsa Huaman Paredes Dra. Rosemary Vela Cardich
MIEMBRO ASESORA

2
DEDICATORIA

A Dios, a mis padres Yola y

Rubén, a mi abuelito Francisco
Alderete que está en cielo, a mis
hermanos y sobrinos, quienes
con su amor y apoyo me
incentivaron a seguir adelante.

4
 AGRADECIMIENTOS

A mi asesora, la Dra. Rosemary Vela por compartir sus conocimientos y experiencia, que
permitieron concluir esta investigación.

A la Dirección General de Salud Ambiental e Inocuidad Alimentaria por brindarme la data

de calidad de agua de la cuenca del río Rímac.

A la Autoridad Nacional del Agua por brindarme la data de calidad de agua de la cuenca del
río Rímac.

A los señores miembros del jurado por su orientación durante la revisión de esta
investigación.

A José, mi amor bonito, por apoyarme incondicionalmente, motivarme, compartir sus

conocimientos y brindarme sugerencias oportunas durante el proceso de elaboración de la
tesis.

A mi familia, en especial a mis cuñados Kelly y Alfredo, amigos y compañeros de trabajo,

por su apoyo y confianza.

A la Sra. Marcelina y el Sr. Diomedes por su por su apoyo, amabilidad y cariño durante este
proceso.

5
 ÍNDICE GENERAL

RESUMEN………………………………………………………………………….. vii
ABSTRACT………………………………………………………………………… viii
I. INTRODUCCIÓN………………………………………………………………. 1
II. REVISIÓN DE LITERATURA…………………………………………………. 5
2.1. El agua y su calidad…………………………………………………………. 5
2.2. Análisis estadístico multivariado…………………………………………… 8
2.3. Clasificación de la estadística multivariada…………………………………. 8
2.3.1. Data multivariada…………………………………………………….. 9
2.3.2. Tratamiento de datos…………………………………………………. 9
2.3.3. Coeficiente de correlación……………………………………………. 10
2.3.4. Correlación de Pearson……………………………………………….. 10
2.4. Técnicas estadísticas multivariadas…………………………………………. 11
2.4.1. Análisis de conglomerados o clúster (AC)……………….................... 11
2.4.2. Análisis de componentes principales (ACP) ……………………….. 12
2.5. Estudios previos de la calidad del agua superficial en la cuenca del río
Rímac…………………………………………….......................................... 14
III. METODOLOGÍA…………………………………………………………......... 17
3.1. Materiales………………………………………………………………...... 17
3.1.1. Área de estudio……………………………………………………...... 17
3.1.2. Estaciones de monitoreo………………………………........................ 18
3.1.3. Colección de datos……………………………………………………. 19
3.2. Procedimiento…………………………………………………………........ 23
3.2.1. Definición de estaciones y parámetros de estudio…………………… 23
3.2.2. Análisis y pretratamiento de datos…………………............................ 24
3.2.3. Análisis exploratorio inicial………………………………………….. 25
3.2.4. Evaluación de la variación espacial de la calidad del agua de la cuenca
del río Rímac en el Periodo 2011-2018 mediante el AC………………. 25
3.2.5. Identificación de relaciones entre parámetros de calidad de agua
usando el AC………………………………………………………..... 27

i6
 3.2.6. Identificación de las fuentes principales de contaminación de calidad
de agua más importantes o relevantes empleando el ACP…………….. 29
IV. RESULTADOS Y DISCUSIÓN………………………………………………. 32
4.1. Análisis exploratorio………………………………………………………. 32
4.2. Evaluación de la variación espacial de la calidad del agua de la cuenca del
río Rímac en el período 2011- 2018 mediante el AC……………………… 34
4.3. Identificación de las relaciones entre parámetros de calidad de agua usando
el AC…………………………………………………………….................. 49
4.4. Identificación de las fuentes principales de contaminación de calidad de
agua más importantes o relevantes empleando el ACP……………………. 55
V. CONCLUSIONES……………………………………………………………... 74
VI. RECOMENDACIONES……………………………………………………….. 76
VII. BIBLIOGRAFÍA ………………………………………………………………. 78
VIII. ANEXOS…………………………………………………………………….... 99

7ii
 ÍNDICE DE TABLAS
Tabla 1: Estaciones de monitoreo en la cuenca del río Rímac…………………... 20
Tabla 2: Esquema de la base de datos para la aplicación del ACJ establecido
para la agrupación de las estaciones de monitoreo…………………….. 27
Tabla 3: Esquema de la base de datos para la aplicación del ACJ establecido
para la agrupación de los parámetros de calidad de agua………………. 28
Tabla 4: Esquema de la base de datos para la aplicación del ACP a nivel
parámetros de calidad de agua………………………………………… 31
Tabla 5: Estadísticos descriptiva de los 21 parámetros de calidad de agua……... 33
Tabla 6: Estadísticas descriptivas de metales pesados en la cuenca del río Rímac 34
Tabla 7: Pruebas de KMO y esfericidad de Bartlett de las estaciones de
monitoreo ubicadas en el río principal de la cuenca del río Rímac…….. 40
Tabla 8: Matriz de componentes principales de las estaciones de monitoreo
ubicadas en el río principal de la cuenca del río Rímac………………... 41
Tabla 9: Pruebas de KMO y esfericidad de Bartlett de las estaciones de
monitoreo ubicadas en los tributarios de la cuenca del río Rímac……... 47
Tabla 10: Matriz de componentes principales de las estaciones de monitoreo
ubicadas en los tributarios de la cuenca del río Rímac…………………. 47
Tabla 11: Pruebas de KMO y esfericidad de Bartlett de los 21 parámetros de la
calidad de agua evaluados en las estaciones de monitoreo del río
principal de la cuenca del río Rímac…………………………………... 56
Tabla 12: Matriz de componentes principales de los 21 parámetros de calidad de
agua evaluados en las estaciones ubicadas en el río principal de la
cuenca del río Rímac…………………………………………………... 57
Tabla 13: Pruebas de KMO y esfericidad de Bartlett de los 21 parámetros de
calidad de agua evaluados en las estaciones de monitoreo de los
tributarios de la cuenca del rio Rímac…………………………………. 66
Tabla 14: Matriz de componentes principales de los 21 parámetros de calidad de
agua evaluados en las estaciones ubicadas en los tributarios de la
cuenca del río Rímac………………………………………………….. 68

iii 8
 ÍNDICE DE FIGURAS

Figura 1: Intercambios de calidad en un ciclo hidrológico

natural……………………………………………………………….. 6
Figura 2: Intercambios de calidad en el ciclo hidrológico modificado por
actividades antropogénicas………………………………………….. 7
Figura 3: Mapa de delimitación hidrográfica de la cuenca del río
Rímac………………………………………………………………... 18
Figura 4: Ubicación de las estaciones de monitoreo en la cuenca del río Rímac 22
Figura 5: Resumen de pasos de la aplicación del ACJ para la evaluación
espacial de la calidad el agua del río Rímac………………………….. 26
Figura 6: Resumen de pasos de la aplicación del ACJ para la identificación de
relaciones de los parámetros de la calidad del agua del río Rímac…… 29
Figura 7: Resumen del uso del ACP en el presente estudio…………………….. 30
Figura 8: Correlograma entre estaciones de monitoreo ubicadas en el río
principal de la cuenca del río Rímac…………………………………. 35
Figura 9: Dendrograma resultante de la aplicación del ACJ a las estaciones de
monitoreo ubicadas en el río principal de la cuenca del río Rímac…… 37
Figura 10: Biplot de las cargas de los dos primeros componentes extraídos luego
de la rotación varimax del ACP de las estaciones de monitoreo
ubicadas en el río principal de la cuenca del río Rímac………………. 42
Figura 11: Correlograma entre estaciones de monitoreo ubicadas en los
tributarios de la cuenca del río Rímac………………………………... 43
Figura 12: Dendrograma de la aplicación del ACJ a las estaciones de monitoreo
ubicadas en los tributarios de la cuenca del río Rímac……………….. 45
Figura 13: Biplot de las cargas de los dos primeros componentes extraídos luego
de la rotación varimax del ACP de las estaciones de monitoreo
ubicadas en los tributarios de la cuenca del río Rímac……………….. 48
Figura 14: Correlograma entre parámetros monitoreados en el río principal de la
cuenca del río Rímac………………………………………………… 49
Figura 15: Dendrograma exploratorio de los 21 parámetros de calidad de agua
evaluados en las estaciones ubicadas en el río principal de la cuenca... 50

iv9
Figura 16: Correlograma entre los parámetros monitoreados en tributarios de la
cuenca del río Rímac………………………………………………… 52
Figura 17: Dendrograma exploratorio de los 21 parámetros de calidad de agua
evaluados en las estaciones ubicadas en los tributarios de la cuenca…. 54
Figura 18: Biplot de las cargas de los dos primeros componentes extraídos luego
de la rotación varimax del ACP de los 21 parámetros de calidad de
agua evaluados en las estaciones ubicadas en el río principal de la
cuenca del río Rímac………………………………………………… 65
Figura 19: Biplot de las cargas de los dos primeros componentes extraídos luego
de la rotación varimax del ACP de los 21 parámetros de calidad de
agua evaluados en los tributarios de la cuenca del río Rímac………… 73

v
10
 ÍNDICE DE ANEXOS
ANEXO 1: CARTA RESPUESTA A SOLICITUD DE ACCESO A LA
INFORMACIÓN PÚBLICA EMITIDA POR LA AUTORIDAD
NACIONAL DEL AGUA…………………………………………… 100
ANEXO 2: ESTADÍSTICOS DESCRIPTIVOS POR ESTACIÓN DE
MONITOREO UBICADAS EN EL RÍO PRINCIPAL DE LA
CUENCA Y COMPARACIÓN CON LOS ESTÁNDARES DE
CALIDAD AMBIENTAL PARA AGUA (D.S 004-2017-MINAM).. 101
ANEXO 3: ESTADÍSTICOS DESCRIPTIVOS POR ESTACIÓN DE
MONITOREO UBICADAS EN LOS TRIBUTARIOS DE LA
CUENCA Y COMPARACIÓN CON LOS ESTÁNDARES DE
CALIDAD AMBIENTAL PARA AGUA (D.S 004-2017-
MINAM)…………………………………………………………….. 105

vi
11
 RESUMEN
El monitoreo y evaluación de la calidad de los recursos hídricos es de vital importancia. Sin
embargo, el análisis e interpretación de la gran cantidad de datos generados, que permitan
comprender mejor la calidad del agua e identificar posibles factores que influyen en los
sistemas hídricos para una mejor toma de decisiones ha sido una tarea difícil que las técnicas
estadísticas multivariadas han superado. En tal sentido, se aplicaron técnicas estadísticas
como el análisis de conglomerados jerárquico (ACJ) y análisis de componentes principales
(ACP), con el objetivo de evaluar la variación espacial de la calidad el agua, determinar las
relaciones entre parámetros e identificar las principales fuentes de contaminación de la
cuenca del río Rímac. Se utilizaron datos de la calidad del agua, en un periodo de 8 años
(2011-2018) de monitoreo, considerando 21 parámetros en 24 estaciones de monitoreo. El
ACJ mostró que los pares de estaciones RRima2-RRima3, RRima10-RRima11 y RRima12-
RRima13 presentaron comportamientos similares en términos de calidad del agua, lo que
sugeriría analizar su permanencia, dado que estas estarían brindando la misma información.
Mientras que, las estaciones RRima9, RChin1, RBlan1, RSant1 y QHuay1, mostraron
características particulares en la calidad de sus aguas respecto a las demás estaciones
evaluadas, lo que señalaría su importancia en la evaluación de la calidad del agua de la
cuenca del río Rímac. El ACJ también determinó que los pares de parámetros SST-Fe, Cd-
Zn, Mn-Sb, Mn-Mg y Sb-Mg, Ca-Mg, y DQO-DBO, expresaron fuertes vínculos entre sí,
indicando que éstos posiblemente vienen de fuentes comunes de contaminación o siguen
comportamientos similares durante sus variaciones espaciales y temporales. El ACP,
permitió identificar las principales fuentes de contaminación antropogénica de la cuenca del
río Rímac, siendo estas las descargas domésticas e industriales, la actividad minera, la
agricultura, la ganadería, los residuos de construcción y los botaderos; fuentes que más
deterioran la calidad de las aguas del río principal de la cuenca; mientras que, las actividades
mineras, pasivos mineros y vertimientos domésticos fueron las principales fuentes de
contaminación de gran parte de los tributarios. El estudio también permitió identificar a
aquellos parámetros críticos de la calidad del agua, siendo estos el As, Fe, Mn, Sb, CTT y
Pb.

Palabras clave: Análisis de conglomerados jerárquico, Análisis de componentes

principales, Análisis estadístico multivariado, Cuenca del río Rímac, Parámetros de calidad
del agua.
12
vii
 ABSTRACT
Monitoring and evaluating the quality of water resources is of vital importance. However,
the analysis and interpretation of a large amount of data generated, allowing a better
understanding of water quality and identifying possible factors that influence water systems
for better decision-making has been a difficult task that multivariate statistical techniques
have overcome. In this sense, statistical techniques such as hierarchical cluster analysis
(ACJ) and principal component analysis (PCA) were applied, in order to evaluate the spatial
variation of water quality, determine the relationships between parameters and identify the
main sources. pollution of the Rimac river basin. Water quality data were used, in a
monitoring period of 8 years (2011-2018), considering 21 parameters in 24 monitoring
stations. The ACJ showed that the pairs of stations RRima2-RRima3, RRima10-RRima11,
and RRima12-RRima13 presented similar behaviors in terms of water quality, which would
suggest analyzing their permanence since they would be providing the same information.
While, the RRima9, RChin1, RBlan1, RSant1, and QHuay1 stations presented particular
characteristics in the quality of their waters with respect to the other evaluated stations,
which would indicate their importance in the evaluation of the water quality of the Rimac
river basin. The ACJ also determined that the pairs of parameters SST-Fe, Cd-Zn, Mn-Sb,
Mn-Mg and Sb-Mg, Ca-Mg, and COD-BOD, showed strong links with each other, indicating
that these possibly come from common sources of pollution or follow similar behaviors
during their spatial and temporal variations. The ACP made it possible to identify the main
sources of anthropogenic contamination in the Rimac river basin, these being domestic and
industrial discharges, mining, agriculture, livestock, construction waste, and dumps; sources
that most deteriorate the quality of the waters of the main river of the basin; while, mining
activities, mining liabilities, and domestic discharges were the main sources of
contamination of a large part of the tributaries. The study also made it possible to identify
those critical parameters of water quality, these being As, Fe, Mn, Sb, CTT, and Pb.

Keywords: Hierarchical cluster analysis, Multivariate statistical analysis, Principal

component analysis, Rimac river basin, Water quality parameters.

viii
13
 I. INTRODUCCIÓN

El agua es un componente importante para el ambiente y la sociedad, siendo las aguas

superficiales el recurso más accesible y explotado a nivel mundial (Osmi et al., 2016;
Chaudhary et al., 2017; Dimitri et al., 2021). Aunque este recurso es muy importante para el
desarrollo de la sociedad, es uno de los más amenazados del mundo (Varol, 2020). Los ríos
son uno de los cuerpos de agua superficial más importante de una cuenca hidrográfica,
además proveen de muchos servicios como: el suministro de agua, recreación, deporte,
pesca, transporte, generación de energía hidroeléctrica, eliminación de desechos e incluso
extracción de arena, pero son los más vulnerables a la contaminación debido a su fácil acceso
(Mohamed et al., 2015; Wang et al., 2012; Fan et al., 2010). La contaminación desenfrenada
de estos cuerpos de aguas se ha convirtiendo en un problema grave que amenaza a la salud
pública y a los ecosistemas, debido a que, afecta su disponibilidad y deteriora su calidad
(Espinosa, 2018).

Se ha informado que el uso del agua ha venido aumentando en un uno por ciento al año en
todo el mundo, desde los años 80 del siglo pasado, impulsado por una combinación de
aumento de la población, desarrollo socioeconómico y cambio en los modelos de consumo,
por lo que se espera que la demanda mundial se incremente de 20 a 30 por ciento por encima
del uso actual hasta el 2050 (UNESCO, 2019). Por otro lado, se ha registrado que la calidad
de las aguas está determinada por factores como, los procesos naturales (geológicos,
hidrológicos y climáticos), actividades antropogénicas (desarrollo urbano e industrial,
agricultura, alteración del canal del arroyo, operaciones de alimentación de animales) y
crecimiento poblacional, siendo estos últimos los más determinantes (Krishna et al., 2009;
Kazi et al., 2009; Bouguerne et al., 2017).

Debido al valor y la importancia de las fuentes de agua dulce, la contaminación de sus aguas
se ha convertido en un tema crítico en los últimos años. Por lo que, la gestión de estos
recursos se ha centrado en la mejora de la calidad del agua en función de la comprensión de

1
los impactos de los contaminantes en el agua (Fan et al., 2010). Es así que, la gestión eficaz
a largo plazo del agua, requiere una mayor comprensión de las características químicas y
biológicas del mismo (Shrestha y Kazama, 2007). Por lo tanto, la correcta evaluación e
interpretación de los datos de monitoreo de la calidad de agua cobran un papel importante
(Calazans, 2015).

El uso de técnicas convencionales de análisis descriptivo para interpretar los resultados de

calidad del agua superficial tiene varias limitaciones debido a que no detectan correlaciones
a largo plazo entre las variables y delimitan deficientemente las distribuciones de las fuentes
de variación de la calidad del agua superficial (Mustapha et al., 2012). Asimismo, Ling et
al. (2017) mencionan que el uso de grandes conjuntos de información física, química y
biológica para evaluar la calidad del agua mediante procesos descriptivos tiene poca
importancia directa para los tomadores de decisiones, dado que interpretar y analizar dichos
conjuntos de datos es una tarea compleja, especialmente dada la gran cantidad de variables
involucradas.

Las técnicas estadísticas multivariadas aplicadas a las ciencias ambientales tienen varias
ventajas para superar estas limitaciones, por ejemplo, ayudan en la interpretación de grandes
cantidades de datos complejos para comprender mejor la calidad del agua, permiten
identificar posibles factores que influyen en los sistemas hídricos y son una herramienta
valiosa para el manejo confiable de los recursos hídricos, así como una rápida solución a los
problemas de contaminación (Gujar y Tare, 2019; Siepak y Sojka, 2017; Mohamed et al.,
2015).

En la actualidad existen, a nivel internacional, varias aplicaciones de los métodos

multivariados en el estudio de la calidad del agua: por ejemplo, las técnicas estadísticas
multivariadas como el análisis discriminante (AD), análisis de regresión lineal múltiple
(RLM), análisis de conglomerados (AC), análisis factorial (AF) y análisis de componentes
principales (ACP) se utilizaron para la evaluación de la calidad de los ríos Tigris, Jácara,
Sosiani, Buriganga, Bangladesh y Tana (Nargis et al., 2021; Njuguna et al., 2020). Estos
estudios a través de la aplicación de los métodos antes mencionados determinaron aquellos
parámetros más significativos que influyen en la calidad del agua de los ríos y sus principales
fuentes de contaminación (Abed et al., 2019; Achieng et al., 2017; Mustapha et al., 2012).
Asimismo, Calazans et al. (2018) aplicaron las técnicas de ACP y AC para la optimización

2
de la red de monitoreo de la calidad de agua de la cuenca del río Paraopeba. El estudio
determinó cuales fueron las estaciones de monitoreos más importantes para la evaluación de
la calidad del agua de la cuenca y sus puntos críticos. Los estudios antes mencionados
demuestran la importancia de los métodos estadísticos multivariados como valiosos
instrumentos en la administración, control y preservación de la calidad del agua de los ríos.

En el Perú existen escasos trabajos relacionados al estudio de la calidad del agua desde un
enfoque multivariado, en especial en la cuenca del río Rímac. Estos pocos estudios utilizaron
técnicas como el ACP, AC, AD y AF, para evaluar la calidad del agua superficial de la
cuenca del río Rímac desde un enfoque químico, en un periodo de un año y con un número
limitado de estaciones (Espíritu, 2010) o evaluaron la calidad del agua del río Rímac en un
área específico de ella, bajo la recopilación de información de dos estaciones de monitoreo
en un periodo prolongado (Flores, 2017). La evaluación de las aguas superficiales con otras
técnicas jugaría un papel importante para la adecuada gestión de los recursos hídricos de esta
cuenca (Sotomayor, 2016). La cuenca del río Rímac es una de las más importantes del Perú
y es fuente principal de agua para la ciudad de Lima y Callao, una megaciudad costera de
américa latina que alberga a más de 10 millones de habitantes (ONU, 2016; INEI, 2019a,
2019b). Esta cuenca no solo abastece de agua potable a esta ciudad, sino también provee de
este recurso a otras actividades como la generación de energía, agricultura, minería e
industria (ANA, 2010). Sin embargo, a pesar de su importancia es una de las cuencas que
presenta niveles severos de contaminación (ANA, 2019). Lo que está conllevando a la
escasez de aguas dulce en esta ciudad, situación que puede empeorar debido a los efectos
adversos del cambio climático, sumando al inevitable, acelerado y desordenado crecimiento
poblacional (AQUAFONDO y PROACC, 2016; Njuguna et al., 2020).

Actualmente con el propósito de levantar información de la calidad de agua superficial de

la cuenca del río Rímac diversas entidades de estado peruano tales como la Dirección
General de Salud Ambiental e Inocuidad Alimentaria (DIGESA), el Servicio de Agua
Potable y Alcantarillado de Lima y Callao (SEDAPAL), la Autoridad Nacional del Agua
(ANA) y el Organismo de Evaluación y Fiscalización Ambiental (OEFA), han estableciendo
redes de monitoreo y realizado evaluaciones con el fin de velar por el cumplimiento de los
Estándares de Calidad Ambiental (ECA) para Agua. Sin embargo, la gran base de datos
generada es poco utilizada y analizada mediante técnicas más sofisticadas que proporcionen

3
herramientas valiosas a las autoridades competentes para la toma de decisiones estratégicas
en la gestión del agua (Flores, 2017; Tindade, 2013; Calazans, 2015).

Es por todo lo expuesto anteriormente que surge la necesidad de evaluar la calidad del agua
superficial de la cuenca del río Rímac mediante técnicas estadísticas multivariadas como el
AC y el ACP, para proveer herramientas en base científica que permitan desarrollar
estrategias de conservación y mejorar la gestión del agua en ésta cuenca.

En ese sentido el presente trabajo de investigación tiene los siguientes objetivos:

OBJETIVO GENENAL

 Evaluar la calidad del agua superficial en la cuenca del río Rímac, período 2011–
2018, mediante técnicas estadísticas multivariadas.

OBJETIVOS ESPECÍFICOS:

 Evaluar la variación espacial de la calidad del agua de la cuenca del río Rímac en el
período 2011-2018 mediante el análisis de conglomerado o clúster (AC).
 Identificar relaciones entre parámetros de calidad de agua usando el análisis de
conglomerado o clúster (AC)
 Identificar las fuentes principales de contaminación de calidad de agua más
importantes o relevantes empleando el análisis de componentes principales (ACP).

4
 II. REVISIÓN DE LITERATURA

2.1. El agua y su calidad

El agua forma la columna vertebral de la economía mundial y el desarrollo humano,

además es esencial para los sistemas vivos, los procesos industriales, la producción
agrícola y los usos domésticos (Hu, 2009). Si bien el agua es uno de los recursos más
abundantes del planeta, es un recurso renovable finito, que cubre el 71 por ciento de la
superficie terrestre, siendo el 97,5 por ciento del total agua salada, mientras que solo el
2,5 por ciento es agua dulce. Del total de agua dulce existente en nuestro planeta el 2,24
por ciento se encuentra en los glaciares, nieve, hielo de los cascos polares y agua
subterránea y solo el 0,26 por ciento es agua superficial de fácil acceso (Boyd, 2012).

Del porcentaje disponible para consumo humano, los ríos constituyen el principal
cuerpo de agua superficial accesible para las actividades domésticas, industriales y
agrícolas, y a menudo transportan grandes cantidades de aguas residuales municipales,
descargas de aguas residuales industriales y escorrentías estacionales (Singh et al., 2004;
Pradhan et al., 2009; Hu et al., 2012). Sin embargo, son estos cuerpos de agua más
susceptibles a la contaminación, lo que deteriora su calidad y reducen su disponibilidad.
La calidad del agua suele definirse como la condición en la que se encuentra un cuerpo
de agua disponible para un propósito en particular (Lemos, 2011; Boyd, 2012). Esta
condición está determinada por los parámetros físicos, químicos y biológicos que
describen dicho sistema. La variación de estos parámetros puede modificar la idoneidad
del agua requerida para los sistemas ecológicos naturales y los posibles usos por el ser
humano (Boyd, 2012).

La calidad del agua superficial en los ríos puede verse afectada por procesos naturales
y antrópicos (Flores, 2017). Un intercambio continuo de calidad del agua en la
naturaleza, se da a través del ciclo hidrológico (García. 2006), tal como se puede
apreciar en la Figura 1.

5
La calidad del agua superficial en los ríos puede verse afectada por procesos naturales
y antrópicos (Flores, 2017). Un intercambio continuo de calidad del agua en la
naturaleza, se da a través del ciclo hidrológico (García. 2006), tal como se puede
apreciar en la Figura 1.

Nota: P = precipitación, Qs = descarga de las aguas superficiales, Qg = descarga de las aguas subterráneas, Spr = manantiales, FQ
= inundaciones, EV = evaporación, EVT = evapotranspiración

Figura 1: Intercambios de calidad en un ciclo hidrológico natural

FUENTE: Adaptado de García (2006)

Por otro lado, las actividades humanas tales como: la urbanización, tala o plantación de
árboles, cultivo de plantas, extracción de agua para consumo humano o hidroeléctrico,
vertimiento de aguas residuales, construcción de carreteras, etc., alteraran la calidad del
agua (Flores, 2017). La Figura 2 muestra los procesos de intercambios antropogénicos
en el ciclo del agua.

6
Nota: R = extracción de aguas de diversas fuentes, RF = aguas de descarga después de ser utilizadas, C = aguas utilizadas por
procesos industriales, P = precipitación, EV = evaporación, EVT = evapotranspiración

Figura 2: Intercambios de calidad en el ciclo hidrológico modificado por actividades antropogénicas

FUENTE: Adaptado de García (2006)

Actualmente el hombre desempeña un papel importante en el ciclo hidrológico del agua,

por ende, en la disponibilidad y calidad de este recurso. Un estudio realizado por la
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura
(UNESCO) ha estimado que la demanda del agua se ha venido incrementada en un uno
por ciento al año a nivel mundial, desde los años 80 del siglo pasado, el mismo estudio
menciona que la escasez de éste recurso afecta a más del 40 por ciento de la población,
viéndose incrementado en hasta un 20 por ciento por efectos del cambio climático
(UNESCO, 2019). En tal sentido, evaluar la calidad de los recursos hídricos antes de
determinar medidas para controlar la contaminación del agua, implica establecer redes
de monitoreo que permitan recolectar muestras para el análisis de las características del
agua e interpretación de los datos recolectados, esta última es de suma importancia, ya
que la inadecuada interpretación de estos no ayudaría a brindar resultados efectivos para
la adecuada gestión de recursos hídricos (Asadollahfardi, 2015).

7
2.2. Análisis estadístico multivariado

El análisis estadístico multivariado es un conjunto de métodos estadísticos utilizados

para describir y analizar datos con muchas variables simultáneamente (Aldás y Uriel
2017). Éstos métodos son un mecanismo para encontrar patrones e interrelaciones entre
varias variables (Shrestha y Kazama, 2007; Njuguan et al., 2020). La estadística
multivariada se diferencia de las técnicas univariantes y bivariantes, en que las últimas
centran su atención en el análisis de la media, la varianza o correlación entre dos
variables; mientras que el análisis multivariado analiza las varianzas o correlaciones de
tres o más variables (Aldás y Uriel 2017). Dentro de sus principales ventajas se
encuentran, el que permiten trabajar con grandes bases de datos y predicen el impacto
del cambio de una variable sobre las otras variables (Njuguan et al., 2020).

Debido a sus innumerables ventajas sobre otras técnicas, estos métodos se han venido
utilizando y aplicando en diferentes áreas como; la Psicología, la Ciencias Sociales, la
Biología, la Educación, la Geografía, la Química, la Física, la Ingeniería, la Ergonomía,
etc. (Mingoti, 2007). Por lo que, las tecnologías computacionales implementados con
métodos estadísticos multivariados han sido una pieza clave en la implementación de
estas técnicas. Entre las diversas técnicas computacionales existentes para la aplicación
de estos métodos encontramos al software R, un software que presenta diversas ventajas
como, el de ser de dominio público, gratuito y con numerosos recursos disponibles
(Sartorío, 2008).

2.3. Clasificación de la estadística multivariada

Según Mingoti (2007) la estadística multivariada se puede clasificar de la siguiente

manera:

a. Técnicas exploratorias:

Estas técnicas promueven la simplicidad de la estructura de variabilidad de datos.

Se caracterizan por que la mayoría es independiente del conocimiento de la
distribución de probabilidad que genera los datos muestrales. Dentro de este grupo
se encuentran, el Análisis de componentes principales (ACP); Análisis factorial
(AF); Análisis de correlación (ACC); Análisis de conglomerados (AC); Análisis
discriminante (AD) y Análisis de Correspondencias (ACO).

8
 b. Técnicas de inferencia estadística:

Estas técnicas permiten extraer conclusiones sobre la población, utilizando la

información de una muestra multivariada. En este grupo de técnicas se encuentran,
el Análisis de Varianza Multivariante (MANOVA) y el Análisis de Regresión
Multivariada (ARM).

2.3.1. Data multivariada

Los datos multivariados consisten en observaciones de varias variables diferentes para

varios individuos u objetos. Los datos de este tipo surgen en todas las ramas de la
ciencia, desde la psicología hasta la biología (Cuadras, 2007).

Notación:
La denotación del número de variables se da por p y el número de individuos u objetos
(observaciones) por n, es así que tenemos un total de (n x p) medidas. Los valores de las
p variables en cada una de las observaciones se pueden representar en una matriz
denominada X de dimensiones (n x p) (Cuadras, 2007).
𝑥11 … 𝑥1𝑗 … 𝑥1𝑝
⋮ ⋱ ⋮ ⋱ ⋮
X= 𝑥𝑖1 … 𝑥𝑖𝑗 … 𝑥𝑖𝑝
⋮ ⋱ ⋮ ⋱ ⋮
𝑥𝑛1 … 𝑥𝑛𝑗 … 𝑥𝑛𝑝
( )

Se denota por Xrj al elemento genérico de esta matriz X, en el que Xrj representa la r- ésima
observación sobre la j-ésima variable (donde r = 1....... n y j = 1..... p).

2.3.2. Tratamiento de datos:

El primer paso para la aplicación de técnicas multivariadas es el tratamiento de datos,

por lo que, como parte inicial de este proceso se construye la matriz de datos originales,
para después hacer un análisis sobre los datos inconsistentes, faltantes y atípicos (Hair
et al., 2014).

Para el caso específico de datos faltantes, hay varios métodos de imputación de datos,
entre los que se encuentran: La eliminación de los casos que tengan un valor faltante o
la imputación. En esta última se tienen diferentes métodos de imputación, por ejemplo,

9
imputación por la media, por un valor constante, por regresión, por los k vecinos más
cercanos, etc. (Segura y Torres, 2014).

2.3.3. Coeficiente de correlación

Los coeficientes de correlación miden la fuerza de la relación entre dos variables

continuas. El cálculo de este indicador sirve generalmente para determinar si una
variable aumenta en la medida que la segunda aumenta o disminuye, o simplemente si
no hay dependencia entre ellas, cuando la asociación entre estas variables es lineal. Sin
embargo, se debe mencionar que, es posible construir ejemplos en los que dos variables
tienen correlación cero, pero dependen una de la otra, a menudo de forma no lineal
(Chatfield y Collins, 2018). Por otro lado, es importante indicar que este coeficiente no
proporciona necesariamente evidencia para la relación causal entre las dos variables,
dado que también pueden indicar que ambas variables comparten la misma causa
(Helsel y Hirsch, 2002).

Aunque existen numerosos coeficientes de correlación, por ejemplo, el ρ de Spearman,

τ de Kendall, coeficiente v de Cramér, correlación policórica, correlación biserial
puntual, el más común es el coeficiente de correlación de Pearson (Palacio et al., 2020).

2.3.4. Correlación de Pearson

El coeficiente de correlación de Pearson es una medida numérica que mide la fuerza de

relación lineal entre dos variables, el cual se denota mediante r. La correlación (r)
proporciona una medida estandarizada de la asociación lineal entre dos variables. El
valor de r varía de -1 a +1, donde el -1 indica una relación negativa perfecta entre los
parámetros y +1 una relación positiva perfecta. En otras palabras, una relación positiva
entre las dos variables, indica que cuando la variable independiente aumenta, la
dependiente también aumenta, mientras que una relación negativa indica lo contrario.
Un valor de cero (o cercano a cero) significa que los parámetros que se evalúan tienden
a no estar relacionados (Mustapha et al., 2013; Howladar et al., 2021). El coeficiente de
correlación (r) entre dos parámetros X e Y viene dado por la siguiente ecuación:

∑𝑛 ̅ ̅
𝑖=1(𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌)
𝑟= ………………………………(1)
√∑𝑛 ̅ 2 𝑛 ̅ 2
𝑖=1(𝑋𝑖 −𝑋 ) ∑𝑖=1(𝑌𝑖 −𝑌)

10
Donde, n representa el número de observaciones; 𝑋𝑖 𝑦 𝑌𝑖 son los puntos muestrales
individuales indexados en i; 𝑋̅ e 𝑌̅son la media muestral de los parámetros X e Y
(Zotou et al., 2019):

Daou et al. (2018), establece tres rangos para clasificar el grado de correlación entre
variables. Es decir, los coeficientes de correlación de Pearson con valores absolutos
superiores a 0,8 (|r| > 0,8) son considerados correlaciones “muy fuertes”; valores en el
rango de 0,6 y 0,79 (0,6 < |r| < 0,79) son correlaciones “fuertes” y entre 0,4 y 0,59 (0,4<
|r| < 0,59) se consideran correlaciones “moderadas”, para todos los casos, con una
significancia de 95 porciento de confiabilidad (p-valor < 0,05).

2.4. Técnicas estadísticas multivariadas

2.4.1. Análisis de conglomerados o clúster (AC)

El análisis de conglomerados (AC) es una técnica de reconocimiento de patrones no

supervisada que muestra la estructura intrínseca o el comportamiento subyacente de un
conjunto de datos sin hacer suposiciones a priori sobre estos, con el fin de agrupar los
individuos del sistema en conglomerados en función de su proximidad o similitud (Kazi
et al., 2009). El objetivo básico de esta técnica es encontrar las “agrupaciones naturales”,
de un conjunto de individuos, de manera que se cumplan dos criterios: el primero, que
los individuos asignados a un mismo grupo deben ser lo más semejantes posible entre
sí, y el segundo es que cada grupo debe ser lo más diferente posible de los demás grupos
(Pérez, 2004).

Si bien existen dos grandes tipos de análisis conglomerado o clúster, los jerárquicos y
no jerárquicos, los primeros son los más comunes en estudios de evaluación de la calidad
del agua. El análisis de clúster jerárquico (ACJ) proporciona relaciones de similitud
intuitivas entre cualquier muestra y el conjunto de datos completo, y generalmente se
ilustra mediante un dendrograma (diagrama de árbol) (McKenna, 2003).

El dendrograma proporciona un resumen visual de los procesos de agrupamiento,

presentando una imagen de los grupos y su proximidad, con una reducción dramática
en la dimensionalidad de los datos originales. Donde la distancia euclidiana se emplea
como un estándar de semejanza (distancia de enlace) para construir un dendrograma, y

11
el método de Ward es comúnmente utilizado para la agrupación (Njuguna et al., 2020).
La distancia euclidiana se define según la siguiente ecuación (Aldás y Uriel, 2017):

𝐷𝑖𝑗 = √∑𝑘𝑝=1(𝑥𝑖𝑝− 𝑋𝑗𝑝 )2 ………………………..(2)

Donde, 𝐷𝑖𝑗 es la distancia euclidiana entre dos individuos, Xip y Xjp son el valor que
toma la variable Xp, k es el espacio dimensional de las variables, e i y j son las dos
observaciones de las n posibles.

2.4.2. Análisis de componentes principales (ACP)

Esta técnica tiene por objeto transformar un conjunto de variables, a las que
denominaremos variables originales interrelacionadas (altamente correlacionadas), en
un nuevo conjunto de variables, que son una combinación lineal de las originales y a las
que denominaremos componentes principales (CP). Estas últimas se caracterizan por
estar incorrelacionadas entre sí (Shersta y Kazama, 2007; Pérez, 2004).

En términos generales una CP se puede expresar de acuerdo a la siguiente ecuación:

𝑍𝑖𝑗 = 𝑎𝑖1 𝑋1𝑗 + 𝑎𝑖2 𝑋2𝑗 + ⋯ ⋯ ⋯ 𝑎𝑖𝑚 𝑥𝑚𝑗 ………………………..(3)

Donde, Z es la puntuación del componente, 𝑎 es la carga del componente, X el valor

medido de la variable, i es el número del componente, j el número de muestra y m el
número total de variables (Singh et al., 2020).

El ACP es una técnica que no hace ninguna suposición acerca de la distribución de

probabilidad de las variables originales, es decir el ACP al ser una técnica no
paramétrica, no se ve afectada cuando los datos en estudio, no tienen tendencias
periódicas, no son homogéneos o por la presencia de valores perdidos, aunque
generalmente se puede dar más significado a los componentes en el caso en el que se
supone que las observaciones siguen un comportamiento normal multivariado (Pérez,
2004; Khaledian et al., 2018).

La varianza en esta técnica es una medida sobre la cantidad de información que lleva
incorporada cada componente. En otras palabras, cuanto mayor sea su valor, mayor es
la información que lleva incorporada dicha componente. Por esta razón se selecciona

12
como primera CP aquélla que tenga mayor varianza, mientras que por el contrario la
última CP es la de menor varianza. (Peña, 2002).

Para la retención de CP muchos autores han desarrollado numerosos criterios. A

continuación, se mencionan algunos de los criterios más utilizados según Peña (2002) y
Pérez (2004).

a. Criterio del gráfico de sedimentación:

Consiste en representar, en un gráfico de dos dimensiones las raíces características

ubicadas en el eje de ordenadas y en el eje de abscisas las CP en orden decreciente.
La unión de los puntos forma una figura parecida al declive de una montaña con
una pendiente fuerte hasta llegar a la base, formada por una meseta (lugar de
sedimentación) con una ligera inclinación. De acuerdo con el criterio gráfico se
retienen todas aquellas componentes previas a la zona de sedimentación.

b. Criterio del porcentaje de variabilidad explicada por algunos componentes:

De acuerdo a este criterio, se seleccionan aquellas componentes que determinen

un porcentaje de variabilidad acumulada de al menos 80 por ciento o 90 por ciento,
aunque estos porcentajes pueden variar dependiendo del tipo de investigación.

c. Criterio de Kaiser o Promedio de autovalores:

Este criterio establece la selección de aquellas CP que tengan un autovalor mayor

o igual a la unidad, aunque si existen algunas componentes que tengan valores
inferiores, pero muy próximos a uno y explican una cierta proporción de la
variabilidad total, también pueden ser seleccionadas.

El ACP al ser una técnica muy efectiva para la reducción de datos, generalmente
usa algún tipo de rotación, el más común la rotación Varimax. Este método de
rotación ortogonal, tiene por objetivo maximizar la variación entre los pesos de
cada CP para obtener una interpretación más precisa, en otras palabras, busca que
cada CP presente altas cargas para algunas variables y bajas cargas para otras,
facilitando su interpretación en términos de las variables originales (Pires et al.
2009; e Silva et al., 2019).

13
 Los factores de cargas o pesos de las variables que aportan a un CP determinado,
son los valores de los coeficientes resultantes de la ecuación lineal múltiple,
pudiéndose clasificar de acuerdo a su valor absoluto. Es así que factores de cargas
absolutas mayores a 0,75 (>0,75) considerados fuertes; factores de carga entre
0,50 y 0,75 (0,75 ≥ factor de carga absoluta >0,50) se consideran moderadas y los
que se encuentran entre 0,3 y 0,5 (0,5 ≥ factor de carga absoluta >0,3) son
considerados débiles (Khaledian et al., 2018; Abed et al., 2019). Una forma
gráfica de representar los resultados obtenidos por el ACP, son los biplots. Los
biplots son una generalización del diagrama de dispersión simple de dos variables.
En la que las variables originales están representadas por flechas según las cargas
obtenidas bajo los nuevos factores latentes (Flores, 2017). La longitud de la flecha
indica el tamaño de la desviación estándar de las variables originales, mientras
que el ángulo indica la correlación entre las variables (Mohamed et al., 2015;
Flores, 2017). Los individuos se muestran como puntos que significan sus
respectivos valores con respecto a los nuevos factores latentes. Esto es muy útil
para identificar grupos o individuos periféricos (Mohamed et al., 2015).

2.5. Estudios previos de la calidad del agua superficial en la cuenca del río Rímac

Desde inicios la DIGESA y en la actualidad la ANA, SEDAPAL, OEFA y otras

empresas principalmente mineras, establecieron redes de estaciones de monitoreo para
el seguimiento de la calidad de agua del río Rímac. Los datos son recolectados y
analizados mediante técnicas convencionales y comparados con los ECA, mas no se
toma en cuenta otras técnicas como los análisis multivariados que pueden ofrecer
innumerables beneficios (Flores, 2017).

Por otro lado, desde hace muchos años se han realizado estudios de calidad de agua en
la cuenca del río Rímac, los cuales se detallan a continuación:

Mayca (2019), evaluó la calidad de agua del río Rímac - sector Chicla. La investigación
muestra información histórica para un período de nueve años (2010-2018), asimismo
realiza monitoreos en época de estiaje del río Rímac en el año 2019. La información
recopilada es comparada con los ECA agua aprobado mediante D.S.002-2008-MINAM
(actualmente derogado). De la evaluación el autor encontró que parámetros como:
Arsénico (As), Antimonio (Sb), Manganeso (Mn), Hierro (Fe), Cadmio (Cd), pH,

14
Demanda Química de Oxígeno (DQO), coliformes totales (CT) y coliformes
termotolerantes (CTT) sobrepasaron los ECA en algunas épocas del año e indica que
esto se debería a fuentes naturales (formaciones geomorfológicas) y antropogénicas
tales como: efluentes industriales, pasivos mineros y desmontes mineros.

Flores (2017) realizó la evaluación de variación temporal de la calidad del agua del río
Rímac – sector Bocatoma “La Atarjea”, el estudio muestra información histórica de siete
años (2009-2015) en dos estaciones ubicadas en el río principal de la cuenca del río
Rímac, los datos recolectados fueron analizados mediante técnicas multivariadas, tales
como el AC, AD y ACP, llegando a determinar que la calidad del agua tiene diferencias
significativas en las tres épocas (estiaje, transición y avenida) respecto al caudal de agua
del río Rímac. Asimismo, menciona que los parámetros pH, oxígeno disuelto (OD), CT
y CTT no se diferencian entre épocas, mientras que los parámetros como caudal,
temperatura (T), turbidez, conductividad eléctrica (CE), sólidos disueltos (SD),
alcalinidad, dureza total, cloruros y Fe varían en las tres épocas. Los parámetros sulfatos,
nitratos, nitritos, fosfatos, cobre (Cu), aluminio (Al), Mn, plomo (Pb), zinc (Zn) y As
solo varían en las épocas de estiaje y avenida y el parámetro Cd varía entre las etapas
de transición y avenida. Finalmente indica que los parámetros de mayor relevancia para
la calidad del agua del río Rímac son la CE para la época de estiaje; cobre, zinc y Mn
en la época transición, y Al, Fe y Mn en épocas de avenida.

Juárez (2012) realizó un estudio de contaminación por metales pesados en la cuenca

baja del río Rímac para determinar el riesgo ambiental y el impacto sobre el suelo, el
agua y vegetales en la localidad de Carapongo. El estudio muestra información histórica
por un período de nueve años (1996-2004), implementada sobre un sistema de
información geográfica (SIG), una herramienta útil para analizar la tendencia de la
contaminación y evaluar las áreas de riesgo por determinados contaminantes, lo que
permite mapear áreas adecuadas para algún tipo de explotación y comprender
espacialmente el problema de contaminación de agua en la cuenca. La investigación
determinó que el contenido de Cd y cromo (Cr) en los nueve años del período de estudio
no sobrepasaron los Límites Máximos Permisibles (LMP) y fueron aceptables para el
riego de vegetales. Sin embargo, en tres y siete de los nueve años del período de estudio,
los parámetros As y Pb respectivamente han sobrepasado los LMP afectando la parte
baja de la cuenca, siendo las concentraciones no aceptables para el riego de vegetales.

15
Calla y Cabrera (2010) evaluaron los efectos del desarrollo de actividades mineras en la
calidad de las aguas del río Rímac. El estudio se centra en el distrito de San Mateo de
Huanchor ubicado en la provincia de Huarochirí del departamento de Lima, zona donde
se desarrolla la minera polimetálica desde los años 30 e indica que esta sería la principal
fuente de lixiviados a las aguas del río Rímac. La investigación en la calidad del agua
fue desarrollada en una serie de tiempo de diez años y toma como patrón de análisis a
los iones metálicos, los cuales se compararon con normativas nacionales e
internacionales. El estudio encontró, que los metales como Cd, Pb, Mn, As y Fe
sobrepasaban los estándares de calidad, por lo que tenían que recibir un tratamiento
correctivo.

Espíritu (2010), evaluó la calidad del agua del río Rímac, para el cual estableció una red
de monitoreo conformado por siete estaciones ubicados a lo largo del río Rímac y en
una de sus principales tributarios (río santa Eulalia), en la cuales se tomaron muestras
mensuales por un período de un año (julio 2008 a junio 2009) y se analizaron 20
parámetros físico químicos. Los datos obtenidos se analizaron mediante la aplicación
de técnicas estadísticas multivariadas como el AC, ACP, AF y AD. El AC y ACP fue
aplicado para la evaluación espacial y temporal de la calidad del agua del río Rímac. El
estudio concluye que hay una buena correlación entre los parámetros evaluados, lo que
permitió determinar las principales fuentes de contaminación de la calidad del agua del
río Rímac, siendo éstas la urbana, industrial, agrícola y geológica, asimismo, estimó en
un 94 por ciento la confiablidad de las características fisicoquímicas de las estaciones
clasificadas por las técnicas antes mencionadas.

16
 III. METODOLOGÍA

3.1. Materiales

3.1.1. Área de estudio

Los datos que se utilizaron para este estudio correspondieron a evaluaciones realizadas
en toda la cuenca del río Rímac. Esta cuenca políticamente se encuentra ubicada en
mayor proporción en el departamento de Lima y en menor en el departamento de Junín,
y geográficamente está comprendida entre las latitudes sur 11º 27’ 12” a 12º 10’ 39” y
meridianos 76º 03’ 02” a 77º 09’ 57” de longitud oeste (ANA, 2019). Cuenta con un
área total de 3 503. 9 km2 y una longitud de 145 km desde sus orígenes (nevado Pacay)
a 5 500 m.s.n.m hasta su desembocadura a 0 m.s.n.m en el Océano Pacífico (FFLA,
2015; K-WATER et al., 2015). Limita geográficamente por el norte con la cuenca del
río Chillón, por el sur con la cuenca del río Lurín, por el este con el río Mantaro y por
el oeste con el Océano Pacifico (ANA. 2019).

El caudal promedio anual de su río principal (río Rímac), incluyendo sus derivaciones
es de 27 m3 s-1 que equivalente a unos 850 Millones de Metros Cúbicos (MMC) anuales
(OA CHIRILU, 2019; AQUAFONDO y PROACC, 2016). La cuenca del río Rímac está
conformada por nueve subcuencas los cuales son: Bajo Rímac, Quebrada Jicamarca
(Quebrada Huaycoloro), Jicamarca - Santa Eulalia, Río Santa Eulalia, Santa Eulalia –
Parac, Quebrada Parac, Parac - Alta rio Rímac y Rio Blanco (ANA, 2019).

Dentro de las cuencas de la costa peruana, la cuenca del río Rímac es una de las más
explotadas, debido a que en esta se desarrollan actividades agropecuarias, industriales,
comerciales, de servicios (transporte, hotelería, restaurantes, entre otras), mineras y
energéticas (ANA, 2010). Además, abastece con hasta el 69 por ciento de agua
superficial a la ciudad de Lima y Callao, una megaciudad de América Latina de mayor
crecimiento poblacional que cuenta con más 10 millones de habitantes (INEI, 2019a,
2019b; AQUAFONDO y PROACC, 2016). Esta ciudad se encuentra en la parte baja de

17
las cuencas Chillón, Rímac y Lurín, siendo considerada la segunda ciudad más grande que
se ha desarrollado en un desierto costero después de El Cairo (Bergmann et al., 2021).
Actualmente este sistema hídrico está sufriendo el deterioro de la calidad y disponibilidad
de sus aguas, donde la baja calidad del agua está atribuida a los vertimientos de la actividad
minera (formal e informal), vertimientos de aguas servidas y residuos domésticos e
industriales, sumado al acelerado proceso de urbanización y crecimiento de la ciudad de
Lima, el cual se estima llegará a 14 millones de habitantes para el año 2040, lo cual generará
una mayor demanda de agua potable, así como elevadas pérdidas por el mal uso que se
hace del mismo (OA CHIRULU, 2017).

Figura 3: Mapa de delimitación hidrográfica de la cuenca del río Rímac

FUENTE: ANA, 2010

3.1.2. Estaciones de monitoreo

El monitoreo de la calidad del agua superficial en la cuenca del río Rímac se ha venido
desarrollando desde el año 2011 por dos instituciones. La primera, la DIGESA que
estableció una red de monitoreo conformada por 26 estaciones ubicados a lo largo de la
cuenca. Esta institución realizó la vigilancia de la calidad de las aguas superficiales de la
cuenca hasta el año 2011, periodo después del cual y hasta la actualidad la ANA es la
autoridad encargada de realizar la vigilancia de la calidad del agua en este sistema hídrico.

18
La ANA estableció una red de monitoreo conformada por un total de 25 estaciones (Tabla
1 y Figura 4), distribuidos de la siguiente manera:12 estaciones se ubican en los tributarios
o afluentes a la cuenca y las 13 estaciones restantes, en su río principal. Los tributarios en
las que se establecieron las 12 estaciones de monitoreo fueron: la quebrada Antarranra,
laguna Ticticocha, río Chinchan, río Blanco, río Aruri, río Mayo, laguna Canchis, quebrada
Leoncocha, quebrada Collque, río Santa Eulalia y Quebrada Huaycoloro, Laguna Canchis
y Laguna Titicocha (ANA, 2018).

3.1.3. Colección de datos

La base de datos del monitoreo de calidad del agua superficial en la cuenca del río Rímac
realizados por la DIGESA y la ANA, se obtuvieron de los informes técnicos públicos
(DIGESA, 2011a, 2011b, 2011c, 2011d, 2011e, 2011f, 2011g) y de los informes
proporcionados por la ANA, a través del mecanismo de acceso a la información pública,
(ANA 2012, 2013, 2014a, 2014b, 2014c, 2014d, 2015, 2016, 2017, 2018). La base de datos
comprende los siguientes informes:

 Evaluación de muestras de agua del río Rímac con datos de DIGESA y SEDAPAL -
19/20/26/27 de enero 2011.
 Evaluación de muestras de agua del río Rímac con datos de DIGESA y SEDAPAL -
09/10 de febrero 2011.
 Evaluación de muestras de agua del río Rímac y principales afluentes con datos de
DIGESA Y SEDAPAL - 09/10 de marzo 2011.
 Evaluación de muestras de agua del río Rímac y principales afluentes con datos de
DIGESA Y SEDAPAL - 13/14 de abril 2011.
 Evaluación de muestras de agua del río Rímac y principales afluentes con datos de
DIGESA Y SEDAPAL - 11/12 de mayo 2011.
 Evaluación de muestras de agua del río Rímac y principales afluentes con datos de
DIGESA Y SEDAPAL - - 15/16 de junio 2011.
 Evaluación de muestras de agua del río Rímac con datos de DIGESA Y SEDAPAL -
10/11/25/26 de agosto 2011.

19
 Tabla 1: Estaciones de monitoreo en la cuenca del río Rímac

Parte
Estaciones
Ubicación de la
de Monitoreo
cuenca
Río Chinchan, 100 m aguas abajo puente ferrocarril, Carretera Central, Alta
RChin1(T)
altura del KM 119.5
Quebrada Antaranra. 100 m aguas abajo del vertimiento de aguas Alta
QAnta1(T)
residuales de Volcán Compañía Minera - UM Ticlio
LTict1(T) Laguna Ticticocha, Carretera Central Km 127 de la carretera central Alta
Río Rímac, 150 m aguas abajo del vertimiento de aguas residuales Alta
RRima1 (RP)
Empresa Minera Los Quenuales S.A
Río Rímac, 220 m aguas abajo del vertimiento de aguas residuales de la Alta
RRima2 (RP)
compañía minera Casapalca S.A
Río Rímac, puente Anchi II,Carretera Central .Km 100, antes de unión Alta
RRima3 (RP)
con río Blanco
Río Rímac, 100 m aguas abajo del vertimiento Minera NYRSTAR Alta
RRima4 (RP)
CORICANCHA (Ex San Juan) antes de la confluencia con el río Aruri
Río Rímac, aguas arriba de la confluencia con el río Mayo (Puente Tambo Alta
RRima5 (RP)
de Viso), Carretera Central Km 83.5
RRima6 (RP) Río Rímac, 100 m aguas abajo del Puente Surco, Carretera Central Km 66 Alta
Río Rímac, 100 m aguas arriba del puente Ricardo Palma, Carretera Alta
RRima7 (RP)
Central Km 38 (Cancha de Grass sintético de la Municipalidad)
Río Rímac, 80 m aguas abajo del Puente Morrón, Carretera Central Km Media
RRima8 (RP)
23
Río Rímac, Bocatoma de la Planta de Tratamiento de Agua Potable Media
RRima9 (RP)
Huachipa
Río Rímac, Bocatoma 1, Planta de Tratamiento de Agua Potable la Baja
RRima10 (RP)
Atarjea
Río Rímac, Bocatoma 2, Planta de Tratamiento de Agua Potable la Baja
RRima11 (RP)
Atarjea
Río Rímac, 200 m aguas abajo del Puente Universitaria0. Av Morales Baja
RRima12 (RP)
Duárez (Parque chumpitaz)
RRima13 (RP) Río Rímac, 20 m aguas arriba del puente Néstor gambeta Baja
Sub Cuenca Río Blanco
RBlan1 (T) Río Blanco,20 m aguas debajo de Estación Meteorológica SENAMHI Alta
Sub Cuenca Río Aruri
Río Aruri 25 m aguas debajo de puente de madera artesanal y 20 m de la Alta
RArur1 (T)
descarga de la bocamina S/N (Millotingo)
Río Aruri 50 m antes de la confluencia con el río Rímac (ingreso por Alta
RArur2 (T)
Edegel)
Sub Cuenca Río Mayo
RMayo1 (T) Río Mayo, 50 m antes de la confluencia con el río Rímac Alta
Quebrada Huaycoloro
QHuay1 (T) Quebrada Huaycoloro, 40 m antes de la confluencia con el río Rímac Media
Sub Cuenca Santa Eulalia
LCanc1 (T) Laguna Canchis, antes de la salida hacia la quebrada del mismo nombre Alta
Quebrada Leoncocha, en el cruce con la carretera (1Km aguas debajo de Alta
QLeon1 (T)
la laguna Canchis)
Quebrada Collque, antes de la confluencia con el río Santa Eulalia o río Alta
QColl1 (T)
Macachaca
Río Santa Eulalia, 100 m aguas arriba del puente antes de confluencia con Alta
RSant1 (T)
el río Rímac
Nota: (T)=Tributarios; (RP)= Río Principal

20
  Informe Técnico – Resultados del monitoreo de la calidad del agua en la cuenca del
río Rímac – 2012, N°006-2012-ANA-DGCRH/JJOS.
 Informe Técnico – Resultados del primer monitoreo de la calidad del agua en la cuenca
del río Rímac – 2013, N°005-2013-ANA-DGCRH/RATQ.
 Segundo monitoreo participativo de la calidad del agua superficial de la cuenca del río
Rímac – 2013, N°072-2014-ANA-AAA.CF-ALA-CHRL/JLTV.
 Tercer monitoreo participativo de la calidad del agua superficial de la cuenca del río
Rímac – 2013, N°073-2014-ANA-AAA.CF-ALA- CHRL/JLTV.
 Primer monitoreo participativo de la calidad del agua superficial de la cuenca del río
Rímac – 2014, N°074-2014-ANA-AAA.CF-ALA- CHRL/JLTV.
 Informe del segundo monitoreo de la calidad del agua superficial de la cuenca del río
Rímac – 2014, N°020-2014-ANA- DGCRH- GOCRH.
 Resultados del monitoreo participativo de la calidad del agua superficial de la cuenca
del río Rímac – 2015, N°085-2015-ANA-AAA.CF/SDGSRH.
 Informe Técnico de resultados del primer monitoreo participativo de la calidad del
agua superficial de la cuenca del río Rímac – 2016, N°083-2016-ANA-AAA
CF/SDGSRH.
 Informe Técnico de resultados de monitoreo participativo de la calidad del agua
superficial de la cuenca del río Rímac – 2017, N°241-2017-ANA-AAA CF- ALA-
CHRL-AT/CLLC.
 Informe Técnico de resultados del monitoreo de la calidad del agua superficial de la
cuenca del río Rímac – 2018, N°182-2018-ANA-AAA CF- ALA-CHRL-AT/CLLC.
Los métodos de análisis de los parámetros evaluados en dichos informes fueron realizados
tomando las consideraciones de los Protocolos Nacionales de Monitoreo de Calidad de
Agua vigentes en su periodo (ANA, 2011, 2016).

21
Figura 4: Ubicación de las estaciones de monitoreo en la cuenca del río Rímac.

22
3.2. Procedimiento

3.2.1. Definición de estaciones y parámetros de estudio

El monitoreo de la calidad de las aguas superficiales en la cuenca del río Rímac se viene
llevando a cabo desde el año 2011 a cargo de instituciones del estado peruano tales como
DIGESA y ANA principalmente. De los informes reportados por las instituciones antes
mencionadas, durante el período 2011 a 2018 estas instituciones establecieron entre 25
y 26 estaciones de monitoreo a lo largo de la cuenca del río Rímac y analizaron entre 32
y 57 parámetros físico-químicos y microbiológicos de calidad de agua. Debido a que las
estaciones de monitoreo y los parámetros de calidad de agua no contaban con todos los
registros para el período en estudio, se definió un conjunto de datos para la
investigación.

La definición del conjunto de estaciones de monitoreo se realizó verificando la

representatividad de los datos en los años de monitoreo para período de estudio. Por lo
que, para obtener una amplia representación estadística, se optó por seleccionar
estaciones que fueron monitoreadas de manera continua o contaban con al menos 5 años
de registro, los 5 años mínimos de registro se estipuló debido a que en este período se
vio una gran cantidad de estación con serie de datos completos, este criterio también fue
establecido por otro estudio (Calazans, 2015).

La elección de parámetros estadísticamente representativos para el análisis de la calidad

del agua de la Cuenca del Río Rímac, se realizó en base a dos criterios. El primero, se
excluyeron parámetros que contaban con más del 90 por ciento de datos reportados por
debajo del límite de detección (LD) del método analítico de medición, debido a que no
mostraban variación significativa en la calidad del agua durante el período de estudio.
El segundo, su importancia ambiental y sanitaria en la interpretación de la calidad del
agua, para ello se comparó los registros de monitoreo de cada parámetro y por cada año
con el ECA para agua D.S N°004-2017-MINAM, según la categoría correspondiente,
se definió que los valores registrados por los parámetros no debieron superar el 50 por
ciento del ECA en su categoría, los criterios antes mencionados ya han sido utilizado en
otras investigaciones (Calazans, 2015; Calazans et al., 2018).

Estos procedimientos de definición de datos fueron muy importantes para la correcta

aplicación del análisis multivariado.
23
3.2.2. Análisis y pretratamiento de datos:

Una vez definidas las estaciones y parámetros de estudio, se procedió con el

pretratamiento de datos el cual consistió en el reemplazo e imputación de éstos,
siguiendo los siguientes procedimientos:

 Para aquellos parámetros que presentaron registros menores a su límite de detección

(LD) se procedió a reemplazar los mismos con valores iguales a la mitad del límite
de detección (LD/2) (Helsel, 2011; Palarea y Martín, 2013; Flores, 2017).

 Para aquellos parámetros que presentaron valores faltantes, se procedió a imputar

estos registros por el método del vecino más cercano (Flores, 2017). El cual es uno
de los 10 algoritmos más influyentes en la minería de datos y es aplicado en
numerosas técnicas de procesamiento de datos (Maillo, 2020). Este es un método
para clasificar casos basándose en su parecido a otros casos, siendo la distancia
entre dos casos una medida de disimilaridad. Los casos parecidos que se encuentran
próximos a éstos se les denomina vecinos. El número de vecinos más próximos que
deben examinarse se denomina k (IBM, 2021). El procedimiento consiste en
identificar la distancia entre la variable a imputar y cada una de la unidad restante
mediante alguna medida de distancia, por lo que se determina la unidad más cercana
a la variable a imputar, usando el valor de esta unidad cercana para imputar el dato
faltante (Castro y Ávila, 2006).

 Respecto de los valores atípicos, estos se analizaron individualmente para

determinar si se mantienen o se eliminan del análisis. Por lo que, primero se
identificaron para después evaluar su probabilidad de ocurrencia (Calazans, 2015).
Se encontró que éstos eran probables de ocurrir, dado que se presentaban en una
misma fecha de monitoreo y en casi todas las estaciones evaluadas, por lo que no
se pueden considerar como errores de medición o transcripción. Por ello se optó por
mantenerlos todos en los análisis.

La base de datos seleccionado resultó en 21 parámetros de calidad ambiental y 24

estaciones de monitoreo, evaluados durante el período 2011 a 2018. Los parámetros
seleccionados fueron: demanda química de oxígeno (DQO), demanda bioquímica de
oxígeno (DBO5), oxígeno disuelto (OD), conductividad eléctrica (CE), solidos
suspendidos totales (SST), temperatura (T), potencial de hidrogeno (pH), aluminio total
24
(Al), arsénico total (As), cadmio total (Cd), hierro total (Fe), manganeso total (Mn),
antimonio total (Sb), cromo total (Cr), plomo total (Pb), cobre total (Cu), zinc (Zn),
magnesio (Mg), calcio (Ca), sodio (Na) y coliformes termotolerantes (CTT). Mientras
que, las estaciones seleccionadas fueron: RChin1, QAnta1, LTict1, RRima1, RRima2,
RRima3, RRima4, RRima5, RRima6, RRima7, RRima8, RRima9, RRima10, RRima11,
RRima12, RRima13, RBlan1, RArur1, RArur2, RMayo1, QHuay1, LCanc1, QColl1 y
RSant1.

Una vez obtenido la base datos finales, se procedió a exportar y analizar los mismos con
el software R versión 4.3.0. (R Core Team 2020), bajo el software de código abierto
RStudio: Integrated Development Environment for R (RStudio, 2020).

3.2.3. Análisis exploratorio inicial

El análisis exploratorio inicial consistió en determinar los estadísticos descriptivos de la

base de datos bruta (no estandarizada), el cual se centró en el cálculo de los valores
máximos, mínimos, media, mediana, varianza, coeficiente de variación, desviación
estándar, coeficientes de asimetría y curtosis, con el objetivo de visualizar la variación
y exploración de la distribución de los datos.

3.2.4. Evaluación de la variación espacial de la calidad del agua de la cuenca del

río Rímac en el período 2011- 2018 mediante el AC.

Se aplicó el AC para agrupar las estaciones en estudio en base a las características

comunes que poseen (nivel de concentración de sus parámetros), de manera que las
estaciones dentro de un mismo grupo (clúster) son las más homogéneas posibles y
estaciones que pertenecen a diferentes grupos (clúster) son muy heterogéneos entre sí;
el nivel de similitud en el que se fusionan las estaciones se utiliza para construir un
dendrograma (Mustapha et al., 2014). El dendrograma permitió identificar de manera
visual las estaciones de monitoreo que presentan alta homogeneidad en la calidad de sus
aguas (sitios de monitoreo en el mismo grupo) y aquéllos con alta heterogeneidad (sitios
de monitoreo en diferentes grupos) (Calazans et al., 2018).

En este estudio, se aplicó el análisis conglomerado jerárquico (ACJ) que tiene a un

dendrograma como resultado final y se utilizó el método de Ward basado en una
transformación estandarizada (puntaje Z) como técnica de agrupación de clúster y la
distancia euclidiana como medida de similitud. Este enfoque ya ha sido ampliamente
25
utilizado en otros estudios de evaluación de la calidad de agua (Singh et al., 2020; Yilma
et al., 2019; Achieng et al., 2017; Mustapha et al., 2014).

La estandarización previa a la aplicación de la técnica multivariada consistió en obtener

un conjunto de datos donde la media y la varianza adquieren valores de 0 y 1,
respectivamente, la finalidad de este procedimiento previo fue minimizar y eliminar la
influencia de la varianza y las diferentes unidades de medida, obteniendo datos
adimensionales (Simeonov et al., 2004). La Figura 5 muestra de forma resumida el
procedimiento de la aplicación del ACJ en la evaluación espacial de la calidad el agua
del río Rímac.

Paso 1: Se calculó las distancias euclidianas entre todos los

pares de estaciones.

Paso 2: Se agrupó las dos estaciones con distancia

euclidiana mas bajas en un nuevo grupo o clúster.

Paso 3: Se volvió a calcular las distancias euclidianas

tanto para las estaciones restantes como para el grupo recién
formado en el paso 2, y luego se repitió el paso 2.

Paso 4: Se repitió el paso 3 hasta que todas las

estaciones formaron parte de un grupo o clúster.
Figura 5: Resumen de pasos de la aplicación del ACJ para la evaluación espacial de la calidad el agua del
río Rímac.
FUENTE: Adaptado de Zhao et al. (2015)

El ACJ se realizó con el software estadístico R (R Core Team 2020) bajo el software de
código abierto RStudio: Integrated Development Environment for R (Rstudio, 2020),
empleando la función hclust. La configuración a nivel de estaciones de monitoreo para
la aplicación del ACJ sobre la base de los datos constituidos por las concentraciones de
los parámetros de calidad de agua se presenta a continuación en la Tabla 2.

26
Tabla 2: Esquema de la base de datos para la aplicación del ACJ establecido para la agrupación de las
estaciones de monitoreo

Parámetros Estaciones de monitoreo

Estación 10

Estación 24
Estación 1

Estación 2

Estación 3

Estación 4

Estación 5

Estación 6

Estación 7

Estación 8

Estación 9

….
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Parámetro 1

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Parámetro 2

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Parámetro 21

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
Nota: obs=registros de monitoreo

Asimismo, se implementó el ACP para validar los resultados obtenidos por el ACJ, el
modo de aplicación y los pasos seguidos son similares a los descritos en el Ítem 3.2.6 de
este documento.

3.2.5. Identificación de relaciones entre parámetros de calidad de agua usando el

AC.

El AC se llevó a cabo sobre la matriz de datos recopilados en el periodo de estudio, con

la finalidad de evaluar la relación entre las variables o parámetros de calidad de agua.
Para ello se aplicó el análisis de conglomerado.

La aplicación del AC sirvió para agrupar los parámetros de la calidad del agua, de
manera que los parámetros dentro de un mismo grupo (clúster) sean los más
homogéneos posibles y los parámetros en diferentes grupos (clúster) muy heterogéneos
entre sí; el nivel de similitudes en el que se fusionan las estaciones se utiliza para
construir un dendrograma (Perez, 2005; Mustapha et al., 2014). El dendrograma
proporcionará un resumen visual de los procesos de agrupamiento, presentado como una
imagen de los grupos y su proximidad, con una reducción dramática en la
dimensionalidad de los datos originales (Ogwueleka, 2015).

27
 En este estudio, se aplicó el análisis conglomerado jerárquico (ACJ) que tiene a un
dendrograma como resultado final y se utilizó el método de Ward basado en una
transformación estandarizada (puntaje Z) como técnica de agrupación de clúster y la
distancia euclidiana como medida de similitud. Este enfoque ya ha sido ampliamente
utilizado en otros estudios de evaluación de la calidad de agua (Singh et al., 2020; Yilma
et al., 2019; Achieng et al., 2017 y Mustapha et al., 2014).

La estandarización previa a la aplicación de la técnica multivariada consistió en obtener

un conjunto de datos donde la media y la varianza adquieren valores de 0 y 1,
respectivamente, la finalidad de este procedimiento previo fue minimizar y eliminar la
influencia de la varianza y las diferentes unidades de medida, obteniendo datos
adimensionales (Simeonov et al., 2004).

El ACJ se realizó con el software estadístico R (R Core Team 2020) bajo el software de
código abierto RStudio: Integrated Development Environment for R (Rstudio, 2020),
empleando la función hclust. La configuración a nivel parámetros de la calidad del agua
para la aplicación del ACJ sobre la base de datos constituida por las concentraciones de
los parámetros de calidad de agua de las estaciones de monitoreo se presenta a
continuación en la Tabla 3.

Tabla 3: Esquema de la base de datos para la aplicación del ACJ establecido para la agrupación de los
parámetros de calidad de agua

Parámetros de la calidad del agua

Estaciones

monitoreo

Parámetro 1

Parámetro 2

Parámetro 3

Parámetro 4

Parámetro 5

Parámetro 6

Parámetro 7

Parámetro 8

Parámetro 9

Parámetro

Parámetro
de

….
10

21

obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Estación 1

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Estación 2

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Estación 24

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
Nota: obs=registros de monitoreo

28
La Figura 6 muestra de forma resumida el procedimiento de la aplicación del ACJ para
la identificación de relaciones de los parámetros de la calidad del agua del río Rímac.

Paso 1: Se calculó las distancias euclidianas entre todos los

pares de parámetros de calidad de agua.

Paso 2: Se agrupó los dos parámetros con distancia

euclidiana más baja en un nuevo grupo o clúster.

Paso 3: Se volvió a calcular las distancias euclidianas

tanto para los parámetros restantes como para el grupo
recién formado del paso 2, y luego repitió el paso 2.

Paso 4: Se repitió el paso 3 hasta que todos los

parámetros formaron parte de un grupo o clúster.
Figura 6: Resumen de pasos de la aplicación del ACJ para la identificación de relaciones de los
parámetros de la calidad del agua del río Rímac.
FUENTE: Adaptado de Zhao et al. (2015).

3.2.6. Identificación de las fuentes principales de contaminación de calidad de

agua más importantes o relevantes empleando el ACP.

Dado que esta técnica estadística requiere de la construcción de una matriz de

correlaciones que permita verificar la relación entre variables, en esta investigación se
utilizó el análisis de correlación de Pearson. Posterior a ello y antes de realizar el ACP,
se realizaron la prueba de Kaiser-Meyer-Olkin (KMO) y la prueba de Bartlett, a fin de
determinar si la técnica en mención podría considerarse como una herramienta
apropiada y útil para la reducción significativa en la dimensionalidad de los datos
(Gyawali et al., 2012; Yilma et al., 2019).

Un valor de KMO mayor a 0,5 indica la utilidad del ACP y una prueba de Bartlett con
un nivel de significancia menor de 0,05 muestra relaciones significativas dentro de las
variables (Abdullah et al., 2018; Napi et al., 2020). Asimismo, se realizó la
estandarización de los datos por parámetros, el cual consistió en obtener un conjunto de
datos donde la media y la varianza adquieren valores de 0 y 1, respectivamente, la
finalidad de este procedimiento previo fue minimizar y eliminar la influencia de la
varianza y las diferentes unidades de medida, obteniendo datos adimensionales
(Simeonov et al., 2004). Finalmente se aplicó el ACP, con el objetivo de reducir la
dimensionaldad de las variables en el conjunto de datos primarios, con el objetivo de
facilitar su visualización y análisis para la identificación de las principales fuentes de

29
contaminación en la cuenca del río Rímac. Es decir, transformó los parámetros
originales (correlacionadas) en nuevas variables llamadas componentes principales (CP)
(no correlacionadas), que fueron una combinación lineal de los parámetros originales
(Mustapha et al., 2012).

El ACP al ser una técnica no paramétrica, no se ve afectada cuando los datos en estudio,
no tienen tendencias periódicas, no sean homogéneos y por la presencia de valores
perdidos (Bouguerne et al., 2017; Khaledian et al., 2018). Los CP obtenidos se
sometieron a una rotación varimax para maximizar la diferencia entre los pesos o
factores de las variables originales y facilitar la interpretación de los datos. La rotación
Varimax es el método más común para el análisis de la calidad del agua superficial (e
Silva et al., 2019; Singh et al., 2020). Para establecer la cantidad de CPs a retener se
tomaron en cuenta dos criterios; el primero, el criterio de káiser (valor propio >1) y el
segundo criterio, la proporción de variabilidad explicada o acumulada del 75 por ciento
(Kılıç y Yücel, 2019; Vadde et al., 2018; Ewaid y Abed, 2017; Taoufik et al., 2017;
Hellar-Kihampa et al., 2014). La Figura 7 muestra de forma resumida el procedimiento
de la aplicación del ACP y la Tabla 4 muestra la configuración de los datos para la
aplicación del ACP.

Se determinó la matriz de correlación de los datos

analizados.

Se verificó la idoneidad de los datos para la aplicación del

ACP mediante las pruebas de Kaiser-Meyer Olkin (KMO) y
esfericidad de Bartlett.

Se extrajo los CP utilizando los criterios de Kaiser y

proporción de varianza acumulada.

Se realizó la rotación de las CP - mediante la rotación

ortogonal varimax.

Se procedió a la interpretación de la matriz.

Figura 7: Resumen del uso del ACP en el presente estudio.

FUENTE: Adaptado de eSilva et al. (2020).

30
Tabla 4: Esquema de la base de datos para la aplicación del ACP a nivel parámetros de calidad de agua

Estaciones Parámetros de la calidad del agua

monitoreo

Parámetro 1

Parámetro 2

Parámetro 3

Parámetro 4

Parámetro 5

Parámetro 6

Parámetro 7

Parámetro 8

Parámetro 9

Parámetro

Parámetro
de

….
10

21
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Estación 1

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
Estación 2

obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3

⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1 obs1
Estación 24

obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2 obs2
obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3 obs3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn obsn
Nota: obs=registros de monitoreo

Todos los análisis se realizaron con el software estadístico R (R Core Team, 2020) bajo
el software de código abierto RStudio: Integrated Development Environment for R
(Rstudio, 2020), empleando la función prcomp.

31
 IV. RESULTADOS Y DISCUSIÓN

4.1. Análisis exploratorio

En la Tabla 5 se muestran los resultados del análisis de estadística descriptiva (mínimo,

máximo, media, desviación estándar, varianza, asimetría y curtosis) de los parámetros de
calidad de agua evaluados en este estudio. Los Anexos 2 y 3 presentan los resultados a
detalle de las estadísticas descriptivas de los 21 parámetros por cada una de las 24
estaciones evaluadas. La conductividad eléctrica (CE) y la temperatura (T) presentaron un
rango de variación de 11 µS cm-1 a 2291,80 µS cm-1 y 3,18 °C a 31,48 °C respectivamente,
siendo la estación LTic1 quien presentó los valores mínimos y QHuay1 los valores
máximos, en ambos parámetros. El pH osciló entre los valores de 3,34 a 9,86 unidades,
presentándose el valor mínimo en la estación LCant1 y el valor máximo en la estación
RChin1. La demanda bioquímica de oxígeno (DBO5), demanda química de oxígeno (DQO)
y oxígeno disuelto (OD) variaron de 0,1 a 159 mg L-1; 1 a 553 mg L-1 y 0,54 a 12,03 mg L-
1
, respectivamente. La estación QHuay1 presentó los valores promedio máximos de DBO5
y DQO y el valor promedio mínimo de OD. El parámetro sólidos suspendidos totales (SST)
osciló entre los valores de 0,50 mg L-1 a 854 mg L-1, siendo la estación RSant1 la que
registró el valor promedio máximo.

Los metales como el Fe, Al y Mn fueron los elementos más abundantes en la cuenca del
río Rímac, mientras que el Cr, Cd y Sb fueron los menos abundantes. Las concentraciones
medias de los metales totales en orden decreciente en toda la cuenca, fueron Fe (2,97 mg
L-1), Al (1,76 mg L-1), Mn (1,17 mg L-1), Zn (0,87 mg L-1), Cu (0,1 mg L-1), Pb (0,04 mg
L-1), As (0,03 mg L-1), Cr (0,01 mg L-1), Cd y Sb (0,004 mg L-1). Asimismo, en la Tabla 6
se presentan las concentraciones promedio de los metales estudiados en función del ámbito
geográfico de la cuenca.

32
 Se observa que, los metales pesados siguieron el siguiente orden:
Fe>Mn>Al>Zn>Cu>Pb>As>Sb>Cr>Cd para la cuenca alta,
Fe>Al>Zn>Mn>Pb>Cu>As>Cr>Cd>Sb para la cuenca media y
Fe>Al>Zn>Mn>Cu>As>Pb>Cr>Cd>Sb para la cuenca baja.

Tabla 5: Estadísticos descriptiva de los 21 parámetros de calidad de agua

Desviació
Parámet Míni Asimetr Curtos
Rango Máximo Media n Varianza
ros mo ía is
Estándar
CE 539,92±17
2280,8 11 2291,8 344,45 118646,54 2,2 6,38
,05
T 14,73±0,3
28,3 3,18 31,48 5,82 33,85 0,25 -0,64
1
PH 6,52 3,34 9,86 8,05±0,04 0,9 0,8 -2,04 6,97
DBO 158 1 159 4,67±0,75 15,16 229,72 7,41 61,68
DQO 552 1 553 21,73±2,6 52,51 2757,56 6,53 51,14
OD 11,49 0,54 12.03 6,89±0,09 1,74 3,02 -0,71 1,12
SST 853,50 0,50 854 54,57±5,5 111,09 12340,39 3,9 17,25
Al 28,69 0,01 28,69 1,76±0,16 3,21 10,31 4,3 23,44
Sb 0,09 0,0005 0,09 0,004 0,01 0 4,65 23,87
As 0,47 0 0,47 0,03 0,04 0 5,48 45,96
Cd 0,10 0 0,10 0,04 0,01 0 7,44 88,07
Cr 0,44 0 0,44 0,01 0,03 0 11,89 156,49
Cu 1,17 0 1,17 0,1±0,01 0,15 0,02 3,3 14,56
Fe 61,35 0 61,35 2,97±0,34 6,94 48,12 5,36 33,38
Mn 50,55 0 50,55 1,17±0,21 4,30 18,5 7,62 67,46
Pb 1,41 0 1,41 0,04 0,09 0,01 8,96 114,49
Zn 44,65 0 44,65 0,87±0,13 2,72 7,4 12,08 177,39
Mg 33,52 0,30 33,82 9,50±0,27 5,37 28,88 1,59 2,9
Ca 77,78±2,1
241,57 20,08 261,65 39,97 1597,4 1,72 3,97
8
Na 22,41±2,6
540 1,57 541,57 48,37 2339,87 5,82 46,05
4
1178198,8
2300000 2300000 13225211, 174906213474
CTT 0 5± 14,67 234,86
00 00 28 923
654745,52
± Error estándar de la media

Las altas concentraciones de metales en la cuenca se pueden atribuir a fuentes naturales

(rocas y sedimentos) y fuentes antropogénicas tales como: las aguas residuales de minas,
residuos sólidos industriales, aguas residuales industriales, residuos de mina, minerales de
desecho, residuos de construcción, pasivos ambientales mineros, tuberías de drenaje y
residuos domésticos (ANA, 2015).

33
 Tabla 6: Estadísticas descriptivas de metales pesados en la cuenca del río Rímac

Cuenca Estadístico Al Sb As Cd Cr Cu Fe Mn Pb Zn
Mínimo 0.01 0 0 0 0 0 0 0 0 0
Máximo 20,78 0,09 0,47 0,1 0,03 0,79 61,35 50,55 1,41 44,65
Cuenca
Alta 1,21± 0,09± 1,98± 1,54± 0,04± 1,07±
Media 0,01 0,03 0 0,01
0,13 0,01 0,3 0,3 0,01 0,19
Desv. típ. 2,23 0,01 0,04 0,01 0,01 0,13 5,10 5,06 0,11 3,21
Mínimo 0,04 0 0,01 0 0 0,01 0,14 0,04 0 0,05
Máximo 20,33 0,01 0,12 0,01 0,44 0,16 50,35 1,07 0,34 1,53
Cuenca 0,03
Media 3,01± 0,05± 5,49± 0,27± 0,05± 0,40±
Media 0 0,03 0 ±
0,57 0,01 1,41 0,03 0,01 0,05
0,01
Desv. típ. 4,04 0 0,02 0 0,08 0,04 10,09 0,24 0,07 0,32
Mínimo 0,04 0 0,01 0 0 0,01 0 0,04 0 0
Máximo 28,69 0,01 0,19 0,01 0,12 1,17 51,49 1,13 0,3 1,71
Cuenca
Baja 3,17± 0,17± 5,3± 0,26± 0,04± 0,42±
Media 0 0,05 0 0,01
0,60 0,03 1,15 0,03 0,01 0,04
Desv. típ. 4,97 0 0,03 0 0,02 0,22 9,48 0,23 0,05 0,34
± Error estándar de la media
Las concentraciones medias de iones, en orden decreciente fueron calcio (Ca) (77,78 mg
L-1) Sodio (Na) (22,41 mg L-1) y magnesio (Mg) (9,50 mg L-1). Finalmente, la
concentración media de coliformes termotolerantes (CTT) fue 1178198,85 NMP 100mL-1,
registrando un valor máximo que llego a 230000000 NMP 100mL-1 en la estación QHuay1.

Los valores de curtosis y asimetría indican si la muestra sigue o no una distribución normal,
es decir un valor de curtosis y asimetría entre -2 y +2 indica que la muestra sigue una
distribución normal a un 95 por ciento de confianza (Groeneveld y Meeden, 1984;
Bouguerne et al., 2017). Los valores de curtosis y asimetría para los datos evaluados
mostraron que solo la T y OD siguen una distribución normal. La distribución asimétrica
o no normal son característicos de datos de calidad ambiental (Pinto et al., 2019). Se debe
mencionar que, el ACJ y ACP aplicados en este estudio, al ser técnicas no paramétricas no
se ven afectadas por la distribución de los datos (Kazi et al., 2009; Bouguerne et al., 2017;
Khaledian et al., 2018).

4.2. Evaluación de la variación espacial de la calidad del agua de la cuenca del río
Rímac en el período 2011- 2018 mediante el AC.

La Figura 8 presenta el correlograma de correlación de Pearson entre las estaciones de

monitoreo ubicadas en el río principal de la cuenca del río Rímac. En ésta se observa la
correlación positiva muy fuerte a un nivel de significancia del 5 por ciento, entre las
34
estaciones RRima1 y RRima7 (r=0,91); RRima2 y RRima3 (r=0,92), ubicadas en la cuenca
alta, y entre las estaciones RRima13 y RRima12 (r=0,81) de la parte baja de la cuenca. Las
muy altas correlaciones entre las estaciones indicarían que éstas tienen características
similares en la calidad del agua o comparten tipos de fuentes naturales y antropogénica
comunes (Calazans, 2015).

Figura 8: Correlograma entre estaciones de monitoreo ubicadas en el río principal de la cuenca del río Rímac.

El análisis de clúster jerárquico (ACJ) se aplicó sobre la base de datos constituida por las
concentraciones de los 21 parámetros de la calidad del agua, con la finalidad de determinar
grupos de similitud espacial entre las estaciones de monitoreo.

La Figura 9 muestra el dendrograma obtenido de la aplicación del ACJ a la matriz de datos

de calidad de agua de las estaciones de monitoreo ubicadas en el río principal de la cuenca
en estudio, en función a los 21 parámetros evaluados. En esta se puede observar la
formación de cuatro (04) grupos o clúster, a los que se les ha codificado como CL1, CL2,
CL3 y CL4. El clúster 1(CL1) agrupó a las estaciones RRima6, RRima5, RRima1 y
35
RRima7; el clúster 2 (CL2) a las estaciones RRima8, RRima2, RRima3, RRima12 y
RRima13; el clúster 3 (CL3) solo agrupó a la estación RRima9, mientras que las estaciones
RRima4, RRima10 y RRima11 se agruparon dentro del clúster 4 (CL4).

De un análisis interno por clúster se puede observar que, en el CL1 formado por las
estaciones RRima1, RRima7, RRima5 y RRima6, las dos primeras presentaron menores
distancias euclidiana, lo que estaría relacionado con la muy fuerte correlación (r=0,91)
entre ellas; mientras que, se visualiza mayores distancias entre las últimas lo que se
explicaría por las correlaciones moderadas y fuertes presentadas entre sí y con las otras dos
estaciones del mismo clúster (Figura 8). El CL1 agrupó a estaciones del río principal
ubicadas en la cuenca alta, que registraron medias multianuales que sobrepasaron el ECA
Categoría 1 subcategoría A2 en los parámetros As, Fe y Pb; y presentaron concentraciones
promedio multianuales de CTT superiores a 1500 NMP 100mL-1 en tres de las cuatro
estaciones agrupadas. La calidad de las aguas en estas estaciones se encuentra muy
influenciadas, por los posibles vertimientos domésticos proveniente de los centros
poblados Casapalca, Cocachacra, Ricardo Palma, Surco, Matucana, y San Mateo, y
actividades mineras ejecutadas por las empresas mineras Casapalca, Volcan, Quenuales,
Tamboraque, Millontingo, Pacococha, Colqui, Venturosa, Caridad, Lichicocha y
Cocachacraaguas; pasivos mineros, lixiviados de residuos sólidos municipales y peligrosos
(DIGESA, 2011; OA CHIRILU, 2019; ANA, 2018). Todo lo anterior explicaría las altas
concentración de los tres parámetros ante mencionados en el CL1.

De un análisis interno del CL2 se observa la formación de tres subgrupos, el primero

formado por la estación RRima8, el segundo por las estaciones RRima2 y RRima3 y el
último por las estaciones RRima12 y RRima13. Siendo el segundo y tercer subgrupo
quienes presentaron una menor distancia euclidiana entre las estaciones agrupadas, lo que
indica una mayor similitud en la calidad de sus aguas, y concuerda con las muy fuertes
correlaciones registradas entre estas estaciones (r=0,92 y r=0,81, respectivamente) (Figura
8).

36
Figura 9: Dendrograma resultante de la aplicación del ACJ a las estaciones de monitoreo ubicadas en el río principal de la cuenca del río Rímac

37
Asimismo, se evidenció que las estaciones agrupadas en el segundo subgrupo se encuentran
en la parte alta de la cuenca y registraron medias multianuales que superan el ECA
Categoría 1 subcategoría A2, en los parámetros Fe y Mn con concentraciones promedio
multianuales de CTT de 1400 NMP 100mL-1 (ver Anexo 2). Siendo las posibles fuentes de
estos contaminantes las descargas domésticas, municipales, lixiviados agrícolas,
vertimiento de aguas residuales minero metalúrgicas y lixiviados de pasivos ambientales
mineros (DIGESA, 2011; OA CHIRILU, 2019; ANA, 2018). Por otra parte, las estaciones
agrupadas en el tercer subgrupo se encuentran en la parte baja de la cuenca y registraron
medias multianuales que sobrepasaron el ECA Categoría 3 en los parámetros Cu, Mn y
CTT, y concentraciones promedio multianual de 8 mg L-1 y 36 mg L-1 de DBO y DQO,
respectivamente (ver Anexo 2). Los altos valores registrados en los parámetros antes
mencionados estarían relacionados con fuentes de contaminación como las descargas de
aguas residuales domésticas, municipales e industriales, lixiviados de residuos sólidos
municipales, de construcción y peligrosos, generados por el alto desarrollo urbano e
industrial en esta área de la cuenca (DIGESA, 2011; K–WATER et al., 2015; INEI, 2018).
Mientras que, la estación ubicada en el primer subgrupo se encuentra en la parte media de
la cuenca y registró medias multianuales que superan el ECA Categoría 1 subcategoría A2
en los parámetros As, Fe, Pb y CTT. Los hallazgos encontrados, sugerirían analizar la
idoneidad de las estaciones equivalentes en el segundo y tercer grupo, es decir, estaciones
que estarían brindando la misma información, ya que sufren impactos similares (Calazans,
2015).

Dentro del CL4 se formaron claramente dos subgrupos el primero formado por la estación
RRima4 y el segundo por las estaciones RRima10 y RRima11. Las estaciones del segundo
subgrupo mostraron una baja distancia euclidiana entre sí, pero mayor distancia que las
presentadas entre las estaciones RRima 2 y RRima 3; RRima12 y RRima 13 del CL2, y
RRima 1 y RRima7 del CL1, lo que es concordante con las correlaciones entre las
estaciones descritas, es decir los últimos pares de estaciones presentaron muy fuertes
correlaciones, mientras que las estaciones RRima10 y RRima11 presentaron correlación
moderada (r=0,53) (Figura 8). Bajas distancias euclidianas entre las estaciones agrupadas
indican una alta similitud en la calidad de sus aguas, lo que sugiere que las estaciones
estarían brindando la misma información, ya que sufren impactos similares (Calazans,
2015).

38
Asimismo, se evidenció que las estaciones agrupadas en el segundo subgrupo se encuentran
en la parte baja de la cuenca, específicamente en el margen derecho e izquierdo del río
Rímac y aguas abajo de la convergencia de las aguas de la quebrada Huaycoloro y el río
Rímac, siendo esta quebrada la más contaminada de la cuenca del río Rímac (ANA, 2010).
Estas estaciones registran medias multianuales que sobrepasan el ECA Categoría 1
subcategoría A2, en los parámetros As, Fe, Pb y CTT y presentan una concentración
promedio multianual de DQO de 17 mg L-1. Siendo las posibles fuentes de estos
contaminantes las descargas de aguas residuales domésticas e industriales, lixiviados de
residuos sólidos orgánicos, lixiviados agrícolas y efluentes de plantas de tratamiento de
aguas residuales (DIGESA, 2011; K-WATER et al., 2015; ANA, 2018). Por otro lado, la
estación ubicada en el primer subgrupo se encuentra en la parte alta de la cuenca y registró
medias multianuales que superan el ECA Categoría 1 subcategoría A2 en los parámetros
As, Cd, Fe y Mn. Donde sus posibles fuentes de contaminación vendrían a ser
principalmente las actividades mineras, los pasivos mineros, los lixiviados de residuos
sólidos municipales y peligrosos (DIGESA, 2011; OA CHIRILU, 2019; ANA, 2018).

El CL3 solo agrupó a la estación RRima9, estación que no presentó correlación o similitud
con ningunas de las 12 estaciones evaluadas. El agrupamiento por separado de esta estación
puede revelar la importancia de ésta en la evaluación de la calidad el río Rímac. La estación
se ubica en la cuenca media del río Rímac, y presenta promedios multianuales que
sobrepasan el ECA Categoría 1 subcategoría A2 en los parámetros As, Fe, Pb y CTT. Lo
que indicaría que las posibles fuentes de estos contaminantes vendrían a ser, el vertimiento
de aguas residuales domésticas, municipales e industriales; los botaderos de residuos
sólidos municipales, de construcción e industriales, y los lixiviados agrícolas (DIGESA
2011; K-WATER et al., 2015; ANA, 2018).

La Tabla 7 presenta los resultados de las pruebas Kaiser-Meyer-Olkin (KMO) y de

esfericidad de Bartlett aplicados a las 13 estaciones de monitoreo ubicadas en el río
principal de la cuenca en estudio en base a los 21 parámetros, durante el periodo 2011-
2018. El resultado de KMO obtenido fue de 0,63 (> 0,5) y la prueba de esfericidad de
Bartlett es muy significativa (0,00, p <0,05), lo que indica que el ACP se considera una
buena herramienta en la reducción de la dimensionalidad de los datos (Gyawali et al., 2012;
Yilma et al., 2019).

39
 Tabla 7: Pruebas de KMO y esfericidad de Bartlett de las estaciones de monitoreo ubicadas en el río
principal de la cuenca del río Rímac

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin 0,63
Chi-cuadrado aproximado 4629,11
Prueba de esfericidad de Bartlett gl 78
Sig. 0,000

Se realizó el ACP con rotación Varimax para reducir el gran conjunto de datos
multidimensionales a una pequeña cantidad de nuevas variables que podrían representar al
menos el 75 por ciento de la varianza total (Hellar et al., 2014). Se empleó la rotación
Varimax a fin de maximizar la varianza de cada uno de las cargas factoriales. Es el método
de rotación más común para el análisis de la calidad del agua superficial (Singh et al., 2020;
Raghvendra et al., 2019). La Tabla 8 presenta los resultados de la aplicación del ACP en
las 13 estaciones de monitoreo ubicadas en el río principal de la cuenca en estudio en base
a los 21 parámetros monitoreados durante el periodo 2011–2018.

Siguiendo el criterio de Kaiser (valores propios >1) se seleccionaron tres (03) CP que
explican el 70,88 por ciento de la varianza acumulada de los datos originales; sin embargo,
para cumplir con el segundo criterio (varianza acumulada > 75 por ciento) se seleccionó
adicionalmente un (01) CP, con el cual se logró explicar el 78,13 por ciento de la varianza
acumulada de los datos originales. Un valor propio superior a la unidad indica que una CP
contiene más información que una variable original, ofreciendo la oportunidad de reducir
la dimensionalidad de los datos (Yilma et al., 2019). Los factores de carga de las variables
originales que aportan a un CP en específico se enmarcaron en negrita. Asimismo, la
clasificación de los CP se llevó a cabo en función de los valores absolutos de las mismas,
es decir, las cargas factoriales en valor absoluto que se encuentren en los rangos de 0,30 a
0,50 (0,3<factor de carga ≤0,5), 0,50 a 0,75 (0,5<factor de carga ≤0,75) y mayores a 0,75
(> 0,75) se consideraron como cargas débiles, moderadas y fuertes, respectivamente
(Khaledian et al., 2018; Abed et al., 2019).

La primara CP (CP1) explicó el 40,45 por ciento de la varianza total y estuvo mejor
representada por las estaciones RRima2, RRima3, RRima8, RRima12, RRima13, las tres
primeras estaciones con fuertes cargas positivas y la última con una carga positiva
moderada. La segunda CP (CP2) explicó el 27,92 por ciento de la varianza total y estuvo
mejor representada por las estaciones RRima1, RRima5, RRima7 y RRima6, las tres

40
primeras estaciones con fuertes cargas positivas y la última con una carga positiva
moderada. La tercera CP (CP3) explicó el 12,50 por ciento de la varianza total y estuvo
mejor representada por las estaciones RRima4, RRima10 y RRima11, la primera con carga
positiva moderada y las dos últimas con fuertes cargas positivas respectivamente. La cuarta
CP (CP4) explicó el 7,26 por ciento de la varianza total y estuvo mejor representada por la
estación RRima9 que aportó con una fuerte carga positiva.

Tabla 8: Matriz de componentes principales de las estaciones de monitoreo ubicadas en el río principal de
la cuenca del río Rímac

CP1 CP2 CP3 CP4

RRima1 0,09 0,93 -0,02 0,00
RRima2 0,93 0,20 -0,03 0,04
RRima3 0,94 0,01 0,13 0,01
RRima4 0,12 0,43 0,64 -0,06
RRima5 0,11 0,76 0,07 0,13
RRima6 0,18 0,74 0,08 -0,07
RRima7 0,11 0,95 0,10 -0,01
RRima8 0,77 0,08 0,10 0,11
RRima9 0,16 0,03 0,04 0,97
RRima10 0,10 0,04 0,86 0,12
RRima11 0,12 -0,05 0,79 -0,03
RRima12 0,79 0,20 0,43 0,10
RRima13 0,73 0,58 0,09 0,10
Autovalores 5,26 2,33 1,63 0,94

% de la varianza 40,45 17,92 12,50 7,26

% de varianza acumulada 40,45 58,37 70,88 78,13

*Los valores en negrita y cursiva indican cargas fuertes y moderadas, respectivamente

Estos hallazgos coinciden con los resultados obtenidos por el método del ACJ (Figura 9),
donde los CL1, CL2, CL3 y CL4 corresponden a los CP2, CP1, CP4 y CP3 del ACP
respectivamente. Las relaciones entre variables, las dos primeras CPs rotadas se muestran
en la Figura 10. Las variables o estaciones más alejadas son las que aportan mayor
variabilidad (Mohamed et al., 2015). El grado de correlación entre variables se mide en
relación al ángulo formado por los vectores, es decir las variables más relacionadas se da
donde los vectores forman ángulos agudos, ángulos rectos muestran falta de correlación y
ángulos llanos indican relación inversa (Flores 2017; Mohamed et al., 2015).

41
 CP2 (17.92%)

CP1 (40.45%)
Figura 10: Biplot de las cargas de los dos primeros componentes extraídos luego de la rotación varimax
del ACP de las estaciones de monitoreo ubicadas en el río principal de la cuenca del río Rímac

En la Figura 10 se puede observar que sobre el CP1 las estaciones RRima2 y RRima3
aportan con mayor carga factorial positiva, mientras que, sobre el CP2 las estaciones
RRima1 y RRima7 son las que aportan mayor en la variabilidad. Por otro lado, sobre el
CP1 se formó un grupo, compuesto por tres subgrupos: el primer subgrupo formado por
las estaciones RRima2, RRima3, RRima8, RRima12 fuertemente relacionados; el segundo
subgrupo formado por la estación RRima13 y el tercer subgrupo formado por las estaciones
RRima9, RRima10 y RRima11 que no aportan en gran medida a la variabilidad. Sobre el
CP2 se formó un grupo compuesto por las estaciones RRima1, RRima7, RRima5, RRima6
y RRima4, esta última no aporta mucho a la información sobre la calidad del agua.

42
Figura 11: Correlograma entre estaciones de monitoreo ubicadas en los tributarios de la cuenca del río
Rímac.

La Figura 11 muestra el correlograma entre las estaciones de monitoreo ubicadas en los

afluentes o tributarios de la cuenca del río Rímac. Se puede observar muy fuertes
coeficientes de correlación positivas entre la estación RMayo1 con las estaciones
LCanc1(r=0,96), QAnta1 (r=0,89), LTict1(r=0,88), QColl1 (r=0,93), RArur2 (0,89), y
RArur1 (r=0,95); entre la estación LCanc1 con las estaciones QAnta1 (r=0,94), QColl1
(r=0,94), LTict1 (r=0,9), RArur2 (r=0,89) y RArur1 (r=0,93); entre la estación QAnta1
con las estaciones LTict1 (r=0,85), QColl1 (r=0,92), RArur2 (r=0,8) y RArur1 (r=0,89);
entre la estación LTict1 con las estaciones QColl1 (r=0,88) y RArur1 (r= 0,88); entre la
estación QColl1 con las estaciones RArur1 (r=0,92) y RArur2 (r=0,81) y entre las
estaciones RArur1–RArur2 (r=0,87) a un nivel de significancia del 5 por ciento. Las muy
altas correlaciones entre las estaciones indicarían que éstas tienen características similares
en la calidad del agua o comparten tipos de fuentes naturales y antropogénicas comunes
(Calazans, 2015).

43
La Figura 12 muestra el dendrograma obtenido de la aplicación del ACJ a la matriz de
datos de calidad de agua de las estaciones de monitoreo ubicadas en los tributarios de la
cuenca en estudio, en función a los 21 parámetros evaluados. En esta se observa la
formación de tres (03) grupos o clúster a los que se les ha codificado como CL1, CL2 y
CL3. El clúster 1(CL1) agrupó a las estaciones RArur1, RArur2, LTict1, QAnta1, QColl1,
LCanc1 y RMayo1; el clúster 2 (CL2) solo agrupó a la estación RSant1, mientras que las
estaciones RBlan1, QHuay1 y RChin1 se agruparon dentro del clúster 3 (CL3).

El CL1 agrupó a las estaciones que estuvieron muy fuertemente correlacionadas y ubicadas
en la parte alta de la cuenca (Figura 11), lo que fue concordante con la ubicación de las
subcuencas, reflejando también su proximidad geográfica. Éstas estaciones registran
medias multianuales relativamente altas en los en los parámetros As, Cd, Fe, Pb y Zn, y
presentan una baja concentración promedio multianual de DBO (1.4 mg L-1) y CTT (15
NMP 100mL-1) (Ver Anexo 3). Lo antes mencionado indicaría una mayor contaminación
por metales, que provendrían de fuentes naturales y de actividades antrópicas como el
vertimiento de aguas residuales mineras, relaves y pasivos ambientales mineros (K -
WATER et al., 2015; ANA, 2018).

Los clústers CL2 y CL3, agruparon a estación que no mostraron correlación alguna entre
sí y con las demás estaciones en estudio (Figura 11). La estación QHuay1 del CL3 está
ubicada en la quebrada Huaycoloro y en la parte de media de la cuenca, y es conocida por
ser una quebrada muy impactada que tiene características que la distinguen de las demás,
es decir con una alta densidad poblacional y nivel de industrialización (K-WATER et al.,
2015; ANA, 2018). Esta estación mostró promedios multianuales extremadamente altos
que sobrepasaron el ECA Categoría 1 subcategoría A2 en los parámetros CE, DBO, DQO,
CTT, Fe, As, Cr y Pb y niveles muy bajos de OD (Ver Anexo 3).

44
Figura 12: Dendrograma de la aplicación del ACJ a las estaciones de monitoreo ubicadas en los tributarios de la cuenca del río Rímac

45
Esta quebrada recibe vertimientos autorizados de las empresas Gloria S.A y CBC
Manufactura S.A.C, especializadas en rubro de la industria alimentaria y posibles fuentes
de materia orgánica, además se registra hasta 210 fuentes de contaminación, entre ellas
vertimientos de aguas residuales domésticas, municipales e industriales, lixiviados de
residuos sólidos municipales, de construcción y lixiviados agrícolas que aportarían en el
incremento de los parámetros antes mencionados (K- WATER et al., 2015; ANA, 2018).

Las estaciones RBlan1 y RChin1 del mismo clúster (CL3) se encuentran ubicadas en las
subcuencas del río Blanco y Alto río Rímac de la cuenca alta del río Rímac,
respectivamente, estas presentan promedios multianuales que no sobrepasaron el ECA
Categoría 1 subcategoría A2 en los parámetros de estudio (Ver Anexo 3), lo que podría
indicar que las estaciones no presentan contaminación, y que la no correlación entre sí y
con las demás estaciones (Figura 11) mostrarían sus características particulares, por lo
que serían de relevancia en los monitoreos de calidad de agua del río Rímac (Trindade,
2013).

La estación RSant1 del CL2 se encuentra ubicada en la cuenca alta del río Rímac, pero
alejada de las demás estaciones del CL1, esta estación presenta promedios multianuales
que sobrepasaron el ECA Categoría 1 subcategoría A2 en los parámetros As, Fe, Pb y CTT.
Además de un promedio multianual de 11 mg L-1 en el parámetro DQO (Ver Anexo 3). Lo
que indicaría contaminación por efluentes domésticos, posiblemente provenientes de los
centros poblados Huanza, Caranpoma, San Juan de Iris, San Lorenzo de Huachupampa,
San Pedro de Casta, Callahuanca y Santa Eulalia, sumado a los vertimientos de aguas
residuales de mina, relaves mineros, lixiviados agrícolas, lixiviados de residuos sólidos
municipales y de construcción (K-WATER et al., 2015; ANA 2018).

La Tabla 9 presenta los resultados de las pruebas Kaiser-Meyer-Olkin (KMO) y de

esfericidad de Bartlett aplicados a las 11 estaciones de monitoreo ubicadas en los tributarios
de la cuenca en estudio en base a los 21 parámetros monitoreados durante el periodo 2011
- 2018. El KMO obtenido fue de 0,88 (> 0,5) y la prueba de esfericidad de Bartlett es muy
significativa (0,00, p <0,05), lo que indica que el ACP se considera una buena herramienta
en la reducción de la dimensionalidad de los datos (Gyawali et al., 2012; Yilma et al.,
2019).

46
 Tabla 9: Pruebas de KMO y esfericidad de Bartlett de las estaciones de monitoreo ubicadas en los
tributarios de la cuenca del río Rímac

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. 0,88
Chi-cuadrado aproximado 4653,35
Prueba de esfericidad de Bartlett gl 55
Sig. 0,00

Se realizó el ACP con rotación Varimax para reducir el gran conjunto de datos
multidimensionales a una pequeña cantidad de nuevas variables que podrían representar al
menos el 75 por ciento de la varianza total (Hellar et al., 2014). Se empleó la rotación
Varimax a fin de maximizar la varianza de cada uno de las cargas factoriales. La Tabla 10
presenta los resultados de la aplicación del ACP en las 11 estaciones de monitoreo ubicadas
en los tributarios de la cuenca en estudio en base a los 21 parámetros monitoreados durante
el periodo 2011–2018.

Tabla 10: Matriz de componentes principales de las estaciones de monitoreo ubicadas en los tributarios de
la cuenca del río Rímac

CP1 CP2 CP3

LCanc1 0,97 0,09 0,01
LTict1 0,92 0,10 0,00
QAnta1 0,94 0,10 0,00
QColl1 0,96 0,11 0,03
QHuay1 -0,13 0,81 -0,09
RArur1 0,96 0,11 0,02
RArur2 0,89 0,11 0,01
RBlan1 0,13 0,39 0,19
RChin1 0,25 0,71 -0,02
RMayo1 0,97 0,09 0,01
RSant1 -0,03 0,04 0,98
Autovalores 6,47 1,27 1,00
% de la varianza 58,81 11,54 9,10
% de varianza 58,81 70,35 79,45
acumulada
*Los valores en negrita, cursiva y subrayado indican cargas fuertes,
moderada y débiles, respectivamente

Siguiendo el criterio de Kaiser (valores propios >1) se seleccionaron tres (03) CP que
explican el 79,45 por ciento de la varianza acumulada de los datos originales, los cuales
cumplieron además el segundo criterio. Las cargas factoriales de las variables originales
que aportan a un CP en específico se enmarcaron en negrita. La primera CP (CP1) explicó
el 58,81 por ciento de la varianza total y estuvo mejor representada por las estaciones
47
LCanc1, LTict1, QAnta1, QColl1, RArur1, RArur2. RMayo1 las siete estaciones con
fuertes cargas positivas. La segunda CP (CP2) explicó el 11,14 por ciento de la varianza
total y estuvo mejor representada por las estaciones QHuay1, RChin1 y RBlan1 con carga
fuerte, moderada y débil, respectivamente. La tercera CP (CP3) explicó el 9,10 por ciento
de la varianza total y estuvo mejor representada por la estación de monitoreo RSant1 que
aportó con una fuerte carga positiva. Estos hallazgos coinciden con los resultados obtenidos
por el método del ACJ (Figura 12), donde los CL1, CL2 y CL3, corresponden a los CP1,
CP3 y CP2, del ACP, respectivamente.
CP2 (11.54%)

CP1 (58.81%)

Figura 13: Biplot de las cargas de los dos primeros componentes extraídos luego de la rotación varimax
del ACP de las estaciones de monitoreo ubicadas en los tributarios de la cuenca del río Rímac

Las relaciones entre variables y CPs rotadas se muestran en la Figura 13. Sobre el CP1 las
estaciones LCanc1, LTict1, QAnta1, QColl1, RArur1, RArur2, RMayo1 aportan con
mayor carga factorial positiva, mientras que, sobre el CP2 las estaciones QHuay1 y RChin1
son las que aportan mayor variabilidad.

48
4.3. Identificación de las relaciones entre parámetros de calidad de agua usando el
AC.

La Figura 14 muestra el correlograma entre los parámetros monitoreados en el río principal

de la cuenca del río Rímac. Se evidencia una correlación positiva muy fuerte entre el Fe y
los SST (r=0,88), una correlación fuerte positiva entre los parámetros Fe-Pb (r=0,6), Zn-
Cd (r=0,76), Mn-Sb (r=0,64) y Sb-Mg (r=0,63); y una correlación fuerte pero negativa
entre la T y el Mn (r=-0,61) a un nivel de significancia del 5 por ciento. Los parámetros
que mostraron una correlación significativa se pueden haber originado de fuentes similares
o tener características comparables (Makokha et al., 2015; Njuguna et al., 2020; Saha y
Rahman, 2018).

Figura 14: Correlograma entre parámetros monitoreados en el río principal de la cuenca del río Rímac

49
Figura 15: Dendrograma exploratorio de los 21 parámetros de calidad de agua evaluados en las estaciones ubicadas en el río principal de la cuenca.

50
La Figura 15 muestra el dendrograma obtenido de la aplicación del ACJ a la matriz de
datos de calidad de agua de los 21 parámetros evaluados en las estaciones de monitoreo
ubicadas en el río principal de la cuenca. En ella se puede observar la formación de ocho
(08) grupos o clúster, a los que se ha codificado como CL1, CL2, CL3, CL4, CL5, CL6,
CL7 y CL8. El clúster 1(CL1) agrupó a los parámetros T, OD, CTT y DBO; el clúster 2
(CL2) al Pb y Na; el clúster 3 (CL3) a los SST y Fe; el clúster 4 (CL4) al As y Al; el clúster
5 (CL5) a la DQO y el Cu; el clúster 6 (CL6) al pH, Cr, Cd y Zn; el clúster 7 (CL7) al Mn,
Sb y Mg, mientras que, la CE y el Ca se agruparon en el clúster 8 (CL8).

Los parámetros que muestran distancias euclidianas mínimas en los clúster o grupo
demuestran su poder de influencia entre ellos y comportamientos similares durante las
variaciones estacionales y temporales (Bhuyan et al., 2019). Los SST y Fe presentan un
fuerte vínculo en el CL3, lo cual es concordante con la correlación positiva muy fuerte
entre estos parámetros (r=0,88). Esto puede indicar que, gran porcentaje del Fe se
encuentra en las aguas superficiales del río Rímac en forma de materia suspendida
(Espíritu, 2010). El Cd y Zn también muestran un vínculo fuerte pero menor que SST y Fe,
esto concuerda con su correlación positiva fuerte registrada (r=0,76). El Sb, Mn y Mg se
encuentran en el CL7 con una mayor distancia que los parámetros del CL3 y CL6, lo que
está acorde con los valores de correlación reportados por estos parámetros (r=>0,4). Esto
sugeriría que los metales antes mencionados tendrían una fuente común de contaminación,
al igual que los parámetros agrupados en el CL2 (Pb y Na) (Saha et al., 2018).

El agrupamiento de la CE y el Ca y en menor medida con Mg, Sb, Mn sugeriría que éstos

iones son importantes contribuyentes al grado de mineralización del agua (Neiva et al.,
2019). La CE representa la capacidad del agua para conducir corriente eléctrica y está muy
ligado a la concentración de sustancias ionizadas en el agua, debido a que éstos son los
conductores (Mustapha et al., 2013; Taoufik et al., 2017). Asimismo, el agrupamiento y
correlación moderada registrado entre la CE y los iones Ca (r=0,43) y Mg (r=0,47)
indicaría que, estos son los principales aportantes de este parámetro, además de ser los
principales iones que controlan la mineralización del agua, proceso que dependen de
factores como la disolución del mineral, la solubilidad del mineral, el intercambio iónico,
la evaporación y las actividades antropogénicas (Bouguerne et al., 2017). La agrupación
del pH y correlación moderada registrada con el Cr (r=0,5) y Cd (r=0,44), reflejaría la

51
influencia que ejerce este parámetro en la solubilidad de estos metales (El Sayed et al.,
2020).

El CL1, CL4, CL5 agruparon a parámetros que mostraron una correlación baja o nula entre
sí y rcon los otros parámetros (Figura 14), lo cual también se visualiza en el dendrograma
a través de las mayores distancias euclidianas. Otros estudios encontraron que la relación
no lineal entre el OD y la DBO en el agua se debe a las condiciones anaeróbicas en el río
debido a la alta concentración de materia orgánica disuelta; sin embargo, estas son
condiciones no registradas en el río principal, ya que los valores promedios del OD
cumplen con los ECA agua, superando los 5 mg L-1 (el mínimo establecido) (Singh et al.,
2004; Shrestha y Kazama 2007; Wu et al., 2009). Asimismo, la no correlación entre la
DBO y DQO, indica que la mayor parte del material orgánico no es biodegradable (Barakat
et al., 2016; Mustapha et al., 2014). Una baja o nula correlación entre los parámetros As,
Al, DQO y Cu indicaría que provienen de fuentes de contaminación diferente (Saha et al.,
2018).

Figura 16: Correlograma entre los parámetros monitoreados en tributarios de la cuenca del río Rímac

52
La Figura 16 muestra el correlograma entre parámetros monitoreados en los tributarios de
la cuenca del río Rímac. Se evidencia una correlación positiva muy fuerte entre el Cd-Zn
(r=0,91), Zn-Mn (r=0,84), Fe-SST (r=0,82), Mg-Ca (r=0,86) y Ca-CE (r=0,81).
Asimismo, se registra una correlación positiva fuerte entre los parámetros Cd-Mn (r=0,75),
Mn-Sb (r=0,66), Pb-Fe (r=0,63), Pb-SST (r=0,6), Mg-CE (r=0,78) y DQO-DBO (r=0,79)
a un nivel de significancia del 5 por ciento.

La Figura 17 muestra el dendrograma obtenido de la aplicación del ACJ a la matriz de

datos de calidad de agua de los 21 parámetros evaluados en las estaciones de monitoreo
ubicadas en los tributarios de la cuenca. En ella se puede observar la formación de seis (06)
grupos o clúster, a los que se ha codificado como CL1, CL2, CL3, CL4, CL5 y CL6. El
clúster 1(CL1) agrupó a los parámetros T, Mg, Ca, CE, Na, Cr, DBO y DQO; el clúster 2
(CL2) agrupó al Sb, Mn, Cd y Zn; el clúster 3 (CL3) agrupó al Pb, SST y Fe; el clúster 4
(CL4) agrupó al OD y pH; el clúster 5 (CL5) agrupó a los CTT y el Al, mientras que, el As
y Cu se agruparon en el clúster 6 (CL6).

Los parámetros que muestran distancias euclidianas mínimas en los clúster o grupos
demuestran su poder de influencia entre ellos y comportamientos similares durante las
variaciones estacionales y temporales (Bhuyan et al., 2019). Para el caso específico, el Ca-
Mg; y la DBO-DQO muestran un muy fuerte y fuerte vínculo en el CL1, lo cual es
certificado por sus altos valores de correlación (r=0,86 y r=0,79, respectivamente). El Cd y
Zn del CL2 también muestran un muy fuerte vínculo, lo cual concuerda con su muy fuerte
correlación (r=0,91). El mismo muy fuerte vínculo se registra entre los parámetros SST y
Fe del CL3, el cual coincide con su muy fuerte correlación (r=0,82).

El CL1 agrupó a parámetros muy correlacionados entre sí. Entonces la agrupación de la

DBO, DQO y Cr, indicaría que este último contaminante está asociado a la materia
orgánica, esto debido a que la presencia de compuestos orgánicos en el agua del río
desempeña un papel vital en la eliminación de las especies de Cr (III) mediante la formación
de complejos orgánicos de Cr+3 en el sistema acuoso (Nargis et al., 2021). Por otro lado, la
agrupación entre la DBO y DQO indica la presencia de materia orgánica altamente
biodegradable (Mustapha et al., 2014).

53
Figura 17: Dendrograma exploratorio de los 21 parámetros de calidad de agua evaluados en las estaciones ubicadas en los tributarios de la cuenca.

54
Asimismo, el agrupamiento de la CE, Ca, Mg y Na indicaría que los tres cationes son los
principales aportantes de la CE y responsables del grado de mineralización del agua
(Mustapha et al., 2014). La correlación entre la CE y T sugeriría que en épocas con altas T
la CE aumenta favorecida por el proceso de evaporación del agua, mientras que en meses
de bajas temperaturas este parámetro disminuye debido a la dilución por escorrentía
(Taoufik et al., 2017).

El agrupamiento de metales como el Mn, Cd, Zn, Al y Cu en el CL3, sugiere una fuente
común a través de la cual ingresan al río y la influencia en su disponibilidad o toxicidad;
por ejemplo, un estudio mencionó que la presencia de Mn en el agua puede incrementar los
niveles de toxicidad de otros metales, particularmente Cd (Adesiyan et al., 2019). Por otro
lado, la asociación de los SST, Fe y Pb en el CL2 indicaría que gran porcentaje de los
minerales que contienen estos metales son depositados en los sedimentos del agua a partir
de los procesos de meteorización y erosión de las rocas (Flores, 2017).

El CL4, CL5 y CL6 agruparon a parámetros que presentaron baja o nula correlacionados
entre sí y con los otros parámetros evaluados (Figura 16). Por lo que se puede indicar que
estos parámetros (Al, CTT, As y Cu) tienen fuentes específicas de contaminación (Kükrer
y Mutlu, 2019; Nagis et al., 2021). El agrupamiento, pero no correlación del OD y pH
mostraría la independencia en la variación de un parámetro en otro (Bhuyan et al., 2019).

4.4. Identificación de las fuentes principales de contaminación de calidad de agua más

importantes o relevantes empleando el ACP

La Tabla 11 presenta los resultados de las pruebas Kaiser-Meyer-Olkin (KMO) y de

esfericidad de Bartlett aplicados a los 21 parámetros de las 13 estaciones de monitoreo
ubicadas en el río principal de la cuenca en estudio durante el periodo 2011–2018. El
resultado KMO obtenido fue de 0,64 (> 0,5) y la prueba de esfericidad de Bartlett fue muy
significativa (0,00, p <0,05), lo que indica que el ACP se considera una buena herramienta
para la reducción significativa en la dimensionalidad de los datos e identificación de las
fuentes de contaminación (Gyawali et al., 2012 y Yilma et al., 2019).

55
Tabla 11: Pruebas de KMO y esfericidad de Bartlett de los 21 parámetros de la calidad de agua evaluados
en las estaciones de monitoreo del río principal de la cuenca del río Rímac

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin 0,64
Chi-cuadrado aproximado 2059,87
Prueba de esfericidad de Bartlett gl 210,00
Sig. 0,00

Se realizó el ACP con rotación Varimax para reducir el gran conjunto de datos
multidimensionales a una pequeña cantidad de nuevas variables que podrían representar al
menos el 75 por ciento de la varianza total (Hellar et al., 2014). Se empleó la rotación
Varimax a fin de maximizar la varianza de cada uno de las cargas factoriales. Este método
de rotación es el más común para el análisis de la calidad del agua superficial (Raghvendra
et al., 2019).

La Tabla 12 presenta los resultados de la aplicación del ACP en los 21 parámetros de las
13 estaciones de monitoreo ubicadas en el río principal de la cuenca en estudio, durante el
periodo 2011–2018.

Siguiendo el criterio de Kaiser (valores propios >1) se seleccionaron solo ocho (08)
componentes principales (CP) que explican el 71,81 por ciento de la varianza acumulada
de los datos originales; sin embargo, para cumplir con el segundo criterio (varianza
acumulada > 75 por ciento) se seleccionó adicionalmente un (01) CP, con el cual se logró
explicar el 76,37 por ciento de la varianza acumulada de los datos originales, lo que ayuda
a aclarar los resultados y a descubrir las fuentes de contaminación a partir de los datos de
calidad del agua.

Las cargas factoriales de las variables originales que aportan a un CP en específico se

enmarcaron en negrita. Asimismo, la clasificación de los CP se llevó a cabo en función de
los valores absolutos de las mismas, es decir las cargas factoriales en valor absoluto que se
encuentren en los rangos de 0,30 a 0,50 (0,3<factor de carga ≤0,5), 0,5 a 0,75 (0,5<factor
de carga≤0,75) y mayores a 0,75 (>0,75) se consideraron como cargas débiles, moderadas
y fuertes, respectivamente (Khaledian et al., 2018).

56
 Tabla 12: Matriz de componentes principales de los 21 parámetros de calidad de agua evaluados en las
estaciones ubicadas en el río principal de la cuenca del río Rímac

CP1 CP2 CP3 CP4 CP5 CP6 CP7 CP8

CE -0,37 0,21 -0,29 0,71 0,05 0,16 -0,03 0,05
DBO 0,03 0,02 -0,28 -0,02 0,04 0,33 0,06 0,61
OD 0,30 -0,14 0,10 -0,12 -0,66 0,02 0,05 0,06
PH 0,20 0,11 0,34 -0,17 0,71 -0,13 0,04 -0,05
SST 0,82 0,06 0,13 -0,11 0,04 0,04 0,09 0,29,
T 0,25 -0,63 -0,50 -0,05 -0,17 0,05 -0,01 0,13
DQO 0,19 -0,11 0,07 0,01 0,09 0,74 -0,03 -0,03
Al 0,82 0,04 -0,08 -0,15 0,04 0,12 -0,04 -0,16
Sb -0,01 0,90 0,00 0,08 0,01 -0,07 -0,07 -0,06
As 0,54 -0,24 -0,01 0,31 -0,22 0,18 0,20 -0,19
Cd 0,04 0,11 0,75 0,09 0,39 0,20 0,05 -0,06
Cr 0,17 -0,14 0,34 0,01 0,68 0,41 0,03 0,11
Cu 0,03 0,28 0,36 -0,11 -0,12 0,68 0,04 0,09
Fe 0,81 -0,03 0,18 -0,13 0,01 0,08 0,09 0,35
Mn 0,03 0,78 0,38 -0,06 0,07 0,23 -0,01 0,01
Pb 0,45 0,06 0,36 -0,10 -0,09 0,13 0,71 0,15
Zn 0,19 0,24 0,85 -0,03 0,04 0,18 -0,01 0,03
Mg 0,15 0,67 0,01 0,59 0,08 -0,08 0,07 -0,16
Ca -0,10 -0,01 0,17 0,85 -0,04 -0,14 0,06 -0,05
Na -0,02 -0,07 -0,11 0,12 0,05 -0,06 0,95 -0,07
CTT 0,17 -0,19 0,12 -0,05 -0,07 -0,16 -0,05 0,77
Autovalores 4,32 3,66 1,94 1,58 1,34 1,16 1,09 0,96
%de variazas 20,55 17,41 9,22 7,51 6,39 5,53 5,19 4,56
% de Varianza
20,55 37,97 47,18 54,69 61,08 66,61 71,81 76,37
acumulado
*Los valores en negrita y cursiva indican cargas fuertes y moderadas, respectivamente

La primera CP (CP1) explicó el 20,55 por ciento de la varianza total y estuvo mejor
representada por los SST, Al, Fe y As; los tres primeros parámetros con fuertes cargas
positivas y el ultimo con una carga moderada. Esta agrupación indicaría que, se han
originado de las mismas fuentes, pudiendo ser éstas litogénicas y/o antropogénicas (Mirza
et al., 2019). Las fuentes naturales de Fe, Al se pueden explicar en el transporte continuo
de estos metales del suelo al agua del río por inundación y/o agua de lluvia, sumado a la
descomposición de plantas y alimentos (Mirza et al., 2019; Nargis et al., 2021). Entre las
principales fuentes de contaminación antropogénica de estos metales encontramos a la
actividad de extracción de minerales, los relaves mineros, los rellenos sanitarios mineros,
los pasivos mineros, los botaderos, las descargas industriales y el uso de fertilizantes
fosfatados o urea (ANA 2018; Ibrahim et al., 2020).

57
El Al y Fe son los elementos muy abundantes en la corteza terrestre (Nie, 2018; Kumar et
al., 2017; Keith et al. 2008). De forma natural éstos metales se encuentra en rocas y forman
parte de la composición de diferentes tipos de alimentos y plantas (Kumar et al., 2017; Nie,
2018; Keith et al., 2008; Hardisson et al., 2017; Mold et al., 2019; Mohammad et al., 2014).
El Al se encuentra en la bauxita, el cual contiene óxidos e hidróxidos de este elemento, y
cierto contenido de hierro; el Fe por su parte se encuentra en minerales de óxido de hierro
como la magnetita (Fe3O4), siderita (FeCO3), limonita (FeO(OH)), pirita (FeS2), hematita
(Fe2O3) y metales ferromagnesianos (Flores, 2017; Gomes-Gonzales et al., 2018),
minerales encontrados en la cuenca del río Rímac (Calla y Cabrera, 2010). El As de forma
natural se encuentra en rocas sedimentarias y rocas volcánica, ambas reportadas en la
cuenca del río Rímac (ANA, 2019). Éste metal ha sido ampliamente reportado en minerales
de sulfuro de metales, incluidos cobre, plomo, plata y oro. Algunos minerales que
contienen arsénico vienen a ser las piritas de arsénico (FeAsS), el realgar (AsS), lollingita
(FeAs2, Fe2 As3, Fe2 As5) y el oropimente (As2S3) (Shaji et al., 2021).

Dentro de las fuentes antrópicas del Al encontramos a los lixiviados y desechos agrícolas,
los que también aportan a las concentraciones de Fe (Kazi et al., 2009). Las actividades
mineras, la incineración de residuos sólidos, la industria del procesamiento, envasado y
conservación de alimentos, las descargas de aguas residuales domésticas, el uso de
productos farmacéuticos (por ejemplo: la aspirina, antiácidos), la industria del
procesamiento de Al, también han sido importantes aportantes de este contaminante en el
agua (Mohammad et al., 2014; Shaji et al., 2021; Alasfar et al., 2021). Por otro lado, el Fe
se ha reportado en fuentes antrópicas como, las actividades mineras (extracción de hierro),
las descargas de aguas residuales domésticas, actividades industriales (función de Fe y
acero) y en la disposición inadecuada de residuos metálicos y electrónicos (Sarkar y
Shekhar, 2018; Kumar et al., 2017). Finalmente, el As se ha presentado en altas
concentraciones en pasivos mineros haciendo de ésta la fuente principal de este metal
(Flores, 2017 y Gomes-Gonzales et al., 2018). El As también se ha registrado en las aguas
residuales domésticas e industriales, residuos sólidos de construcción, en este último
debido a su uso industrial como agente de aleación, en el procesamiento de vidrio,
pigmentos, textiles, papel, adhesivos metálicos, como protector de la madera, proceso de
curtido de pieles, en la fabricación de plaguicidas, aditivos para la elaboración de
alimentación de ganados, productos farmacéuticos (por ejemplo el trióxido de arsénico se
ha venido empleando enormemente en el tratamiento de la leucemia), producto de limpieza

58
(detergentes) y fertilizantes (fertilizantes fosfatado, lodos residuales) (OMS, 2018;
Adesiyan et al., 2018; Shaji et al., 2021; Sabir et al., 2019).

De un análisis interno se evidenció que solo las concentraciones promedio del Fe y As para
el periodo de estudio sobrepasaron los ECA (Categoría 1 y Categoría 3) agua en once y
diez de las 13 estaciones evaluadas, respectivamente, siendo los valores más críticos
registrados en estaciones ubicadas en la parte media y baja de la cuenca del río Rímac con
valores promedio que sobrepasan hasta en un 500 por ciento el valor del ECA Categoría 1
en ambos metales, considerándose así estos parámetros críticos en las estaciones evaluadas
(Ver Anexo 2). Las altas concentraciones de estos contaminantes en la parte media y baja
de la cuenca, se explicarían por los procesos de transporte desde la parte alta de la cuenca,
producto de las actividades mineras y pasivos mineros que destacan en esta zona, sumado
a los aportes de las actividades industriales, agrícolas, el vertimiento de aguas residuales
domésticas y la disposición inadecuada de residuos sólidos electrónicos, municipales y de
construcción; actividades y fuentes de contaminación muy reportadas en la cuenca media
y baja (DIGESA 2011; K-WATER et al., 2015, ANA 2018; PRODUCE, 2020).
Finalmente, se puede mencionar que, las fuentes naturales vendrían a ser las principales
fuentes de Al en el río principal, mientras que el Fe y As se originarían predominantemente
de fuentes mixtas (naturales y antropogénicas), siendo superiores las fuentes
antropogénicas.

Entre los principales efectos adversos de la elevada concentración de As en el agua, se

encuentran la diarrea, vómitos, bronquitis de la tráquea, la rinitis, la faringitis, la dificultad
para respirar, las congestiones nasales, ocasiona desenlaces adversos en los embarazos
(OMS, 2018). Por otro lado, estudios han demostrado que la contaminación de agua potable
por As puede causar a largo plazo la enfermedad llamada pie negro e incluso cáncer a la
piel, además de afectar el desarrollo cognitivo en los niños e incluso se le ha asociado a la
mayor mortandad infantil. (Xia y Liu, 2004; OMS, 2018). Por otro lado, altas
concentraciones de Fe están asociados con molestias estéticas como manchas en la ropa,
olores y sabores desagradables. (Kazi et al., 2009).

La segunda CP (CP2) explicó el 17,41 por ciento de la varianza acumulada y estuvo mejor
representada por el Sb, Mn, T y Mg; los dos primeros parámetros con fuertes cargas
positivas y los dos últimos con cargas negativa y positiva moderadas respectivamente. En
forma natural el Sb se encuentra en rocas sedimentarias (estibina, antímonita), en los
59
precipitados de pozos y en aguas geotermales (Filella et al., 2002; Liu et al., 2010). El Mn
naturalmente puede originarse de la meteorización de rocas metamórficas (pirolusita,
psilomelana, polianita, braunita, barita, bixbyíta y jacobsita) y volcánicas (pirolusita,
coronadita y romanechita (Rodríguez et al., 2005). El Mg se encuentra en forma natural en
rocas sedimentarias específicamente en el mineral dolomita (Rashid y Romshoo, 2013;
Jiang et al., 2009). Los depósitos sedimentarios, metamórficos y volcánicos han sido muy
reportado en la cuenca alta del río Rímac (ANA, 2019; K-WATER et al., 2015).

Las fuentes antrópicas del Sb pueden estar relacionadas con actividades como la minería,
la fabricación de botellas PET, la fabricación y uso de productos farmacéuticos y los
pesticidas (Li et al., 2018; Nishad y Bhaskarapillai, 2021). Las actividades humanas,
incluidas la minería, la fabricación de acero, la descarga de aguas residuales municipales,
los botaderos y el procesamiento de minerales son fuente importante de Mn en el agua
(Nadaska et al., 2010). El Mg tiene como fuente principal de contaminación antropogénica
al uso de fertilizantes como el nitrato de magnesio (Mg(NO₃)₂) o magnisal, muy usado en
la agricultura ( Montalvo et al., 2014). La relación entre el Sb y Mn se da debido a que los
oxihidróxidos de minerales de hierro, manganeso y aluminio han sido reconocidos como
agentes secuestradores de Sb de origen natural en el medio ambiente y su disponibilidad
de los mismos se da en función a la variación del pH del medio (Herath et al., 2017).

De un análisis específico se ha identificado que solo las concentraciones promedio del Mn

en el periodo de estudio sobrepasaron los ECA (Categoría 1 y Categoría 3) agua en seis de
las 13 estaciones evaluadas (ver Anexo 2), siendo los valores más críticos registrados en
estaciones ubicadas en parte alta de la cuenca del río Rímac quienes registraron valores
promedio que sobrepasan hasta en 5 veces el valor del ECA Categoría 1, lo que lo lleva a
considerar como un parámetro crítico en las estaciones evaluadas. Estos indicios
certificarían a la actividad minera muy desarrollada en la parte alta de la cuenca como uno
de los principales aportantes de este contaminante (ANA, 2018). Por lo que, se puede
mencionar, que la fuente principal de los metales Sb y Mg serían las naturales, mientras
que las principales fuentes de Mn serían la meteorización de las rocas y la actividad minera.
La alta concentración del Mn se asocia con un bajo coeficiente intelectual en los niños y
causa también cambios estéticos en el agua (Khan et al., 2012).

La tercera CP (CP3) explicó el 9,22 por ciento de la varianza acumulada y estuvo mejor
representada por el Cd y Zn ambos parámetros con cargas positivas fuerte y moderada,
60
respectivamente, esto indica una fuente u origen común de estos metales (Adesiyan et al.,
2018). La agrupación de estos metales provendría de procesos de procesos naturales
(corteza terrestre) y antropogénicos. El Cd se encuentra se encuentra en yacimientos
mineros de Zn y Pb, es decir forman parte de las impurezas del mineral que contiene estos
metales (MINEM, 2019). Su origen antrópico está asociado a las actividades de explotación
de minerales como el Zn y el Pb, la fabricación de productos de acero y actividades de
soldadura (Rahman et al., 2014; Tinkov et al., 2017; Sabir et al., 2019). El Zn es un metal
presente en forma natural en minerales como la esfalerita o blenda (ZnS), smithsonita
(ZnCO3) y willemita (Zn2SiO4), minerales explotados y obtenidos por la actividad minera
altamente desarrollada en la cuenca alta (USGS, 2015). Por otro lado, la disposición de
residuos sólidos domésticos, el vertimiento de efluentes domésticos, tuberías en mal
estado, el uso de detergentes, productos de limpieza, el uso de fertilizantes fosfatados e
inorgánicos y la aplicación de los lodos de residuales en las actividades agrícolas, la
fabricación de pinturas y plásticos también son una fuente importante de estos metales
(Drira et al., 2017; K -WATER et al., 2015; Noulas et al., 2018).

De un análisis y comparación con la normativa nacional se ha registrado que solo las

concentraciones promedio de Cd en el periodo de estudio sobrepasaron los ECA Categoría
1 Subcategoría A2 en tres de las 13 estaciones evaluadas (ver Anexo 2), quienes se
encuentran ubicadas en parte alta de la cuenca del río Rímac, lo cual estaría relacionado a
las actividades mineras muy desarrolladas en esta zona de la cuenca (DIGESA, 2011;
ANA, 2018). En ese sentido se puede indicar que, la principal fuente de contaminación por
Cd sería la actividad minera, mientras que el Zn procedería principalmente de fuentes
naturales. Estudios han demostrado que la alta explosión a estos metales, podría ocasionar
vómitos, salivación alteraciones gastrointestinales, renales, hepáticas, óseas, acidosis
metabólica, coagulopatía y anemia. Incluso se sugirió que el Cd pueden causar mutaciones
(MINSA, 2015; Kasi et al., 2009).

La cuarta CP (CP4) explicó el 7,51 por ciento de la varianza total y estuvo mejor
representada por el Ca y la CE, ambos con cargas positivas, fuerte y moderada
respectivamente. La agrupación del Ca y la CE sugiere que este catión es el principal
contribuyente del grado de mineralización del agua, así como de las concentraciones de CE
(Neiva et al., 2019). Asimismo, este factor puede indicar la meteorización de las rocas
madre, la disolución de iones y la mineralización en el área de estudio (Dimitri et al., 2021).

61
Es importante mencionar que, de la comparación con la normativa nacional la CE no
registró concentraciones promedio que sobrepasaron los ECA en ningunas de las categorías
estipuladas para estaciones en estudio (ver Anexo 2), lo que indicaría que los iones que
aportan a este parámetro se originan principalmente por factores naturales.

La quinta CP (CP5) explicó el 6,39 por ciento de la varianza total y estuvo mejor
representada por el OD, pH y Cr, el primer parámetro con carga modera negativa, mientras
que los dos últimos con cargas moderadas positivas. Shrestha y Kazama (2007) mencionan
que, la carga negativa de OD se debe a las bajas concentraciones de este parámetro a causa
de las altas concentraciones de materia orgánica muy disuelta, que da como resultado la
formación de ácidos orgánicos, que traen consigo la disminución del pH. Por lo que, es
probable que las fuentes de Cr estén asociados a descargas con alta concentración de
materia orgánica, los cuales pueden originarse de las aguas residuales domésticas,
vertimientos industriales (curtiembre, textiles), las descargas de aguas residuales de
actividades ganaderas o a la descomposición natural de vegetales y alimentos (tomates,
cebollas, pimientos, etc) (Liu et al., 2003; Njuguna et al., 2020; Ghazi et al., 2012; Bordean,
2012; Pozzatti et al., 2017). Se debe mencionar que, de la comparación con la normativa
nacional que solo el Cr registró una concentración promedio que sobrepasó el ECA
Categoría 3 (ver Anexo 2), lo que indicaría que en las 12 de las 13 estaciones monitoreadas
tienen como fuente principal de Cr a la descomposición natural de vegetales.

La sexta CP (CP6) explicó el 5,53 por ciento de la varianza total y estuvo mejor
representada por la DQO y el Cu, ambos con cargas moderadas positivas y la séptima CP
(CP7) explicó el 5.19 por ciento de la varianza total y estuvo mejor representada por el Pb
y Na, ambos con cargas positivas, moderada y fuerte, respectivamente. Estos componentes
muestran la contribución natural, mineral e industrial. El Cu se encuentra de forma natural
en gran porcentaje en rocas sedimentarias e ígneas, siendo las primeras en las que se han
reportado en mayor concentración, rocas ya registradas a lo largo de la cuenca del río
Rímac (ANA, 2019). Las mayores cantidades de este metal pesados se encuentran en
minerales que contienen sulfuros (por ejemplo, la calcopirita (CuFeS2)) (Tabelin et al.,
2018). La descomposición natural de vegetales también es una fuente importante de Cu
(Bordean, 2012; Pozzatti et al., 2017). Su relación con la DQO indicaría que el Cu se
origina principalmente de fuentes antrópicas, pudiendo ser estas las actividades mineras,

62
agroindustriales (plaguicidas y pesticidas), ganaderas, la industria de curtimbre y
producción de alimentos (MINEM 2019; Hussain et al., 2017, Nargis et al., 2019).

De una comparación con los ECA agua, se ha observado que los registros promedio de las
concentraciones de DQO y Cu sobrepasaron el ECA Categoría 3 en una y dos estaciones
ubicadas en la parte baja de la cuenca (ver Anexo 2) respectivamente, además se ha
identificado una relación directa entre estos parámetros, es decir los registros demostraron
que a mayores concentraciones de DQO se registran mayores concentraciones de Cu, esto
indicaría que las principales fuentes de contaminación de estos contaminantes en éstas
estaciones serían la actividad industrial (curtiembre, producción de alimentos), la
agricultura y ganadera, desarrolladas en la parte baja de la cuenca (PRODUCE, 2019;
ANA, 2019; K- WATER et al., 2015). Mientras que, en los 11 restantes predominaría la
fuente natural del Cu. Las altas concentraciones de Cu en el agua son extremadamente
peligrosas, ya que podría causar toxicidad cuando se transfiere al cuerpo humano
(Mokarram et al., 2020)

El Pb puede originarse de manera natural por la meteorización y la erosión de los materiales

de la corteza, debido a que éste metal se encuentra principalmente en minerales como la
galena (PbS) y en menor disposición en la cerusita (PbCO3), anglesita (PbSO4), piromorfita
(Pb5 (PO4) 3Cl), crocoita (PbCrO4), litargirio. (PbO) y Massicot (PbO) (Zhang et al., 2019).
El Pb también suele coexistir con el cobre, el zinc y la plata, y la forma metálica del Pb en
la naturaleza es rara (Cheng y Hu, 2010). Su asociación con el Na se debería a que,
reactivos como el sulfuro de sodio son muy utilizados en los procesos de flotación para la
extracción de minerales de Pb (Ortiz et al., 2002). Además, las aleaciones de Pb y Na son
muy requeridos en las actividades industriales (Tabelin et al., 2018). Las prácticas agrícolas
a través del uso de fertilizantes con Na (por ejemplo, el nitrato de sodio (NaNO3) que forma
parte del salitre) y plaguicidas (órganofosforados), fungicidas y herbicidas que contienen
Pb, serían también una fuente común de estos contaminantes (Villagarcia y Aguirre, 2014;
Yucra et al., 2008).

De una comparación con los ECA agua, se ha observado que las concentraciones promedio
de Pb en el periodo de estudio sobrepasaron el ECA Categoría 1 Subcategoría A2 en seis
de las 13 estaciones evaluadas (ver Anexo 2), quienes se encuentran ubicadas en parte alta
y media de la cuenca del río Rímac, lo cual estaría relacionado principalmente con fuentes
como la minería y agricultura muy desarrollados en estas partes de la cuenca (DIGESA
63
2011; ANA, 2018). Estudios han comprobado que la alta inhalación e ingestión de Pb en
niños puede ocasionar al desarrollo del cerebro, anemia, inmunotoxicidad y toxicidad
reproductiva (OMS, 2019).

La octava CP (CP8) explicó el 4,56 por ciento de la varianza total y estuvo mejor
representada por la DBO y CTT ambos con cargas positivas, moderadas y fuerte
respectivamente. Este factor orgánico representa principalmente la contribución de fuentes
difusas, como las descargas de aguas residuales domésticas, tuberías clandestinas, aguas
residuales de la crianza de animales. (Wang et al.,2012). De un análisis de los promedios
multianuales de estos parámetros se evidenció que, solo parámetro CTT sobrepasó el ECA
Categoría 1 y 3 en ocho de las 13 estaciones evaluadas en este estudio (ver Anexo 2),
siendo estos valores muy críticos en estaciones ubicadas en la parte media y baja de la
cuenca, donde se registran valores de hasta 93 y 43 veces más los ECA agua antes
mencionado, siendo así considerado un contaminante crítico. Sin embargo, no se evidenció
valores promedio de DBO y OD que no cumplan los ECA agua en las categorías antes
mencionadas, lo cual podría explicarse por el proceso de autodepuración que restablece los
niveles de OD, pero no reduce los niveles de CTT (Andrade et al. 2018; de Souza et al.,
2020).

La alta concentración de CTT indica la existencia de contaminación fecal de origen

humano o animal, posiblemente proveniente de la eliminación directa de residuos
sanitarios, mal manejo de excretas, ausencia de sistemas alcantarillado en gran parte de la
población, vertimientos de efluentes de plantas de tratamiento de aguas residuales y de
actividades de piscicultura y ganadería; este contaminante también se relaciona de manera
directa con el número de habitantes en un área determinada (Narvaes et al., 2008; de Souza
et al., 2020). De manera específica la parte media y baja de la cuenca alberga un gran
porcentaje de la población de Lima y Callao, lo que influye en la alta concentración de los
CTT (ANA, 2010). La exposición a este contaminante está asociada con riesgos potenciales
de enfermedades diarreogénicas o gastroenteritis graves (Drumod et al., 2018).

El biplot que representa de marea grafica las relaciones entre variables y las dos primeras
CPs rotadas se muestran en la Figura 18.

64
 CP2(17.41%)

CP1(20.55%)

Figura 18: Biplot de las cargas de los dos primeros componentes extraídos luego de la rotación varimax
del ACP de los 21 parámetros de calidad de agua evaluados en las estaciones ubicadas en el río
principal de la cuenca del río Rímac

De manera gráfica se interpreta que las variables o parámetros más alejados al centro de la
biplot aportan mayor variabilidad y el grado de correlación entre variables es medido en
relación al ángulo formado por los vectores, es decir las variables más relacionadas se da
donde los vectores forman ángulos agudos, ángulos rectos muestran falta de correlación y
ángulos llanos indican relación inversa (Mohamed et al., 2015).

En la Figura 18 se muestra que, la desviación estándar del Sb es ligeramente mayor que la

del Mn, Mg, Zn, Pb, SST, Al, Fe, As, T y CE, mientras que la desviación estándar de la
DBO, Ca, Na y Cd es casi cero. Esto se debe a que el factor de carga de estos últimos
parámetros es cercano a cero en los CP1 y CP2. En cuento al grado de correlación se puede
visualizar que, el Sb, Mn, Mg se correlacionan positivamente entre sí, pero negativamente
con la T. Asimismo, se observa que los SST, Al, Fe y As registran una correlación positiva
entre sí, pero negativa con la CE. Finalmente, se puede ver que Sb, Mn, Mg y T aportan
más a la CP2, mientras que los SST, Al, Fe y As al CP1.

65
La Tabla 13 presenta los resultados de las pruebas Kaiser-Meyer-Olkin (KMO) y de
esfericidad de Bartlett aplicados a los 21 parámetros de las 11 estaciones de monitoreo
ubicadas en los tributarios de la cuenca en estudio durante el periodo 2011 - 2018. El
resultado KMO obtenido fue de 0,76 (> 0,5) y la prueba de esfericidad de Bartlett es muy
significativa (0,00, p <0,05) lo que indica que el ACP se considera una buena herramienta
para la reducción significativa en la dimensionalidad de los datos e identificación de las
fuentes de contaminación (Gyawali et al., 2012 y Yilma et al., 2018).

Tabla 13:Pruebas de KMO y esfericidad de Bartlett de los 21 parámetros de calidad de agua evaluados en
las estaciones de monitoreo de los tributarios de la cuenca del rio Rímac

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. 0,76
Prueba de esfericidad de Bartlett Chi-cuadrado aproximado 3089,96
gl 210,000
Sig. 0,000

La Tabla 14 presenta los resultados de la aplicación del ACP en los 21 parámetros de las
11 estaciones de monitoreo ubicados en los tributarios de la cuenca en estudio, durante el
periodo 2011–2018. Siguiendo el criterio de Kaiser (valores propios >1) se seleccionaron
solo cinco (05) CP que explican el 75,20 por ciento de la varianza acumulada de los datos
originales; sin embargo, para identificar mejor la contribución del As se seleccionó
adicionalmente un (01) CP, con el cual se logró explicar el 79,73 por ciento de la varianza
acumulada de los datos originales de los 21 parámetros de calidad en las 11 estaciones de
monitoreo ubicadas en los tributarios de la cuenca en estudio. Las cargas factoriales de las
variables originales que aportan a un CP en específico se enmarcaron en negrita.

La primera CP (CP1) explicó el 31,86 por ciento de la varianza total y estuvo mejor
representada por la CE, Ca, Na, DBO, Mg, OD, T, DQO y Cr; los cuatro primeros
parámetros con fuertes cargas positivas y los cinco últimos con cargas positivas moderadas,
a excepción del OD que aporta con una carga moderada negativa. Este componente puede
indicar la meteorización de las rocas madre, la disolución de iones, la mineralización en el
área de captación, además de contaminación industriales y domésticas (Dimitri et al., 2021
y Wang et al., 2012). De un análisis de los promedios multianuales de estos parámetros se
evidenció que los parámetros CE, DBO, DQO, OD, Cr presentaron valores críticos y no
cumplieron el ECA Categoría 1 en la estación QHuay, punto establecido a la salida de la
subcuenca Jicamarca–Huaycoloro, ubicado en la parte media de la cuenca del río Rímac.

66
Ésta subcuenca ha sido reportada como una de las más impactadas por la actividad
antropogénica, en comparación a los otros tributarios o afluentes analizados en este estudio
(ANA, 2018; K-WATER et al., 2015). Esta estación también registró los promedios
multianuales más altos en los parámetros Ca, Mg y Na (Ver Anexo 3).

La CE del agua es una medida de la corriente eléctrica que puede pasar a través del agua.
Este parámetro está muy relacionado directamente con la concentración de iones en el agua
(Seiyaboh y Izah, 2017). La agrupación de la CE y los cationes Ca, Mg y Na evidencia el
aporte natural (por procesos de meteorización de rocas básicas) y principal de estos
cationes a la CE y al grado de mineralización del agua (Neiva et al., 2019; Varol, 2020).
Sin embargo, los promedios altos registrados en la estación QHuay1 evidencian también
aportes significativos de otras actividades como, la agricultura, las descargas de aguas
residuales domesticas e industriales, los botaderos de residuos sólidos municipales y de
construcción (Kazi et al., 2009; ANA, 2019; K-WATER et al., 2015).

El aporte positivo de DQO, DBO, Cr y negativo del OD evidencia el alto grado de

contaminación por descarga de material orgánico poco biodegradable (Calazans et al.,
2018). Si bien diez de las 11 estaciones evaluadas no registraron valores promedio
multianuales que no cumplieron el ECA en sus categorías correspondientes (Ver Anexo
3), la estación QHuay1 si registro valores críticos en estos parámetros, este punto está
ubicado en la salida de la subcuenca Jicamarca-Huaycoloro, en la cual se ha reportado hasta
210 fuentes de contaminación (K-WATER et al., 2015). Las principales fuentes de
contaminación por estos contaminantes en esta estación vendrían a ser las descargas
domésticas e industriales, la inadecuada disposición de residuos de construcción,
municipales e industriales y los lixiviados agrícolas (K-WATER et al., 2015; ANA, 2018).
Para el caso específico del Cr en el agua de la subcuenca Jicamanrca-Huaycoloro se puede
haber originado de desechos que consisten en baterías de plomo-cromo, bolsas de
polietileno de colores, recipientes de pintura vacíos, descargas industriales como el de la
curtiembre, plásticos, textil y la actividad agrícola por el uso de fertilizantes (Hussain et
al., 2017; Adesiyan et al., 2018).

67
 Tabla 14: Matriz de componentes principales de los 21 parámetros de calidad de agua evaluados en las
estaciones ubicadas en los tributarios de la cuenca del río Rímac

CP1 CP2 CP3 CP4 CP5 CP6

CE 0,87 0,28 0,06 0,10 0,12 0,02
DBO 0,77 -0,11 0,05 -0,01 0,48 -0,01
OD -0,70 0,01 0,23 0,11 -0,02 0,10
PH 0,02 0,02 0,14 0,92 -0,04 0,09
SST 0,38 0,08 0,82 0,06 0,12 -0,01
T 0,74 -0,29 0,12 -0,03 0,09 0,21
DQO 0,73 -0,03 0,16 0,01 0,41 -0,02
Al 0,22 0,16 0,27 -0,10 0,70 -0,07
Sb 0,16 0,76 -0,01 0,20 -0,08 -0,23
As 0,04 0,11 0,11 -0,03 -0,02 0,91
Cd -0,06 0,83 0,16 -0,28 0,02 0,25
Cr 0,56 -0,10 0,36 0,01 -0,08 0,01
Cu -0,09 0,15 0,25 -0,87 0,00 0,16
Fe 0,04 0,04 0,93 -0,03 0,09 0,06
Mn 0,02 0,94 0,13 0,01 0,06 -0,02
Pb -0,03 0,23 0,85 -0,09 0,02 0,12
Zn -0,04 0,88 0,07 -0,15 0,05 0,20
Mg 0,75 0,46 0,12 0,27 0,16 -0,03
Ca 0,83 0,37 0,10 0,18 0,13 -0,04
Na 0,94 -0,07 0,11 0,02 0,10 0,01
CTT 0,21 -0,05 -0,05 0,04 0,87 0,04
Autovalores 6,69 3,75 2,35 1,78 1,22 0,95
% de la
31,86 17,85 11,18 8,48 5,82 4,52
varianza
%
31,86 49,72 60,90 69,38 75,20 79,73
acumulado
*Los valores en negrita y cursiva indican cargas fuertes y moderadas, respectivamente

La segunda CP (CP2) explicó el 17,85 por ciento de la varianza acumulada y estuvo mejor
representada por el Sb, Cd, Mn y Zn; todos con fuertes cargas positivas. El patrón de
agrupamiento de estos metales sugiere una fuente y procesos migratorios comunes a través
de la cual ingresan estos metales a los cuerpos de agua (Adesiyan et al., 2018). Estos
metales se encuentran de forma natural en depósitos minerales (Filella et al., 2002;
MINEM, 2019; USGS, 2015; Rodríguez et al., 2005) y se originan de forma antrópica por
actividades mineras, agrícolas, ganaderas, descargas de aguas residuales domésticas,
industriales y de los lixiviados de residuos municipales, de construcción e industriales (Li
et al., 2018; Nishad y Bhaskarapillai, 2021; Noulas et al., 2018; Li et al., 2018; Nadaska et
al., 2010; Rahman et al., 2014; K -WATER et al., 2015; Noulas et al., 2018).
68
De un análisis de los promedios multianuales se evidenció que los parámetros Sb, Mn y Zn
sobrepasaron el ECA Categoría 1 en la estación QAnt1 y el parámetro Cd para la misma
categoría en la estación RMay1. Así también, se registraron los máximos promedios en las
estaciones antes mencionadas (Ver Anexo 3). Por lo que, se podría indicar que en las
estaciones QAnt1 y RMay1 recibirían aportes naturales y antrópicas de estos parámetros;
siendo la actividad minera la principal fuente de contaminación, debido a que estos metales
se encuentran en los drenajes mineros, relaveras, escombreras, en menas como
subproductos de la extracción de minerales y en los pasivos mineros (Gómez 2020;
Caviedes et al., 2015). Lo cual concuerda con reportes en los que se identifica a la industria
minera como la principal responsable de la contaminación por metales pesados en la parte
alta de la cuenca, específicamente en las estaciones QAnta1 y RMay1 (ANA, 2018 y K-
WATER et al., 2015). Sin embargo, el aporte de estos metales en las nueve estaciones
restantes sería predominantemente por procesos naturales.

La tercera CP (CP3) explicó el 11,18 por ciento de la varianza acumulada y estuvo mejor
representada por los SST, Fe y Pb; todos con fuertes cargas positivas. Este componente
indica que la principal fuente de contaminación en estas áreas es el transporte de sólidos al
río (Calazans et al., 2018). El análisis de los promedios multianuales evidenció que los
parámetros Fe y Pb sobrepasaron el ECA Categoría 1 en siete de las 11 estaciones
evaluadas, estando estas ubicadas en la parte alta y media de la cuenca (ver Anexo 3).
Registrándose sus máximos valores en las estaciones RSant1 y QAnta1 ambas estaciones
ubicadas en los tributarios de la parte alta de la cuenca. Asimismo, los SST registraron su
promedio multianual más alto en la estación QHuay1, punto ubicado en la parte media de
la cuenca.

Si bien el Fe y Pb son metales ampliamente distribuidos en la corteza, siendo esta su

principal fuente natural a través de los procesos de meteorización, erosión del suelo y
precipitación, las fuentes antropogénicas cobran importancia ante las altas concentraciones
de estos (Drira et al., 2017). El Fe y Pb se encuentran en relaves de mineral producto de la
extracción de los mismos metales, el vertimiento de efluentes domésticos, los botaderos de
residuos sólidos domésticos, industriales, agrícolas y los lixiviados agrícolas constituyen
también importantes fuentes de contaminación por estos metales, las mismas que aportan
significativamente en la concentración de SST (Drira et al., 2017; Aschale et al., 2021). En
ese sentido se puede mencionar que, las fuente naturales aportarían a la concentración de

69
estos metales en la parte alta y media de la cuenca; sin embargo, las actividades
antropogénicas como la industria minera y en menor medida el vertimiento doméstico
predominarían en aquellas estaciones de la cuenca alta que registraron valores que
superaron los estándares nacional, mientras que, en la cuenca media predominarían los
aportes de la actividad industrial, agrícola y los botaderos de residuos sólidos domésticos
e industriales y los lixiviados agrícolas en aquellas estaciones que superaron el estándar
nacional (ANA, 2018; K-WATER et al., 2015).

Finalmente, se debe mencionar que, si bien el Fe es un elemento esencial en la nutrición

humana, su ingestión de grandes cantidades podría producir hemocromatosis, mecanismo
que se da cuando los componentes reguladores normales no operan de manera efectiva,
ocasionando daño tisular como resultado de la acumulación de Fe (Milman, 2021). Por otro
lado, el envenenamiento por Pb podría causar el efecto teratogénico, inhibición de la
síntesis de hemoglobina, disfunciones en los riñones, articulaciones, sistemas
reproductivos, sistema cardiovascular, daño crónico al sistema nervioso central y al sistema
nervioso periférico, entre otros. Sin embargo, el daño más importante es la afectación al
cerebro de los niños, dando como resultado un coeficiente intelectual deficiente (OMS,
2019).

La cuarta CP (CP4) explicó el 8,48 por ciento de la varianza total y estuvo mejor
representada por el pH y el Cu ambos con fuertes cargas, positiva y negativa,
respectivamente. Este componente visualiza la importancia de la variación del pH en la
disponibilidad del Cu (Herath et al., 2017). Del análisis de los promedios multianuales se
evidenció que el pH y Cu no cumplieron el ECA Categoría 4 en una de las 11 estaciones
evaluadas, siendo esta la estación LCant1 (ver Anexo 3). Las fuentes de Cu en los cursos
de agua podrían ser la meteorización química natural, y las actividades antrópicas como la
minería, los pasivos mineros, la producción de acero, la industria eléctrica, la agricultura y
los lodos de alcantarillado (Al Badall et al., 2016). Predominando la fuente de
contaminación proveniente de la actividad minera en la estación LCant 1 y la fuente natural
en las diez estaciones restantes (ANA, 2018). El alto desarrollo de las actividades mineras
genera lixiviados de sulfuros metálicos los cuales al entrar en contacto con los cuerpos de
agua conducen a la formación de las aguas ácidas los cuales por su bajo pH favorecen la
disponibilidad y concentración del Cu (Moissenco et al., 2019)

70
La quinta CP (CP5) explicó el 5,82 por ciento de la varianza total y estuvo mejor
representada por los CTT y Al, con cargas positivas, fuerte y moderada, respectivamente.
El análisis de los promedios multianuales evidenció que el parámetro CTT sobrepasó el
ECA Categoría 1 en dos de las 11 estaciones evaluadas, siendo estas las estaciones RSant1
y QHuay1, esta última con valores de hasta 1300 veces más el ECA estipulado (ver Anexo
3). Este componente evidenciaría la influencia de los factores naturales como la geología,
la geomorfología, la cobertura del suelo y el nivel del agua, en el crecimiento microbiano
(Sreekala et al., 2018). La geología de la cuenca del río Rímac comprende diversos estratos
de roca, incluyendo rocas volcánicas, rocas sedimentarias y rocas metamórficas. En la parte
media y alta de la cuenca, afloran considerables paquetes de rocas sedimentarias,
representadas por grandes bancos de calizas, lutitas, arcillas y conglomerados (ANA,
2010). Las arcillas son rocas sedimentarias que consisten en mezclas de distintos minerales,
esencialmente silicatos hidratados de aluminio, hierro o magnesio, junto a diversas
impurezas (Picasso y Sun, 2008). Se ha identificado que probablemente las capas de arcilla
actúan como adsorbentes de los CTT atenuando el grado de contaminación microbiológica
(Sreekala et al., 2018).

La alta concentración de CTT en las estaciones RSant1 y QHuay1 evidencia la existencia

de contaminación fecal de origen humano o animal, posiblemente proveniente de la
eliminación directa de residuos sanitarios, mal manejo de excretas, ausencia de sistemas
alcantarillado en gran parte de la población, vertimientos de efluentes de plantas de
tratamiento de aguas residuales y de actividades de piscicultura y ganadería; la
concentración de CTT también está relacionada directamente con el número de habitantes
en un área determinada (Narvaes et al., 2008; de Souza et al., 2020). De manera específica,
las estaciones antes mencionadas albergan un gran porcentaje de la población en la parte
alta y media de la cuenca del río Rímac (ANA, 2010).

La sexta CP (CP6) explicó el 4,52 por ciento de la varianza total y estuvo mejor
representada por el As que aportó con una fuerte carga positiva. El análisis de los
promedios multianuales evidenció que el parámetro As sobrepasó el ECA Categoría 1 en
cinco de las 11 estaciones evaluadas, registrando su valor máximo en la estación RMay1
(ver Anexo 3), donde cuatro de ellas se encuentran en la parte alta de la cuenca y una en la
parte media. El As se presenta en el medio ambiente por procesos naturales como las
actividades biológicas, la meteorización de las rocas y las actividades antropogénicas

71
(Bundschuh et al., 2021). Entre las fuentes antropogénicas encontramos a la extracción de
minerales, la combustión de combustibles fósiles, la agricultura por el uso de plaguicidas
o herbicidas, en la fabricación de plástico, pinturas, alimento para animales particularmente
para aves de corral y en los residuos electrónicos (Gómez, 2020). Por lo tanto, se podría
mencionar que la principal fuente de contaminación por este contaminante en los tributarios
ubicados en la parte alta y media de la cuenca serían las fuentes naturales, mientras que, en
aquellas estaciones que sobrepasaron la normativa nacional, predominarían las fuentes
antropogénicas como la actividad minera, especialmente en la estación RMay1 de la cuenca
alta, pero la inadecuada disposición de residuos eléctricos, el desarrollo de la industria del
plástico, la actividad ganadera y la agricultura serían fuentes antropogénicas predominantes
de la cuenca media (ANA, 2018; DIGESA, 2011; K-WATER et al., 2015).

El biplot que representa de marea grafica las relaciones entre variables y las dos primeras
CPs rotadas se muestran en la Figura 19.

De manera gráfica se interpreta que, las variables o parámetros más alejados al centro de
la biplot aportan mayor variabilidad, y el grado de correlación entre variables es medido
en relación al ángulo formado por los vectores, es decir las variables más relacionadas son
aquellas donde sus vectores forman ángulos agudos; ángulos rectos muestran falta de
correlación y ángulos llanos indican relación inversa (Mohamed et al., 2015).

En la Figura 19 se muestra que, la desviación estándar del Mn y Na es ligeramente mayor

que la del Zn, Cd, Sb, Mg, Ca, Cr, CE, DQO, DBO, T y OD, mientras que la desviación
estándar del pH, Cu, Fe, As es casi cero, esto se debe a que el factor de carga de estos
últimos parámetros es cercano a cero en los CP1 y CP2. En cuento al grado de correlación
se puede visualizar que, el Mn, Sb, Zn y Cd se correlacionan positivamente entre sí.
Asimismo, se observa que el Mg, Ca, CE, Na, DBO, DQO, T y Cr registran una correlación
positiva entre sí, pero negativa con el OD. Finalmente, se puede ver que el Mn, Sb, Zn, Cd
aportan más a la CP2, mientras que el Mg, Ca, CE, Na, DBO, DQO, T y Cr al CP1

72
 CP2(17.85%)

CP1(31.86%)

Figura 19: Biplot de las cargas de los dos primeros componentes extraídos luego de la rotación varimax del
ACP de los 21 parámetros de calidad de agua evaluados en los tributarios de la cuenca del río
Rímac.

La contaminación por el mal manejo de excretas, vertimiento de desechos sanitarios, la

falta de redes de alcantarillado, la baja o nula fiscalización a los vertimientos industriales,
mineros y botaderos siguen siendo un problema grave en la cuenca del río Rímac, que está
conllevando a registrar valores críticos que sobrepasan en hasta 5 veces el valor del ECA
Categoría 1 en los parámetros As, Fe, Mn, Sb monitoreados en el río principal de la cuenca.
Asimismo, el Pb es un parámetro que registro valores superiores al ECA antes mencionado
en la mayoría de las 24 estaciones evaluadas. Finalmente, los valores de CTT registrados
sobrepasan el ECA agua Categoría 1 en hasta 93 y 1300 veces más, en las estaciones
ubicadas en el río principal y tributarios, respectivamente (ver Anexo 3).

73
 V. CONCLUSIONES

1. Se evaluó la variación espacial de la calidad del agua de 13 y 11 estaciones de monitoreo

ubicadas en el río principal y tributarios de la cuenca del río Rímac, respectivamente,
en función de 24 parámetros durante el periodo 2011-2018, a través del ACJ. La técnica
estadística multivariada permitió identificar que los siguientes pares de estaciones del
río principal RRima2-RRima3 de la cuenca alta y RRima10-RRima11, RRima12-
RRima13 de la cuenca baja, mostraron comportamientos espaciales homogéneos en
términos de calidad del agua, ya que sufren impactos similares. Por lo que, se debe
analizar su permanencia, debido a que, éstas estarían brindando la misma información.
Mientras que, la estación RRima9 del río principal y las estaciones RChin1, RBlan1,
RSant1 y QHuay1 de los tributarios, presentaron comportamientos particulares en
términos de calidad de agua que las diferenciaron de las demás estaciones estudiadas lo
que revela su importancia en la evaluación de la calidad del agua de la cuenca del río
Rímac.

2. Se determinaron las relaciones entre los 21 parámetros de calidad evaluados en el río

principal y los tributarios de la cuenca del río Rímac mediante el ACJ. Los pares de
parámetros SST-Fe, Cd-Zn, Mn-Sb, Mn-Mg y Sb-Mg monitoreados en el río principal
y los pares de parámetros Ca-Mg, DQO-DBO, SST-Fe y Cd-Zn monitoreados en los
tributarios de la cuenca, mostraron fuertes vínculos entre sí, lo que indicaría que éstos
vienen de fuentes comunes de contaminación o que siguen comportamientos similares
durante sus variaciones espaciales y temporales. Mientras que, parámetros como el Al,
As, DQO, Cu, DBO, CTT, OD y T; y OD, pH, Al, CTT, As y Cu, monitoreados en el
río principal y tributarios, respectivamente, mostraron bajas o nulas relaciones lo que
indicaría la procedencia de diferentes fuentes de contaminación naturales o
antropogénicas.

3. El ACP permitió identificar las principales fuentes de contaminación responsables de la

degradación de la calidad del agua en el río principal y en los tributarios de la cuenca
del río Rímac. En general, el río principal de la cuenca se ve fuertemente afectado por
74
el vertimiento de aguas residuales domésticas, efluentes industriales (curtiembres,
textiles, plásticos, alimentos, acero, pintura y medicamentos), el mal manejo de
excretas, la disposición directa de residuos sanitarios, la agricultura, los botaderos
(municipales, de construcción y electrónicos) y la ganadería. Mientras que, los
tributarios presentan como principales fuentes de contaminación a la minería, los
pasivos mineros, la actividad ganadera, la agricultura y las descargas domésticas.

75
 VI. RECOMENDACIONES

1. Los resultados de esta investigación determinaron que tres pares de estaciones de las 13
evaluadas en el río principal, mostraron comportamientos espaciales homogéneos en
términos de calidad del agua, por lo que se debe evaluar la permanencia de cada estación
teniendo en cuenta la variación estacional de los parámetros de la calidad del agua, a fin
de optimizar la red de monitoreo de la cuenca del río Rímac.

2. Este estudio proporciona nuevos conocimientos sobre la variación espacial de la calidad

del agua de la cuenca del río Rímac, la identificación de sus principales fuentes de
contaminación e indica la necesidad de establecer estrategias de gestión para la
evaluación, control y mitigación, tales como establecer un sistema integrado de
información que posibilite una planificación más coherente del recurso a nivel regional
y local; establecer campañas de generación de conciencia y los programas de educación
dirigido a los usuarios y actores clave para; gestionar adecuadamente las fuentes de
contaminación identificadas; establecer políticas para la expansión de las redes de
alcantarillado, y establecer estrategias de fiscalización intensa.

3. Este estudio demuestra la utilidad de las técnicas estadísticas multivariadas para el

análisis e interpretación de conjuntos de datos complejos, la identificación de fuentes de
contaminación y la comprensión de las variaciones espaciales en la calidad del agua de
la cuenca del río Rímac. Por ello se recomienda su utilización como herramienta en la
gestión eficaz del agua por parte de los gobiernos nacionales, regionales y locales,
además de extender su aplicación en la evaluación de la calidad de aguas de otros ríos o
cuencas del país.

4. La falta de establecimiento de una frecuencia fija de muestreo entre los parámetros de

calidad del agua y estaciones de monitoreo ubicadas en la cuenca del río Rímac obligó
a la exclusión de algunos de éstos para el análisis multivariado, por lo que es necesario
asegurar la generación de datos consistentes en la red de monitoreo y con ello también

76
 evitar la imputación de los datos y mejorar los resultados obtenidos mediante la
aplicación de las técnicas estadísticas multivariadas.

5. Se recomienda un muestreo mensual de la calidad del agua de la cuenca del río Rímac
a fin de evaluar la variación temporal de la calidad del agua a lo largo de las estaciones
de la cuenca. Además de verificar que los laboratorios contratados cuenten con
metodologías y equipos que tengan los límites de detección inferiores a los valores
estipulados en los Estándares de Calidad Ambiental para agua vigentes

77
 VII. BIBLIOGRÁFÍA

Abed, S. A; Ewaid, S. H y Al-Ansari, N. (2019, September). Evaluation of water quality

in the Tigris river within Baghdad, Iraq using multivariate statistical techniques. In
Journal of Physics: Conference Series. IOP Publishing 1294(7), 072025.
https://doi.org/10.1088/1742-6596/1294/7/072025.

Abdullah, S; Ismail, M; Samat, N; Ahmed, A. 2018. Modelling particulate matter (PM10)

concentration in industrialized area: A comparative study of linear and nonlinear
algorithms. ARPN J. Eng. Appl. Sci 13: 8227-8235.

Achieng, A. O; Raburu, P. O; Kipkorir, E. C; Ngodhe, S. O; Obiero, K. O y Ani-Sabwa, J.

(2017). Assessment of water quality using multivariate techniques in River Sosiani,
Kenya. Environmental monitoring and assessment, 189(6), 1-13.
https://doi.org/10.1007/s10661-017-5992-5

Adesiyan, I. M; Bisi-Johnson, M; Aladesanmi, O. T; Okoh, A. I y Ogunfowokan, A. O.

(2018). Concentrations and human health risk of heavy metals in rivers in southwest
Nigeria. Journal of Health and pollution, 8(19), 1-14. https://doi.org/10.5696/2156-
9614-8.19.

Alasfar, R. H., & Isaifan, R. J. (2021). Aluminum environmental pollution: the silent
killer. Environmental Science and Pollution Research, 28(33), 44587-44597.
https://doi.org/10.1007/s11356-021-14700-0

Al-badaii, F. A. W. A. Z; Halim, A. A y Shuhaimi-Othman, M. O. H. A. M. M. A. D.

(2016). Evaluation of dissolved heavy metals in water of the Sungai Semenyih
(Peninsular Malaysia) using environmetric methods. Sains Malaysiana, 45(6), 841-
852. Disponible en http://www.ukm.edu.my/jsm/pdf_files/SM-PDF-45-6-
2016/01%20Fawaz%20Al-Badah.pdf.

78
Aldás, J y Uriel, E. (2017). Análisis multivariante aplicado con R. 2 ed. Madrid, España,
Ediciones Paraninfo. 677 p.

ANA (2010). Evaluación de los recursos hídricos en la cuenca del río Rímac. Dirección de
Conservación y Planeamiento de Recursos Hídricos. Área de Aguas Superficiales.
Estudio hidrológico y ubicación de la red de estaciones hidrométricas en la cuenca
del río Rímac, Volumen I. Lima. Autoridad Nacional del Agua.
http://www.ana.gob.pe/sites/default/files/publication/files/1_estudio_hidrologico_c
uenca_rimac_-_volumen_i_-_texto_-_final_2010_0.pdf.

ANA (2012). Informe Técnico – Resultados del monitoreo de la calidad del agua en la
cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2013). Informe Técnico – Resultados del primer monitoreo de la calidad del agua
en la cuenca del río Rímac - 20130. N°005-2013-ANA-DGCRH/RATQ.

ANA (2014a). Segundo monitoreo participativo de la calidad del agua superficial de la

cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2014b). Tercer monitoreo participativo de la calidad del agua superficial de la

cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2014c). Primer monitoreo participativo de la calidad del agua superficial de la

cuenca del río Rímac- Autoridad Nacional del Agua.

ANA (2014d). Informe del segundo monitoreo de la calidad del agua superficial de la
cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2015). Resultados del monitoreo participativo de la calidad del agua superficial de
la cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2016). Informe Técnico de resultados del primer monitoreo participativo de la

calidad del agua superficial de la cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2017). Informe Técnico de resultados de monitoreo participativo de la calidad del

agua superficial de la cuenca del río Rímac. Autoridad Nacional del Agua.

ANA (2018). Informe Técnico de resultados del monitoreo de la calidad del agua
superficial de la cuenca del río Rímac. Autoridad Nacional del Agua.

79
ANA (2019). Delimitación de la faja marginal del río Rímac: Resumen ejecutivo.
Autoridad Nacional del Agua. https://hdl.handle.net/20.500.12543/4441.

Andrade, L. C. D; Andrade, R. D. R. y Camargo, F. A. D. O. (2018). The historical

influence of tributaries on the water and sediment of Jacuí’s Delta, Southern
Brazil. Revista Ambiente e Água, 13:1. https://doi.org/10.4136/ambi-agua.2150.

AQUAFONDO y PROACC (2016). Estudio de riesgos hídricos y vulnerabilidad del sector

privado en Lima Metropolitana y Callao en un contexto de cambio climático. Fondo
de Agua para Lima y Callao (Aquafondo) y Proyecto Adaptación de la Gestión de
Recursos Hídricos en Zonas Urbanas al Cambio Climático con la Participación del
Sector Privado (PROACC). Disponible en
https://repositorio.ana.gob.pe/handle/20.500.12543/2870

Araújo, E. (2013). Investigação do processo de geração de escoamento usando análise

estatística multivariada em uma grande bacia semiárida: o caso do orós. Tesis de
Maestría. Fortaleza, Brasil, Universidade Federal do Ceará.

Asadollahfardi, G. (2015). Water Quality Management Assessment and Interpretation.

Springer Briefs in Water Science and Technology. 1ª ed. Berlin, Springer. 124 p
https://doi.org/10.1007/978-3-662-44725-3

Aschale, M; Sileshi, Y; Kelly-Quinn, M y Hailu, D. (2021). Multivariate analysis of

potentially toxic elements in surface waters in Ethiopia. Applied Water Science,
11(5), 1-13. https://doi.org/10.1007/s13201-021-01412-6.

Barakat, A; El Baghdadi, M; Rais, J; Aghezzaf, B y Slassi, M. (2016). Assessment of

spatial and seasonal water quality variation of Oum Er Rbia River (Morocco) using
multivariate statistical techniques. International soil and water conservation research,
4(4), 284-292. https://doi.org/10.1016/j.iswcr.2016.11.002.

Bergmann, J; Vinke, K; Fernández Palomino, C.A; Gornott, C; Gleixner, S; Laudien, R;

Lobanova, A; Ludescher, J y Schellnhuber, H.J. (2021). Evaluación de la evidencia:
Cambio climático y migración en el Perú. Instituto Potsdam para la Investigación
sobre el Impacto del Cambio Climático (PIK) y Organización Internacional para las
Migraciones (OIM), Ginebra.

Bilgin, A y Konanç, M (2016). Evaluation of surface water quality and heavy metal
pollution of Coruh River Basin (Turkey) by multivariate statistical methods.
80
 Environmental Earth Sciences0. 75(12), 1-18. https://doi.org/10.1007/s12665-016-
5821-0.

Birgin Iritas, S; Ali Turksoy, V; Deniz, S; Kocoglu, S; Kirat, G; Can Demirkesen, A y

Baba, A. (2019). A quality assessment of public water fountains and relation to
human health: a case study from Yozgat, Turkey. Water and Environment Journal,
33(4), 518-535. https://doi.org/10.1111/wej.12422.

Bora, D; Acikgoz, B y Ayoglu, F. N. (2017). Physical, chemical and microbiological

analyses of water fountains in Villages, Zonguldak Central District.

Bordean, D. M. (2012). Chromium levels in soils and vegetables from Timis County
Romania. JOURNAL of Horticulture, Forestry and Biotechnology, 16(2), 106-111.

Bouguerne, A; Boudoukha, A; Benkhaled, A y Mebarkia, A. H. (2017). Assessment of

surface water quality of Ain Zada dam (Algeria) using multivariate statistical
techniques. International Journal of River Basin Management, 15(2), 133–143.
https://doi.org/10.1080/15715124.2016.1215325.

Boyd, C. (2012). Water quality. Aquaculture: Farming Aquatic Animals and Plants,
Second Edition. Lucas JS and Southgate PC (eds). Blackwell Publishing Ltd, 52-83.

Bundschuh, J., Schneider, J., Alam, M. A., Niazi, N. K., Herath, I., Parvez, F., ... &
Mukherjee, A. (2021). Seven potential sources of arsenic pollution in Latin America
and their environmental and health impacts. Science of the Total Environment, 780,
1-29. https://doi.org/10.1016/j.scitotenv.2021.146274

Calazans, G. M. (2015). Avaliação e proposta de adequação da rede de monitoramento da

qualidade das águas superficiais das sub-bacias do rio das Velhas e do rio Paraopeba,
utilizando técnicas estatísticas multivariadas. Tesis de Maestría. Belo Horizonte,
Brazil, Universidade Federal de Minas Gerais. 211 p

Calazans, G. M; Pinto, C. C; da Costa, E. P; Perini, A. F y Oliveira, S. C. (2018). The use

of multivariate statistical methods for optimization of the surface water quality
network monitoring in the Paraopeba river basin, Brazil. Environmental Monitoring
and Assessment, 190(8), 1-17. https://doi.org/10.1007/s10661-018-6873-2.

Calla, H y Cabrera, C. (2010). Calidad del agua en la cuenca del río Rímac, sector de San
Mateo, afectado por las actividades mineras. Revista Del Instituto de Investigación

81
 de La Facultad de Ingeniería Geológica, Minera, Metalurgica y Geográfica. 13(25),
87–94. https://doi.org/10.15381/iigeo.v13i25.399.

Castro, L. M. U., y Ávila, D. M. M. (2006). Una introducción a la imputación de valores

perdidos. Terra. Nueva Etapa, 22(31), 127-151.

Catena, A; Ramos, M y Trujillo, H. (2003). Análisis multivariado. Madrid, España. Ed.

Biblioteca Nueva.

Caviedes, D. I; Muñoz, R. A; Perdomo, A; Rodríguez, D y Sandoval, I. J. (2015).

Tratamientos para la Remoción de Metales Pesados Comúnmente Presentes en
Aguas Residuales Industriales. Una Revisión. Revista Ingeniería y Región, 13(1),
73–90.

Chatfield, C y Collins, A (2018). Introduction to multivariate analysis. Routledge.

https://doi.org/10.1201/9780203749999.

Chaudhary, M; Mishra, S y Kumar, A. (2017). Estimation of water pollution and

probability of health risk due to imbalanced nutrients in River Ganga, India.
International Journal of River Basin Management, 15(1), 53–60.
https://doi.org/10.1080/15715124.2016.1205078.

Chigor, V. N; Sibanda, T y Okoh, A. I. (2013). Variations in the physicochemical

characteristics of the Buffalo River in the Eastern Cape Province of South Africa.
Environmental monitoring and assessment, 185(10), 8733-8747.
https://doi.org/10.1007/s10661-013-3208-1.

Cuadras, C. (2007). Nuevos Métodos de Análisis Multivariante. Barcelona, España.

Ed.CMC. 249 p.

de Souza Fraga, M; Reis, G. B; da Silva, D. D; Guedes, H. A. S y Elesbon, A. A. A. (2020).

Use of multivariate statistical methods to analyze the monitoring of surface water
quality in the Doce River basin, Minas Gerais, Brazil. Environmental Science and
Pollution Research, 27(28), 35303-35318. https://doi.org/10.1007/s11356-020-
09783-0.

Daou, C., Salloum, M., Legube, B., Kassouf, A., & Ouaini, N. (2018). Characterization of
spatial and temporal patterns in surface water quality: a case study of four major

82
 Lebanese rivers. Environmental monitoring and assessment, 190(8), 1-16.
https://doi.org/10.1007/s10661-018-6843-8

DIGESA (2011a). Evaluación de muestras de agua del río Rímac con datos de DIGESA y
SEDAPAL - 19/20/26/27 de enero 2011. Dirección General de Salud Ambiental e
Inocuidad Alimentaria.

DIGESA (2011b). Evaluación de muestras de agua del río Rímac con datos de DIGESA y
SEDAPAL - 09 / 10 de febrero 2011. Dirección General de Salud Ambiental e
Inocuidad Alimentaria.

DIGESA (2011c). Evaluación de muestras de agua del río Rímac y principales afluentes
con datos de DIGESA Y SEDAPAL - 09 / 10 de marzo 2011. Dirección General de
Salud Ambiental e Inocuidad Alimentaria. Dirección General de Salud Ambiental e
Inocuidad Alimentaria.

DIGESA (2011d). Evaluación de muestras de agua del río Rímac y principales afluentes
con datos de DIGESA Y SEDAPAL - 13 / 14 de abril 2011. Dirección General de
Salud Ambiental e Inocuidad Alimentaria.

DIGESA (2011e). Evaluación de muestras de agua del río Rímac y principales afluentes
con datos de DIGESA Y SEDAPAL - 11 / 12 de mayo 2011. Dirección General de
Salud Ambiental e Inocuidad Alimentaria.

DIGESA (2011f). Evaluación de muestras de agua del río Rímac y principales afluentes
con datos de DIGESA Y SEDAPAL - - 15 / 16 de junio 2011. Dirección General de
Salud Ambiental e Inocuidad Alimentaria. Dirección General de Salud Ambiental e
Inocuidad Alimentaria.

DIGESA (2011g). Evaluación de muestras de agua del río Rímac con datos de DIGESA Y
SEDAPAL - 10/11/25/26 de agosto 2011. Dirección General de Salud Ambiental e
Inocuidad Alimentaria.

Dimri, D; Daverey, A; Kumar, A y Sharma, A. (2021). Monitoring water quality of River

Ganga using multivariate techniques and WQI (Water Quality Index) in Western
Himalayan region of Uttarakhand, India. Environmental Nanotechnology,
Monitoring & Management, 15, 100375.
https://doi.org/10.1016/j.enmm.2020.100375

83
Drumond, S. N; Santiago, A. D. F; Moreira, M., Lanna, M. C. D. S y Roeser, H. M. P.
(2018). Identificação molecular de Escherichia coli diarreiogênica na Bacia
Hidrográfica do Rio Xopotó na região do Alto Rio Doce. Engenharia Sanitaria e
Ambiental, 23, 579-590. https://doi.org/10.1590/s1413-41522018165696.

e Silva, R. D. S; Blanco, C. J. C; da Silva Cavalcante, I. C; Teixeira, L. C. G. M; Fernandes,

L. L y Pessoa, F. C. L. (2020). Relationship between water quality parameters and
land use of a small Amazonian catchment. Sustainable Water Resources
Management, 6(4), 1-9. https://doi.org/10.1007/s40899-020-00421-8.

Egbueri, J. C. (2019). Water quality appraisal of selected farm provinces using integrated
hydrogeochemical, multivariate statistical, and microbiological technique. Modeling
Earth Systems and Environment, 5(3), 997-1013. https://doi.org/10.1007/s40808-
019-00585-z.

El Sayed, S. M; Hegab, M. H; Mola, H. R; Ahmed, N. M y Goher, M. E. (2020). An

integrated water quality assessment of Damietta and Rosetta branches (Nile River,
Egypt) using chemical and biological indices. Environmental monitoring and
assessment, 192(4), 1-16. https://doi.org/10.1007/s10661-020-8195-4.

Espinosa Ramírez, A. J. (2018). El agua, un reto para la salud pública: la calidad del agua
y las oportunidades para la vigilancia en salud ambiental. Tesis de Doctorado,
Bogotá, Colombia. Universidad Nacional de Colombia. 194 p. Disponible en
https://repositorio.unal.edu.co/handle/unal/63149

Espíritu, C. 2010. Evaluación de la calidad de agua del río Rímac mediante el análisis
multivariado. Tesis de grado. Lima, Perú, Universidad Nacional de Ingeniería.
Disponible en http://cybertesis.uni.edu.pe/handle/uni/1794.

Ewaid, S y Abed, S (2017). Water quality assessment of Al-Gharraf River, South of Iraq
using multivariate statistical techniques. Al-Nahrain Journal of Science, 20(2), 114-
122. Disponible en https://www.anjs.edu.iq/index.php/anjs/article/view/89.

Fan, X., Cui, B., Zhao, H., Zhang, Z., & Zhang, H. (2010). Assessment of river water
quality in Pearl River Delta using multivariate statistical techniques. Procedia
environmental sciences, 2, 1220-1234.
https://doi.org/10.1016/j.proenv.2010.10.133.

84
Filella, M; Belzile, N y Chen, Y. W. (2002). Antimony in the environment: a review
focused on natural waters: I. Occurrence. Earth-Science Reviews, 57(1-2), 125-
176.https://doi.org/10.1016/S0012-8252(01)00070-8

Finotti, A. R; Finkler, R; Silva, M. D y Cemim, G. (2009). Monitoramento de Recursos

Hídricos em Áreas Urbanas. Caxias do Sul. RS: Educs. 272p

Flores, J. 2017. Análisis de una red de monitoreo de calidad de agua en la cuenca del río
Jequetepeque mediante análisis multivariado. Tesis de Maestría. Lima, Perú,
Pontificia Universidad Católica del Perú. 158 p.

Flores, R. 2017. Variación temporal de la calidad de agua en la bocatoma “La Atarjea”,

Río Rímac (2009-2015). Tesis de Maestría. Lima, Perú, Universidad Nacional
Agraria La Molina. 116 p.

García, L. (2006). Water Quality Issues in Latin America. En Water quality management
in the Americas (pp. 1-14). Berlin, Heidelberg, New York: Springer.
https://doi.org/10.1007/3-540-30444-4_1.

Ghazi, S. H., Habibian, M., Moeini, M. M., & Abdolmohammadi, A. R. (2012). Effects of
different levels of organic and inorganic chromium on growth performance and
immunocompetence of broilers under heat stress. Biological trace element research,
146(3), 309-317. https://doi.org/10.1007/s12011-011-9260-1

Gómez Aguilar, D. L. (2020). Bioadsorción de Mn (II), Zn (II), Pb (II), Cr (III) y (VI) con
residuos lignocelulósicos en aguas residuales. Una aplicación en Curtiembres. Tesis
de Doctorado. Caldas, Colombia. Universidad de Manizales. 155 p Disponible en
https://ridum.umanizales.edu.co/xmlui/handle/20.500.12746/4193.

Groeneveld, R. A y Meeden, G. (1984). Measuring skewness and kurtosis. Journal of the

Royal Statistical Society: Series D (The Statistician), 33(4), 391-399.
https://doi.org/10.2307/2987742.

Gurjar, S. K., & Tare, V. (2019). Spatial-temporal assessment of water quality and
assimilative capacity of river Ramganga, a tributary of Ganga using multivariate
analysis and QUEL2K. Journal of Cleaner Production, 222, 550-564.
https://doi.org/10.1016/j.jclepro.2019.03.064.

85
Hair, J. F; Black, W. C; Babin, B. J; Anderson, R. E y Tatham, R. L. (2014). Pearson new
international edition. Multivariate data analysis, Seventh Edition. Pearson Education
Limited Harlow, Essex. Disponible en
https://doc1.bibliothek.li/acd/FLMF050541.pdf.

Hardisson A, Revert C, González-Weller D, Gutiérrez Á, Paz S, Rubio C (2017)

Exposición al aluminio a través de la dieta. Food Sci Nutr 3 (1): 1–10.
https://doi.org/10.24966/fsn-1076/100020

Harmancioglu, N; Oktaviani.J; Ozkul, S; Singh, V y Necdet, M. (1999). Wather Quality

Monitoring Network Desing. Vol. 33. Springer.

Helsel, D y Hirsch, R (2002). Statistical methods in water resources (Vol. 323). Reston,
VA: US Geological Survey.

Helsel, D. R. 2011. Statistics for censored environmental data using Minitab and R. John
Wiley y Sons. Canada, 323 p

Herojeet, R; Rishi, M; Lata, R y Dolma, K. (2017). Quality characterization and pollution

source identification of surface water using multivariate statistical techniques,
Nalagarh Valley, Himachal Pradesh, India. Applied Water Science, 7(5), 2137–2156.
https://doi.org/10.1007/s13201-017-0600-y.

Howladar, M. F; Chakma, E; Koley, N. J; Islam, S; Al Numanbakth, M. A; Ahmed, Z y

Akter, S. (2021). The water quality and pollution sources assessment of Surma river,
Bangladesh using, hydrochemical, multivariate statistical and water quality index
methods. Groundwater for Sustainable Development, 12, 100523.
https://doi.org/10.1016/j.gsd.2020.100523.

http://repositorio.unfv.edu.pe/handle/UNFV/3607.

Hu, B. (2009). New strategies for environmental water analysis. In Proceedings of the
international conference and exhibition on water and the environment, Stellenbosch,
South Africa, 2–4.

Hu, J; Qiao, Y; Zhou, L y Li, S. (2012). Spatiotemporal distributions of nutrients in the

downstream from Gezhouba Dam in Yangtze River, China. Environmental Science
and Pollution Research, 19(7), 2849–2859. https://doi.org/10.1007/s11356-012-
0791-6.

86
Hussain, J; Husain, I., Arif, M y Gupta, N. (2017). Studies on heavy metal contamination
in Godavari river basin. Applied Water Science, 7(8), 4539-4548.
https://doi.org/10.1007/s13201-017-0607-4

IBM Corporation 1989 (2021), Análisis vecino más cercano. Recuperado el 28 de agosto
de 2021. https://www.ibm.com/docs/es/spss-statistics/SaaS?topic=features-nearest-
neighbor-analysis.

Ibrahim, T. N. B. T; Othman, F y Mahmood, N. Z. (2020). Baseline study of heavy metal

pollution in a tropical river in a developing country. Sains Malaysiana, 49(4), 729-
742. http://dx.doi.org/10.17576/jsm-2020-4904-02.

INEI. Productos estadísticos, 2019a. Compendio Estadístico de la Provincia Constitucional

del Callao 2019.

INEI. Productos estadísticos, 2019b. Compendio Estadístico de la Provincia Constitucional

del Callao

Jiang, Y., Wu, Y., Groves, C., Yuan, D., & Kambesis, P. (2009). Natural and anthropogenic
factors affecting the groundwater quality in the Nandong karst underground river
system in Yunan, China. Journal of contaminant hydrology, 109(1-4), 49-61.
https://doi.org/10.1016/j.jconhyd.2009.08.001

Juárez, H. 2012. Contaminación del río Rímac por metales pesados y efecto en la
agricultura en el cono este de Lima metropolitana. Tesis de grado. Lima, Perú,
Universidad Nacional Agraria La Molina.

Khaledian, Y; Ebrahimi, S; Natesan, U; Basatnia, N; Nejad, B. B; Bagmohammadi, H y

Zeraatpisheh, M. (2018). Assessment of water quality using multivariate statistical
analysis in the Gharaso River, Northern Iran. Journal Urban ecology, water quality
and climate change, 84, 227-253. Springer, Cham. https://doi.org/10.1007/978-3-
319-74494-0_18

Kazi, T. G; Arain, M. B; Jamali, M. K; Jalbani, N; Afridi, H. I; Sarfraz, R. A; … y Shah,

A. Q. (2009). Assessment of water quality of polluted lake using multivariate
statistical techniques: A case study. Ecotoxicology and environmental safety, 72(2),
301-309. https://doi.org/10.1016/j.ecoenv.2008.02.024.

87
Keith S, Jones D, Rosemond Z, Ingerman L, Chappell L (2008). Potential for human
exposure. Toxicological Profile for Aluminum, 175–227.

Kılıç, E y Yücel, N. (2019). Determination of spatial and temporal changes in water quality
at Asi River using multivariate statistical techniques. http://doi.org/10.4194/1303-
2712-v19_9_02

Kiracofe, Z. A., Henika, W. S., & Schreiber, M. E. (2017). Assessing the geological sources
of manganese in the Roanoke River Watershed, Virginia. Journal of Environmental
& Engineering Geoscience, 23(1), 43-64. https://doi.org/10.2113/gseegeosci.23.1.43

Krishna, A; Satyanarayanan, M y Govil, P. (2009). Assessment of heavy metal pollution

in water using multivariate statistical techniques in an industrial area: A case study
from Patancheru0. Medak District, Andhra Pradesh, India. Journal of Hazardous
Materials0. 167(1–3)0. 366–373. https://doi.org/10.1016/j.jhazmat.2008.12.131.

Kükrer, S y Mutlu, E. (2019). Assessment of surface water quality using water quality
index and multivariate statistical analyses in Saraydüzü Dam Lake,
Turkey. Environmental monitoring and assessment, 191(2), 71.
https://doi.org/10.1007/s10661-019-7197-6.

Kumar, V., Bharti, P. K., Talwar, M., Tyagi, A. K., & Kumar, P. (2017). Studies on high
iron content in water resources of Moradabad district (UP), India. Water Science,
31(1), 44-51. https://doi.org/10.1016/j.wsj.2017.02.003

K-WATER; Yooshin Engineering Corporation; Pyunghwa Engineering Consultants

(2015). Plan maestro del proyecto de restauración del río Rímac: Informe final.
Disponible en https://hdl.handle.net/20.500.12543/637.

Leclerc, H. D. A. A; Mossel, D. A. A; Edberg, S. C y Struijk, C. B. (2001). Advances in

the bacteriology of the coliform group: their suitability as markers of microbial water
safety. Annual Reviews in Microbiology, 55(1), 201-234.
https://doi.org/10.1146/annurev.micro.55.1.201.

Lemos, MIÉ (2011). Monitoramento e gestão da qualidade da água em reservatórios

incorporando processos hidrodinâmicos e climáticos de regiões tropicais semiáridas.
Tesis de Maestría, Ceará, Brasil, Universidad Federal de Ceará. 164 p. Disponible en
http://repositorio.ufc.br/handle/riufc/575.

88
Li, J., Zheng, B., He, Y., Zhou, Y., Chen, X., Ruan, S., ... & Tang, L. (2018). Antimony
contamination, consequences and removal techniques: a review. Ecotoxicology and
Environmental Safety, 156, 125-134. https://doi.org/10.1016/j.ecoenv.2018.03.024

Ling, T; Soo, C; Liew, J; Nyanti, L; Sim, S y Grinang, J. (2017). Application of

Multivariate Statistical Analysis in Evaluation of Surface River Water Quality of a
Tropical River. Journal of Chemistry, 2017, 1-14.
https://doi.org/10.1155/2017/5737452.

Liu, F., Le, X. C., McKnight-Whitford, A., Xia, Y., Wu, F., Elswick, E., ... & Zhu, C.
(2010). Antimony speciation and contamination of waters in the Xikuangshan
antimony mining and smelting area, China. Environmental geochemistry and health,
32(5), 401-413. https://doi.org/10.1007/s10653-010-9284-z

Maillo Hidalgo, J. (2020). Fast k-nearest neighbors for Big Data and Smart Data. Tesis de
Doctorado, Granada, España, Universidad de Granada. 156 p. Disponible en
https://digibug.ugr.es/bitstream/handle/10481/62892/67819.pdf?sequence=4&isAll
owed=y.

Makokha, V. A., Qi, Y., Shen, Y y Wang, J. (2016). Concentrations, distribution, and
ecological risk assessment of heavy metals in the East Dongting and Honghu Lake,
China. Exposure and Health, 8(1), 31-41. https://doi.org/10.1007/s12403-015-0180-
8

Mayca, G. (2019). Calidad de Agua del Río Rímac Sector Chicla, Provincia de Huarochiri,
Departamento de Lima. Tesis de grado, Lima, Perú, Universidad Nacional Federico
Villarreal. 204 p. Disponible en http://repositorio.unfv.edu.pe/handle/UNFV/3607.

McKenna, JE. (2003). An enhanced cluster analysis program with bootstrap significance
testing for ecological community analysis. Environ Model Softw 18:205–220.
https://doi.org/10.1016/S1364-8152(02)00094-4

Mebarkia, A; Haouchine, A; Boudoukha, A y Nedjai, R. (2017). Assessment of nutrient

contamination in surface water, case study of Ain Zada dam (north-east of Algeria).
Journal of Fundamental and Applied Sciences, 9(3), 1358-
1377. https://doi.org/10.4314 / jfas.v9i3.8.

Milman, N. T. (2021). Managing Genetic Hemochromatosis: An Overview of Dietary

Measures, Which May Reduce Intestinal Iron Absorption in Persons With Iron
89
 Overload. Gastroenterology Research, 14(2), 66-80.
https://doi.org/10.14740/gr1366

MINEM (2019). Los principales metales que produce el Perú. Folleto.

http://www.minem.gob.pe/minem/archivos/file/Mineria/PUBLICACIONES/GUIA
S/FOLLETOS/principalesmetales.pdf.

Mingoti, S. A. (2007). Análise de dados através de métodos estatística multivariada: uma

abordagem aplicada. Análise de dados através de métodos estatística multivariada:
uma abordagem aplicada. Editorial Belo Horizonte. Brasil. 295 p.

MINSA. (2015). Guía de Práctica Clínica para el Diagnóstico y Tratamiento de la

Intoxicación por Cadmio. Ministerio de Salud.

Mirza, R., Moeinaddini, M., Pourebrahim, S., & Zahed, M. A. (2019). Contamination,
ecological risk and source identification of metals by multivariate analysis in surface
sediments of the khouran Straits, the Persian Gulf. Marine pollution bulletin, 145,
526-535. https://doi.org/10.1016/j.marpolbul.2019.06.028

Mohamed, I; Othman, F; Ibrahim, A. I; Alaa-Eldin, M. E. y Yunus, R. M. (2015).

Assessment of water quality parameters using multivariate analysis for Klang River
basin, Malaysia. Environmental monitoring and assessment, 187(1), 1-12.
https://doi.org/10.1007/s10661-014-4182-y

Mohammad FS, Al Zubaidy IAH, Bassioni G (2014) Una comparación de los procesos de
lixiviación de aluminio en el agua potable y del grifo. Int J Electrochem Sci 9: 3118–
3129

Moiseenko, T. I; Dinu, M. I; Gashkina, N. A y Kremleva, T. A. (2019). Aquatic

environment and anthropogenic factor effects on distribution of trace elements in
surface waters of European Russia and Western Siberia. Environmental Research
Letters, 14(6), 1-16. https://orcid.org/0000-0003-2875-1693

Mokarram, M; Saber, A y Sheykhi, V. (2020). Effects of heavy metal contamination on

river water quality due to release of industrial effluents. Journal of Cleaner
Production, 277, 1-16. https://doi.org/10.1016/j.jclepro.2020.123380.

90
Mold M, Cottle J, King A, Exley C (2019) Aluminio intracelular en células inflamatorias
y gliales en la angiopatía amiloide cerebral: reporte de un caso. Int J Environ Res
Public Health 16 (8): 1–10. https://doi.org/10.3390/ijerph16081459

Montalvo, C., Aguilar, C. A., Amador, L. E., Cerón, J. G., Cerón, R. M., Anguebes, F., &
Cordova, A. V. (2014). Metal contents in sediments (Cd, Cu, Mg, Fe, Mn) as
indicators of pollution of Palizada River, Mexico. Environment and Pollution, 3(4),
89-98. http://dx.doi.org/10.5539/ep.v3n4p89

Mustapha, A; Aris, A. Z; Juahir, H; Ramli, M. F y Kura, N. U. (2013). River water quality

assessment using environmentric techniques: case study of Jakara River Basin.
Environmental Science and Pollution Research, 20(8), 5630-5644.
https://doi.org/10.1007/s11356-013-1542-z.

Mustapha, A; Aris, A. Z; Ramli, M. F y Juahir, H. (2012). Spatial-temporal variation of

surface water quality in the downstream region of the Jakara River, north-western
Nigeria: A statistical approach. Journal of Environmental Science and Health, Part
A, 47(11), 1551-1560. https://doi.org/10.1080/10934529.2012.680415

Mustapha, A; Aris, A. Z; Yusoff, F. M; Zakaria, M. P; Ramli, M. F; Abdullah, A. M; ... y

Narany, T. S. (2014). Statistical approach in determining the spatial changes of
surface water quality at the upper course of Kano River, Nigeria. Water Quality,
Exposure and Health, 6(3), 127-142. https://doi.org/10.1007/s12403-014-0117-7

Nádaská, G., Lesny, J., & Michalík, I. (2010). Environmental aspect of manganese
chemistry. Hungarian Journal of Sciences, ENV-100702-A, 1-16.

Napi, N; Mohamed, M; Abdullah, S; Mansor, A; Ahmed, A; Ismail, M. 2020. Multiple

Linear Regression (MLR) and Principal Component Regression (PCR) for Ozone
(O3) Concentrations Prediction. In IOP Conference Series: Earth and Environmental
Science 616 (1), 1-7. IOP Publishing. https://doi.org/10.1088/1755-
1315/616/1/012004

Nargis, A; Habib, A; Harun, H. B; Sarker, M. S. I; Jin, R., Liu, G; ... y Cai, M. (2021).
Status of multielement in water of the river Buriganga, Bangladesh: Aquatic
chemistry of metal ions in polluted river water. Emerging Contaminants, 7, 99-115.
https://doi.org/10.1016/j.emcon.2021.03.001

91
Narvaez, S; Gomez, M y Acosta, J. (2008). Coliformes termotolerantes en aguas de las
poblaciones costeras y palafíticas de la Ciénaga Grande de Santa Marta,
Colombia. Acta Biológica Colombiana, 13(3), 113-121.

Neiva, A. M. R; Carvalho, P. C. S; Antunes, I. M. H. R; Albuquerque, M. T. D; Santos, A.

C. S; Cunha, P. P y Henriques, S. B. A. (2019). Assessment of metal and metalloid
contamination in the waters and stream sediments around the abandoned uranium
mine area from Mortórios, central Portugal. Journal of Geochemical
Exploration, 202, 35-48. https://doi.org/10.1016/j.gexplo.2019.03.020

Nie, J. (2018). Exposure to aluminum in daily life and Alzheimer’s disease. In

Neurotoxicity of Aluminum. Springer, Singapore. 99-111 p.
https://doi.org/10.1007/978-981-13-1370-7_6

Nishad, P. A y Bhaskarapillai, A. (2021). Antimony, a pollutant of emerging concern: A

review on industrial sources and remediation technologies. Chemosphere, 277, 1-16.
https://doi.org/10.1016/j.chemosphere.2021.130252

Njuguna, S. M., Onyango, J. A., Githaiga, K. B., Gituru, R. W y Yan, X. (2020).

Application of multivariate statistical analysis and water quality index in health risk
assessment by domestic use of river water. Case study of Tana River in Kenya.
Process Safety and Environmental Protection, 133, 149-158.
https://doi.org/10.1016/j.psep.2019.11.006

Noulas, C; Tziouvalekas, M y Karyotis, T. (2018). Zinc in soils, water and food

crops. Journal of Trace Elements in Medicine and Biology, 49, 252-260.
https://doi.org/10.1016/j.jtemb.2018.02.009.

OA CHIRILU (2017). Creación del Observatorio del Agua de las cuencas de los ríos
Chillón-Rímac-Lurín. Observatorio de Agua Chillón, Rímac, Lurín. Disponible en
https://hdl.handle.net/20.500.12543/2959.

OA CHIRILU (2019). Modelo WEAP para las cuencas Chillón, Rímac, Lurín, Chilca y
Alto Mantaro. Observatorio de Agua Chillón, Rímac, Lurín. Disponible en
https://hdl.handle.net/20.500.12543/4121

Ogwueleka, T. C. (2015). Use of multivariate statistical techniques for the evaluation of

temporal and spatial variations in water quality of the Kaduna River, Nigeria.

92
 Environmental Monitoring and Assessment0. 187(3).
https://doi.org/10.1007/s10661-015-4354-4.

OMS (2018). Arsénico. https://www.who.int/es/news-room/fact-sheets/detail/arsenic.

OMS (2019). Intoxicación por plomo y salud. https://www.who.int/es/news-room/fact-

sheets/detail/lead-poisoning-and-health.

ONU, 2016. Las ciudades del mundo en 2016. Folleto de datos.

Ortiz, A. A; Jara, P. N; Loli, A. F; Delgado, E. L; Salinas, S. F; Salazar, R. O; …….y

Aragón, S. Y. C. (2002). Flotación de minerales oxidados de plomo. Revista del
Instituto de Investigación de la Facultad de Ingeniería Geológica, Minera,
Metalúrgica y Geográfica, 5(10), 34-43. https://doi.org/10.15381/iigeo.v5i10.757

Osborne, J y Banjanovic, E. (2016). Exploratory Factor Analysis with SAS.USA.

University Editions. 211p.

Osmi, S; Malek, M; Yusoff, M; Azman, N y Faizal, W (2016). Development of river water

quality management using fuzzy techniques: a review. International Journal of River
Basin Management0. 14(2), 243–254.
https://doi.org/10.1080/15715124.2015.1105232.

Palacio, F. X; Apodaca, M. J y Crisci, J. V. (2020). Análisis multivariado para datos

biológicos: teoría y su aplicación utilizando el lenguaje R. Diponible en
http://hdl.handle.net/11336/135355.

Palarea, J. y Martín, J. (2013). Values below detection limit in compositional chemical

data. Analytica Chimica Acta, 764: 32-43.
http://dx.doi.org/10.1016/j.aca.2012.12.029.

Peña, D. (2002). Análisis de datos multivariantes (Vol. 24). Madrid: McGraw-Hill.

Pérez, C. (2004). Técnicas de análisis multivariante de datos. Madrid, España, Ediciones

Pearson Educación S.A. 672p.

Pinto, C. C., Calazans, G. M y Oliveira, S. C. (2019). Assessment of spatial variations in

the surface water quality of the Velhas River Basin, Brazil, using multivariate
statistical analysis and nonparametric statistics. Environmental monitoring and
assessment, 191(3), 1-13. https://doi.org/10.1007/s10661-019-7281-y

93
Pozzatti, M., Borges, A. R., Dessuy, M. B., Vale, M. G. R y Welz, B. (2017). Determination
of cadmium, chromium and copper in vegetables of the Solanaceae family using
high-resolution continuum source graphite furnace atomic absorption spectrometry
and direct solid sample analysis. Analytical Methods, 9(2), 329-337. https://doi.org/
10.1039/C6AY02594C.

Pradhan, U; Shirodkar, P y Sahu, B. (2009). Physico-chemical characteristics of the coastal

water off Devi estuary, Orissa and evaluation of its seasonal changes using
chemometric techniques. Current Science, 96(9), 1203–1209.
https://www.jstor.org/stable/24105409.

PRODUCE, 2020. Tejido empresarial en el Perú. Disponible en

https://app.powerbi.com/view?r=eyJrIjoiOTg2MWM4ZWYtZTA2Ny00OWM3LT
k3NzQtN2Y2NWZkYTJlZmJiIiwidCI6ImMzNGNjOGM2LTJiMjctNDA0Mi1hM
GE2LWI3OWZiMmM0NDE4NyIsImMiOjR9&pageName=ReportSection

Rahman, M. A., Rahman, M. M., Reichman, S. M., Lim, R. P y Naidu, R. (2014). Heavy
metals in Australian grown and imported rice and vegetables on sale in Australia:
health hazard. Ecotoxicology and environmental safety, 100, 53-60.
https://doi.org/10.1016/j.ecoenv.2013.11.024 21

Rashid, I., & Romshoo, S. A. (2013). Impact of anthropogenic activities on water quality
of Lidder River in Kashmir Himalayas. Environmental monitoring and assessment,
185(6), 4705-4719. https://doi.org/10.1007/s10661-012-2898-0

Rodríguez-Díaz, A. A., Villaseñor-Cabral, M. G., Canet, C., Prol-Ledesma, R. M., &

Camprubí, A. (2005). Clasificación de los yacimientos de manganeso y ejemplos de
depósitos mexicanos e internacionales. Boletín de mineralogía, 16(1), 33-43.
https://www.geologia.unam.mx/igl/deptos/geoq/canetc/Art_3_Augusto.pdf

RStudio Team. 2020. RStudio: Integrated Development for R. RStudio0. PBC, Boston,
MA URL http://www.rstudio.com/.

Sabir, S., Akash, M. S. H., Fiayyaz, F., Saleem, U., Mehmood, M. H. y Rehman, K. (2019).
Role of cadmium and arsenic as endocrine disruptors in the metabolism of
carbohydrates: inserting the association into perspectives. Biomedicine &
Pharmacotherapy, 114, 108802.

94
Saha, N y Rahman, M. S. (2018). Multivariate statistical analysis of metal contamination
in surface water around Dhaka export processing industrial zone, Bangladesh.
Environmental nanotechnology, monitoring & management, 10, 206-211.
https://doi.org/10.1016/j.enmm.2018.07.007.

Sarkar, A y Shekhar, S. (2018). Iron contamination in the waters of Upper Yamuna basin.
Groundwater for Sustainable Development, 7, 421-429.
https://doi.org/10.1016/j.gsd.2017.12.01.

Sartorio, S. (2008). Aplicações de técnicas de análise multivariada em experimentos

agropecuáríos usando o software R. Tesis de Maestría. Piracicaba, Brasil,
Universidade de São Paulo. 131 p.

Segura, E y Torres, V. (2014). Tratamiento de valores perdidos y atípicos en la aplicación

del Modelo Estadístico de Medición de Impacto en un estudio de 90 fincas lecheras
en la provincia de Pastaza, Ecuador. Revista Cubana de Ciencia Agrícola, 48(4)0.
333–336.

Seiyaboh, E. I y Izah, S. C. (2017). Review of Impact of Anthropogenic Activities in

surface water resources in the Niger Delta Region of Nigeria: A case of Bayelsa
State. International Journal of Ecotoxicology and Ecobiology, 2(2), 61-73.
https://doi.org/ 10.11648/j.ijee.20170202.12

Shaji, E., Santosh, M., Sarath, K. V., Prakash, P., Deepchand, V y Divya, B. V. (2021).
Arsenic contamination of groundwater: a global synopsis with focus on the Indian
Peninsula. Geoscience frontiers, 12(3), 101079.
https://doi.org/10.1016/j.gsf.2020.08.015

Sharma, S. (1996) Técnicas multivariadas aplicadas. Nueva York, US. John Wiley and
Sons Inc.512 p

Shrestha, S y Kazama, F. (2007). Assessment of surface water quality using multivariate

statistical techniques: A case study of the Fuji river basin, Japan. Environmental
Modelling & Software, 22(4), 464-475.
https://doi.org/10.1016/j.envsoft.2006.02.001.

Siepak, M. Sojka, M. (2017). Application of multivariate statistical approach to identify

trace elements sources in surface waters: a case study of Kowalskie and Stare Miasto

95
 reservoirs, Poland. Environmental Monitoring and Assessment, 189(8), 1-15.
https://doi.org/10.1007/s10661-017-6089-x.

Simeonov, V; Simeonova, P y Tzimou-Tsitouridou, R. (2004). Chemometric quelity

assessment of surface waters: two case studies. Chemia i Inżynieria Ekologiczna,
11(6), 449-469.

Singh, K. P., Malik, A., Mohan, D y Sinha, S. (2004). Multivariate statistical techniques
for the evaluation of spatial and temporal variations in water quality of Gomti River
(India)—a case study. Water research, 38(18), 3980-3992.
https://doi.org/10.1016/j.watres.2004.06.011

Singh, K. R; Goswami, A. P; Kalamdhad, A. S y Kumar, B. (2020). Assessment of surface

water quality of Pagladia, Beki and Kolong rivers (Assam, India) using multivariate
statistical techniques. International Journal of River Basin Management, 18(4), 511-
520. https://doi.org/10.1080/15715124.2019.1566236.

Sotomayor G. (2016). Evaluación de la calidad de las aguas superficiales mediante técnicas

de estadística multivariante: Un estudio de caso en la cuenca del Río Paute, al sur de
Ecuador. Tesis de Maestría, La Plata, Argentina, Universidad Nacional de la Plata.
Disponible en http://sedici.unlp.edu.ar/handle/10915/53959.

Sreekala, M. S; Sareen, S. J y Rajathi, S. (2018). Influence of Geo-environmental and

Chemical Factors on Thermotolerant Coliforms and E. coli in the Groundwater of
Central Kerala. Journal of the Geological Society of India, 91(5), 621-626.
https://doi.org/10.1007/s12594-018-0913-y.

Tabelin, C. B; Igarashi, T; Villacorte-Tabelin, M; Park, I; Opiso, E. M; Ito, M y Hiroyoshi,

N. (2018). Arsenic, selenium, boron, lead, cadmium, copper, and zinc in naturally
contaminated rocks: A review of their sources, modes of enrichment, mechanisms of
release, and mitigation strategies. Science of the Total Environment, 645, 1522-1553.
https://doi.org/10.1016/j.scitotenv.2018.07.103.

Taoufik, G; Khouni, I y Ghrabi, A. (2017). Assessment of physico-chemical and

microbiological surface water quality using multivariate statistical techniques: a case
study of the Wadi El-Bey River, Tunisia. Arabian Journal of Geosciences, 10(7), 181.
https://doi.org/10.1007/s12517-017-2898-z.

96
Tinkov, A. A., Filippini, T., Ajsuvakova, O. P., Aaseth, J., Gluhcheva, Y. G., Ivanova, J.
M., ... & Skalny, A. V. (2017). The role of cadmium in obesity and diabetes. Science
of The Total Environment, 601, 741-755.
https://doi.org/10.1016/j.scitotenv.2017.05.224

Trindade, A. L. C. (2013). Aplicação de técnicas estatísticas para avaliação de dados de

monitoramento de qualidade das águas superficiais da porção mineira do rio São
Francisco. Tesis de Maestría. Belo Horizonte, Brasil. Universidad Federal de Minas
Gerais. Disponible en https://repositorio.ufmg.br/handle/1843/BUOS-97CHYV

UNESCO. (2019). Informe Mundial de Naciones Unidas sobre el Desarrollo de los

Recursos Hídricos 2019.

Vadde, K; Wang, J; Cao, L; Yuan, T; McCarthy, A y Sekar, R. (2018). Assessment of

water quality and identification of pollution risk locations in Tiaoxi River (Taihu
Watershed), China. Water (Switzerland), 10(2). https://doi.org/10.3390/w10020183.

Varol, M. (2020). Use of water quality index and multivariate statistical methods for the
evaluation of water quality of a stream affected by multiple stressors: A case study.
Environmental Pollution, 266, 115417.
https://doi.org/10.1016/j.envpol.2020.115417.

Villagarcía, S., & Aguirre, G. (2014). Manual de uso de fertilizantes para las condiciones
del Perú. Fondo editorial Universidad Nacional Agraria La Molina, Lima, Perú.
Disponible en http://www.fondoeditorialunalm.com/wp-
content/uploads/2020/09/MANUAL-DE-USO-DE-FERTILIZANTES.pdf

Wang, J; Liu, G; Liu, H y Lam, P. K. (2017). Multivariate statistical evaluation of dissolved

trace elements and a water quality assessment in the middle reaches of Huaihe River,
Anhui, China. Science of the total environment, 583, 421-431.
https://doi.org/10.1016/j.scitotenv.2017.01.088.

Wang, X; Cai, Q; Ye, L y Qu, X. (2012). Evaluation of spatial and temporal variation in
stream water quality by multivariate statistical techniques: A case study of the
Xiangxi River basin, China. Quaternary International, 282, 137-144.
https://doi.org/10.1016/j.quaint.2012.05.015.

Yilma, M; Kiflie, Z; Windsperger, A y Gessese, N. (2019). Assessment and interpretation

of river water quality in Little Akaki River using multivariate statistical techniques.
97
 International journal of environmental science and technology, 16(7), 3707-3720.
https://doi.org/10.1007/s13762-018-2000-8.

Yucra, S., Gasco, M., Rubio, J y Gonzales, G. F. (2008). Exposición ocupacional a plomo
y pesticidas órganofosforados: efecto sobre la salud reproductiva masculina. Revista
Peruana de medicina experimental y salud pública, 25(4), 394-402. ISSN 1726-4634

Zhang, Y., Hou, D., O’Connor, D., Shen, Z., Shi, P., Ok, Y. S., ...y Luo, M. (2019). Lead
contamination in Chinese surface soils: Source identification, spatial-temporal
distribution and associated health risks. Critical Reviews in Environmental Science
and Technology, 49(15), 1386-1423.
https://doi.org/10.1080/10643389.2019.1571354

Zhao, L; Xie, Y; Wang, J y Xu, X. (2015). A performance assessment and adjustment

program for air quality monitoring networks in Shanghai. Atmospheric Environment,
122, 382-392. https://doi.org/10.1016/j.atmosenv.2015.09.069

Zotou, I; Tsihrintzis, V y Gikas, G. D. (2019). Performance of seven water quality indices

(WQIs) in a Mediterranean River. Environmental monitoring and assessment,
191(8), 1-14. https://doi.org/10.1007/s10661-019-7652-4

98
VIII. ANEXOS

99
ANEXO 1: CARTA RESPUESTA A SOLICITUD DE ACCESO A LA INFORMACIÓN
PÚBLICA EMITIDA POR LA AUTORIDAD NACIONAL DEL AGUA

100
ANEXO 2: ESTADÍSTICOS DESCRIPTIVOS POR ESTACIÓN DE MONITOREO UBICADAS EN EL RÍO PRINCIPAL DE LA CUENCA
Y COMPARACIÓN CON LOS ESTÁNDARES DE CALIDAD AMBIENTAL PARA AGUA (D.S 004-2017-MINAM).

Parámetros CE DBO OD PH SST T DQO Al Sb As Cd Cr Cu Fe Mn Pb Zn Mg Ca Na CTT

Estaciones
Unidad
Unidades µS cm-1 mg L-1 mg L-1 mg L-1 ⁰C mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 mg L-1 NMP 100ml-1
de pH

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media 530,71 1,55 6,84 8,32 27,25 7,85 14,74 0,86 0,011 0,015 0,007 0,005 0,179 0,1 2,01 0,04 1,05 12,10 75,36 7,38 1583

Error típ. de la
42,57 0,24 0,32 0,15 6,98 0,62 3,31 0,19 0,002 0,002 0,002 0,002 0,053 0,25 0,31 0,02 0,23 0,80 3,25 0,83 1341
media

Mediana 488,90 1,00 6,51 8,33 19,74 6,90 8,00 0,71 0,009 0,012 0,005 0,001 0,060 0,60 1,65 0,01 0,57 12,48 76,29 7,71 110
RRima1
Desv. típ. 175,51 0,98 1,32 0,63 28,79 2,39 13,66 0,77 0,008 0,009 0,007 0,007 0,219 1,02 1,30 0,07 0,95 3,21 12,15 3,10 5529

Mínimo 259,60 1,00 4,48 6,58 4 4,15 2,50 0,02 0,003 0,001 0,000 0,000 0,001 0,13 0,30 0,01 0,11 5,76 54,30 3,08 0

Máximo 878,90 4,30 10,02 9,70 114 13,37 46,00 2,39 0,037 0,034 0,019 0,014 0,782 3,82 5,44 0,30 2,93 17,19 105,03 14,89 23000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
555,99 2,06 6,63 8,38 25,31 8,50 16,16 0,91 0,011 0,013 0,005 0,005 0,162 1,20 2,01 0,05 0,93 12,07 78,47 7,55 1227

Error típ. de la
38,04 0,52 0,31 0,09 7,14 0,55 3,36 0,22 0,002 0,002 0,001 0,002 0,044 0,30 0,32 0,01 0,19 0,82 3,63 0,68 764
media
Mediana
560,40 1,00 6,40 8,34 16,16 8,40 16,16 0,70 0,006 0,011 0,002 0,001 0,070 0,67 1,58 0,03 0,60 12,27 79,38 7,76 130
RRima2
Desv. típ.
156,84 2,16 1,26 0,36 29,45 2,13 13,84 0,92 0,010 0,008 0,006 0,007 0,180 1,25 1,31 0,06 0,78 3,26 13,57 2,56 3150

Mínimo
262,80 1,00 4,06 7,81 0,50 4,18 1,00 0,03 0,002 0,001 0,000 0,000 0,018 0,21 0,31 0,01 0,12 5,61 60,83 3,88 0

Máximo
850,00 9,60 9,44 9,45 111,0 11,17 47,00 3,20 0,038 0,035 0,016 0,014 0,707 4,38 5,56 0,21 2,72 17,22 118,80 13,12 13000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
574,12 1,76 7,05 8,50 34,50 10,05 10,62 0,63 0,005 0,009 0,002 0,006 0,079 1,01 0,87 0,03 0,48 11,60 89,97 6,76 1621

Error típ. de la
media 50,30 0,26 0,39 0,11 7,17 0,38 2,39 0,16 0,001 0,001 0,001 0,002 0,020 0,29 0,15 0,01 0,11 0,96 6,15 0,63 753

Mediana
532,00 1,00 7,30 8,30 28,50 9,54 5,00 0,46 0,003 0,008 0,001 0,003 0,041 0,33 0,66 0,02 0,34 12,28 94,24 7,10 476
RRima3
Desv. típ.
207,37 1,08 1,62 0,47 29,55 1,49 9,87 0,68 0,005 0,005 0,002 0,007 0,082 1,21 0,63 0,03 0,44 3,84 23,01 2,37 3107

Mínimo
291,30 1,00 2,55 8,00 8,00 8,23 1,00 0,03 0,001 0,001 0,000 0,000 0,002 0,02 0,02 0,00 0,00 3,86 34,48 2,41 0

Máximo
1017,00 3,80 10,19 9,65 120,00 13,19 34,00 2,04 0,018 0,019 0,005 0,014 0,310 3,92 2,14 0,13 1,52 17,55 134,56 12,41 13000

101
Continua…
ECA CAT 1-SUB CAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
665,06 1,94 6,44 8,36 43,52 14,82 15,94 0,92 0,003 0,030 0,006 0,006 0,102 1,66 0,4 0,04 1,20 9,93 105,95 17,15 1689

Error típ. de la
media 41,69 0,30 0,36 0,11 7,96 0,40 5,61 0,30 0,000 0,003 0,001 0,002 0,013 0,52 0,04 0,01 0,15 0,29 4,49 0,26 805

Mediana
698,20 1,50 6,22 8,21 44,59 14,92 5,00 0,46 0,002 0,029 0,005 0,003 0,091 0,78 0,37 0,03 1,19 9,85 103,59 17,26 228
RRima4
Desv. típ.
171,91 1,22 1,49 0,45 32,82 1,56 23,13 1,25 0,002 0,010 0,005 0,007 0,053 2,15 0,19 0,03 0,61 1,16 16,80 0,97 3317

Mínimo
233,20 1,00 3,49 7,70 5 11,90 1,00 0,03 0,001 0,013 0,000 0,000 0,006 0,11 0,17 0,01 0,01 6,34 65,99 15,27 0

Máximo
937,00 5,70 9,69 9,36 116 17,78 91,00 4,10 0,009 0,052 0,016 0,014 0,174 8,03 0,84 0,10 2,15 11,98 138,21 19,11 13000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
721,07 1,45 6,71 7,77 34,39 15,76 11,00 0,65 0,003 0,055 0,003 0,001 0,040 0,87 0,14 0,02 0,46 10,85 103,38 32,74 493

Error típ. de la
media 62,12 0,18 0,31 0,10 6,02 0,61 2,63 0,21 0,000 0,005 0,001 0,000 0,008 0,25 0,02 0,00 0,09 0,50 4,57 3,59 153

Mediana
693,24 1,02 6,73 7,90 33,50 15,81 11,00 0,20 0,002 0,059 0,003 0,001 0,032 0,43 0,12 0,01 0,37 11,04 102,56 34,19 396
RRima5
Desv. típ.
256,13 0,76 1,29 0,43 24,81 2,36 10,83 0,88 0,002 0,022 0,002 0,001 0,034 1,04 0,10 0,02 0,36 2,02 17,08 13,43 631

Mínimo
150,20 1,00 4,27 6,63 1,50 11,22 1,00 0,01 0,001 0,014 0,000 0,000 0,002 0,12 0,04 0,00 0,01 5,49 68,68 13,55 23

Máximo
1072,00 3,00 8,65 8,32 91 19,27 48,00 3,00 0,008 0,087 0,007 0,003 0,103 3,61 0,36 0,08 1,18 14,60 146,62 60,18 2800

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
559,26 1,61 7,25 8,43 50,48 17,37 10,74 0,97 0,002 0,033 0,003 0,006 0,036 1,96 0,19 0,06 0,33 10,51 78,29 104,49 15021

Error típ. de la
35,76 0,28 0,39 0,12 18,57 0,57 2,78 0,36 0,000 0,007 0,001 0,002 0,011 0,79 0,06 0,04 0,11 0,48 3,73 35,64 7405
media
Mediana
542,20 1,00 7,44 8,35 31,00 17,04 5 0,18 0,001 0,023 0,004 0,003 0,015 0,19 0,07 0,01 0,19 10,58 76,79 111,46 790
RRima6
Desv. típ.
147,43 1,14 1,61 0,50 76,58 2,22 11,45 1,50 0,001 0,029 0,002 0,007 0,045 3,25 0,25 0,15 0,45 1,93 13,97 133,35 30532

Mínimo
381,00 1,00 3,63 7,27 0,50 14,48 1 0,01 0,001 0,005 0,000 0,000 0,001 0,01 0,00 0,00 0,01 5,77 47,98 13,81 0

Máximo
804,00 5,10 9,96 9,53 322 20,98 49 5,31 0,004 0,132 0,005 0,014 0,170 10,86 0,91 0,63 1,79 14,54 104,83 541,57 110000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
542,00 2,18 8,10 8,11 65,89 19,26 15,85 1,94 0,003 0,052 0,003 0,006 0,035 2,27 0,15 0,02 0,40 10,01 90,17 22,47 16872
Error típ, de la
RRima7 media 44,76 0,34 0,43 0,13 22,80 0,85 4,57 0,80 0,000 0,027 0,001 0,002 0,008 0,95 0,04 0,01 0,09 0,85 4,23 1,27 7795
Mediana
569,00 1,50 8,50 8,05 51,00 18,91 6,00 0,45 0,002 0,021 0,005 0,003 0,023 0,60 0,11 0,01 0,32 9,70 92,14 23,18 4900

102
Continua….
Desv, típ, 184,56 1,42 1,78 0,54 94,02 3,30 18,86 3,31 0,001 0,110 0,002 0,007 0,035 3,91 0,16 0,03 0,36 3,41 15,84 4,77 32141

RRima7 Mínimo 248,00 1,00 5,16 7,23 1,50 14,60 1 0,01 0,001 0,009 0,000 0,000 0,001 0,00 0,00 0,00 0,00 0,30 55,09 13,23 220

Máximo 774,00 5,10 11,60 9,35 396 24,04 70 13,08 0,005 0,472 0,006 0,014 0,116 14,60 0,57 0,11 1,04 15,38 113,72 30,28 130000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
439,58 2,84 7,91 8,46 74,50 16,93 9,32 2,03 0,002 0,036 0,003 0,006 0,051 4,98 0,25 0,05 0,50 7,47 70,27 10,82 50826

Error típ. de la
29,50 0,82 0,31 0,09 38,47 0,23 2,51 0,79 0,000 0,007 0,000 0,002 0,009 2,65 0,06 0,02 0,08 0,20 1,80 0,23 17448
media
Mediana
440,00 1,00 8,25 8,32 11,33 16,93 5,00 0,56 0,001 0,023 0,003 0,003 0,040 0,74 0,13 0,02 0,41 7,29 71,46 10,90 23000
RRima8
Desv. típ.
121,64 3,39 1,27 0,38 158,61 0,90 10,37 3,25 0,001 0,028 0,002 0,007 0,038 10,93 0,26 0,06 0,34 0,81 6,72 0,85 71939

Mínimo
225,00 1,00 5,21 7,97 5,00 15,37 1 0,04 0,001 0,012 0,000 0,000 0,010 0,14 0,05 0,00 0,12 5,37 54,84 8,84 240

Máximo
680,00 13,10 9,47 9,46 578,00 18,05 41 11,06 0,003 0,124 0,005 0,014 0,162 45,36 1,07 0,24 1,53 9,38 84,18 12,00 240000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
462,24 4,00 7,68 8,35 71,68 19,41 10,65 2,30 0,002 0,034 0,003 0,006 0,049 5,88 0,24 0,05 0,47 7,60 72,46 11,59 145389

Error típ. de la
media 28,71 1,13 0,34 0,12 36,02 0,33 3,28 0,91 0,000 0,006 0,000 0,002 0,010 3,05 0,06 0,01 0,09 0,27 1,57 0,28 92929

Mediana
482,40 3,00 8,06 8,20 9,09 19,41 5,00 0,92 0,001 0,024 0,003 0,003 0,030 0,67 0,12 0,02 0,36 7,37 73,42 11,65 33000
RRima9
Desv. típ.
118,39 4,64 1,40 0,48 148,52 1,26 13,53 3,74 0,001 0,023 0,002 0,007 0,041 12,56 0,26 0,06 0,37 1,08 5,89 1,05 383156

Mínimo
245,80 1,00 5,05 7,29 2,00 17,42 1 0,05 0,001 0,013 0,000 0,000 0,012 0,17 0,04 0,01 0,10 5,54 59,89 9,13 130

Máximo
705,00 19,50 9,46 9,40 548,00 21,80 53 13,72 0,004 0,098 0,005 0,014 0,152 50,35 0,95 0,24 1,44 11,03 85,05 13,47 1600000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media 476,87 2,55 7,27 8,32 85,95 21,12 18,06 2,42 0,002 0,037 0,003 0,007 0,049 5,82 0,24 0,05 0,41 7,64 73,07 12,89 74671
Error típ. de la
34,70 0,37 0,40 0,13 43,99 0,41 6,76 0,95 0,000 0,008 0,000 0,002 0,011 2,87 0,07 0,02 0,09 0,31 1,90 0,34 34457
media

Mediana 487,50 2,60 7,82 8,30 11,75 21,10 9,00 0,84 0,001 0,023 0,003 0,003 0,033 0,93 0,14 0,03 0,32 7,32 74,19 12,97 23000

Desv. típ. 143,08 1,51 1,65 0,55 181,38 1,60 27,89 3,92 0,001 0,032 0,002 0,006 0,044 11,83 0,28 0,07 0,35 1,23 7,10 1,28 142072

RRima10 Mínimo 261,50 1,00 2,35 7,19 8,00 18,23 1 0,04 0,001 0,007 0,000 0,000 0,009 0,20 0,04 0,00 0,11 5,35 58,45 9,79 110

Máximo 851,00 5,40 8,82 9,41 700,00 24,30 110 15,85 0,003 0,129 0,005 0,014 0,171 47,23 1,08 0,28 1,56 11,36 86,56 14,94 540000

103
Continua…
ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
433,42 2,70 7,46 8,31 75,02 21,01 15,53 2,65 0,002 0,036 0,003 0,007 0,048 5,85 0,24 0,05 0,42 7,71 72,60 13,56 159198

Error típ. de la
media 42,75 0,41 0,45 0,12 33,87 0,34 5,17 0,92 0,000 0,006 0,000 0,002 0,011 3,04 0,07 0,02 0,10 0,26 1,74 0,38 88644

Mediana
487,80 2,80 8,22 8,26 13,00 21,20 5,00 0,69 0,001 0,027 0,003 0,004 0,035 0,74 0,13 0,02 0,32 7,43 73,78 13,67 33000
RRima11
Desv. típ.
176,24 1,71 1,87 0,49 139,64 1,32 21,33 3,81 0,001 0,025 0,002 0,006 0,044 12,53 0,28 0,07 0,40 1,03 6,50 1,41 365490

Mínimo
25,00 1,00 2,10 7,19 5,00 18,68 1 0,04 0,001 0,012 0,000 0,000 0,008 0,21 0,04 0,00 0,09 5,80 57,23 10,56 70

Máximo
729,00 7,10 9,10 9,38 522,00 23,50 81 13,71 0,003 0,108 0,005 0,014 0,181 51,49 1,13 0,30 1,71 10,63 86,75 16,78 1300000

ECA-CAT 3 2500 15 ≥5 6,5-8-5 - ∆3 40 5 - 0,1 0,01 0,1 0,2 5 0,2 0,05 2 - - - 1000

Media
520,37 9,98 8,02 8,05 91,52 20,37 51,94 3,52 0,002 0,062 0,002 0,006 0,352 5,30 0,29 0,04 0,44 7,86 74,40 18,38 89301

Error típ. de la
media 24,19 5,23 0,07 0,05 20,23 0,58 18,91 1,06 0,000 0,005 0,000 0,001 0,064 1,23 0,03 0,01 0,06 0,37 1,61 0,98 21567

Mediana
543,62 4,98 7,93 8,04 72,50 19,44 51,94 2,31 0,001 0,066 0,001 0,006 0,291 3,72 0,29 0,03 0,40 7,52 75,40 18,80 79000
RRima12
Desv. típ.
99,73 21,56 0,30 0,21 83,39 2,26 77,96 4,39 0,001 0,019 0,001 0,004 0,262 5,07 0,13 0,02 0,25 1,47 6,01 3,68 88922

Mínimo
290,00 1,00 7,29 7,67 24,00 17,20 4,50 0,82 0,001 0,026 0,000 0,002 0,024 1,43 0,07 0,01 0,00 5,65 61,42 12,62 49

Máximo
658,90 93,00 8,60 8,42 404,00 24,62 342 20,12 0,005 0,099 0,005 0,014 0,985 21,47 0,67 0,10 0,94 12,48 88,94 26,94 330000

ECA-CAT 3 2500 15 ≥5 6,5-8-5 - ∆3 40 5 - 0,1 0,01 0,1 0,2 5 0,2 0,05 2 - - - 1000

Media
559,21 6,17 7,86 7,88 57,73 22,32 20,35 4,09 0,002 0,052 0,002 0,016 0,211 4,22 0,26 0,04 0,40 8,21 74,77 18,98 78492

Error típ. de la
34,69 1,16 0,10 0,11 27,60 0,66 4,32 1,75 0,001 0,010 0,000 0,007 0,063 1,74 0,06 0,01 0,09 0,61 1,69 1,50 25973
media
Mediana
560,43 7,07 7,76 8,06 18,37 22,13 20,35 1,78 0,001 0,039 0,001 0,008 0,159 2,59 0,19 0,03 0,26 7,44 75,08 19,39 38989
RRima13
Desv. típ.
143,05 4,79 0,43 0,44 113,82 2,55 17,81 7,22 0,002 0,041 0,002 0,029 0,260 7,19 0,24 0,03 0,36 2,46 6,32 5,62 107090

Mínimo
299,20 1,00 7,21 6,72 12,00 19,06 4,50 0,19 0,001 0,020 0,000 0,001 0,014 0,00 0,04 0,01 0,00 5,65 66,00 12,23 700

Máximo
926,40 20,00 |8,71 8,31 418,00 27,90 67 28,69 0,009 0,188 0,005 0,120 1,171 31,44 0,93 0,14 1,22 15,99 94,26 34,15 330000

104
ANEXO 3: ESTADÍSTICOS DESCRIPTIVOS POR ESTACIÓN DE MONITOREO UBICADAS EN LOS TRIBUTARIOS DE LA CUENCA
Y COMPARACIÓN CON LOS ESTÁNDARES DE CALIDAD AMBIENTAL PARA AGUA (D.S 004-2017-MINAM).

Parámetros CE DBO OD PH SST T DQO Al Sb As Cd Cr Cu Fe Mn Pb Zn Mg Ca Na CTT

Estaciones
Unidad
Unidades µS cm -1
mg L -1
mg L -1
mg L -1
⁰C mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
mg L -1
NMP 100ml-1
de pH

ECA-CAT4 1000 5 ≥5 6,5-9 ≤25 ∆3 - - 0,64 0,15 - - 0,1 - - 0,0025 0,12 - - - 1000
Media
295,37 1,43 6,06 4,81 8,17 10,60 4,50 1,93 0,002 0,015 0,008 0,001 0,377 2,01 0,77 0,04 0,92 2,25 35,85 2,63 4

Error típ, de la
13,32 0,18 0,24 0,17 1,74 0,28 0,00 0,27 0,000 0,005 0,001 0,000 0,041 0,27 0,04 0,00 0,06 0,05 1,09 0,08 3
media
Mediana
295,00 1,02 6,13 4,84 7,43 10,58 4,50 1,76 0,001 0,010 0,007 0,001 0,323 1,94 0,74 0,03 0,84 2,24 36,10 2,66 1
LCanc1
Desv, típ,
54,92 0,76 0,99 0,68 7,19 1,08 0,00 1,10 0,001 0,021 0,003 0,001 0,168 1,12 0,18 0,02 0,27 0,18 4,10 0,31 11

Mínimo
208,00 1,00 3,35 3,34 0,50 7,50 4,50 0,12 0,001 0,001 0,004 0,000 0,103 0,45 0,42 0,00 0,59 1,92 28,89 2,13 1

Máximo
446,50 3,00 7,34 5,93 29,00 12,10 4,50 3,95 0,003 0,089 0,018 0,003 0,793 5,03 1,15 0,08 1,66 2,66 44,70 3,45 46

ECA-CAT4 1000 5 ≥5 6,5-9 ≤25 ∆3 - - 0,64 0,15 - - 0,1 - - 0,0025 0,12 - - - 1000

Media
393,38 1,97 6,66 8,50 7,86 9,77 7,89 0,14 0,003 0,006 0,003 0,006 0,006 0,23 1,26 0,01 0,21 7,05 84,18 2,14 1

Error típ, de la
media 37,11 0,33 0,36 0,15 1,87 1,05 0,88 0,07 0,001 0,001 0,001 0,002 0,002 0,11 1,21 0,00 0,19 1,10 10,43 0,14 1

Mediana
396,80 1,00 6,80 8,36 5,00 8,35 7,89 0,03 0,001 0,004 0,001 0,003 0,005 0,06 0,03 0,01 0,02 5,90 74,69 2,01 1
LTict1
Desv, típ,
153,00 1,37 1,47 0,63 7,70 4,05 3,62 0,27 0,005 0,005 0,003 0,007 0,010 0,45 5,00 0,01 0,80 4,42 39,03 0,54 3

Mínimo
11,00 1,00 3,14 7,36 1,50 3,88 2,50 0,01 0,001 0,001 0,000 0,000 0,000 0,02 0,02 0,00 0,00 4,19 37,04 1,57 0

Máximo
736,00 5,00 9,17 9,61 29,00 21,09 15 1,13 0,022 0,017 0,009 0,014 0,044 1,76 20,66 0,05 3,33 23,38 207,50 3,85 11

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
997,24 1,42 6,05 8,26 98,14 7,98 28,47 2,84 0,052 0,026 0,018 0,007 0,078 3,42 16,16 0,12 7,50 21,89 150,14 16,93 29
Error típ, de la
57,45 0,19 0,33 0,19 37,15 0,71 8,45 1,06 0,005 0,005 0,006 0,002 0,021 0,92 3,29 0,03 2,72 0,78 5,05 1,44 29
media
Mediana
1029,00 1,00 5,73 8,17 30,86 7,61 14 2,01 0,049 0,022 0,010 0,002 0,067 1,96 10,80 0,08 3,88 22,38 151,02 17,12 1
Qant-1
Desv, típ,
236,87 0,80 1,36 0,80 153,17 2,77 34,84 4,35 0,019 0,019 0,024 0,009 0,088 3,79 13,56 0,10 11,22 3,10 18,90 5,40 119

Mínimo 503,00 1,00 3,95 6,70 18,00 4,00 1 0,01 0,007 0,003 0,000 0,000 0,000 0,18 2,19 0,01 0,34 14,02 114,00 2,85 0

105
Continua…
Máximo
Qant-1 1339,00 3,20 9,54 9,29 536,00 15,50 118 18,08 0,089 0,081 0,096 0,034 0,271 12,50 50,55 0,36 44,65 27,45 199,03 27,62 490

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
240,88 1,43 6,98 7,67 12,26 11,42 8,72 3,71 0,001 0,006 0,001 0,002 0,004 2,87 0,33 0,01 0,20 7,68 42,60 4,32 30

Error típ. de la
11,99 0,18 0,24 0,07 1,15 0,41 1,95 1,26 0,000 0,001 0,000 0,000 0,001 1,08 0,11 0,00 0,02 0,91 0,69 0,17 16
media
Mediana
245,58 1,02 6,99 7,65 13,17 11,57 8,72 1,97 0,001 0,005 0,001 0,002 0,004 2,47 0,20 0,01 0,20 7,81 42,68 4,38 5
QColl1
Desv. típ.
49,43 0,76 0,99 0,31 4,74 1,57 8,04 5,18 0,001 0,004 0,001 0,002 0,004 4,44 0,44 0,01 0,09 3,64 2,57 0,63 65

Mínimo
123,60 1,00 4,45 7,05 0,50 6,28 1,00 0,10 0,001 0,002 0,000 0,000 0,001 0,07 0,03 0,00 0,02 3,99 36,39 3,11 1

Máximo
338,30 3,00 8,59 8,26 20,51 13,45 38,00 20,78 0,003 0,020 0,003 0,007 0,020 18,75 1,85 0,04 0,38 20,47 49,02 5,49 230

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
1724,95 55,17 3,18 8,07 245,00 26,68 188,08 4,71 0,004 0,021 0,002 0,077 0,045 5,61 0,32 0,06 0,22 24,24 204,83 185,08 27588353

Error típ. de la
media 71,54 11,83 0,45 0,11 33,01 0,66 38,83 1,13 0,001 0,003 0,001 0,031 0,007 1,54 0,05 0,02 0,04 1,14 7,59 12,55 14703874

Mediana
1670,00 34,00 3,05 8,06 240,07 26,20 155 3,57 0,004 0,021 0,001 0,033 0,032 3,68 0,28 0,03 0,18 24,50 205,77 183,31 2200000
QHuay1
Desv. típ.
294,98 48,76 1,84 0,45 136,12 2,55 160,09 4,66 0,003 0,011 0,002 0,129 0,029 6,35 0,20 0,08 0,16 4,57 28,38 46,96 60625626

Mínimo
1229,00 1,00 0,54 7,06 5,00 23,57 5,00 0,59 0,001 0,007 0,000 0,004 0,014 0,77 0,13 0,00 0,05 16,15 143,07 105,40 33000

Máximo
2291,80 159,00 8,38 8,97 607,00 31,48 553,00 20,33 0,013 0,054 0,005 0,444 0,110 25,50 0,85 0,34 0,71 33,82 261,65 299,71 230000000

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media 266,01 1,43 5,95 7,87 6,22 8,65 9,20 0,31 0,001 0,004 0,004 0,001 0,066 0,61 0,28 0,01 0,61 4,36 33,25 8,65 17

Error típ. de la
19,40 0,18 0,32 0,03 0,62 0,47 2,69 0,04 0,000 0,000 0,001 0,000 0,007 0,06 0,02 0,00 0,05 0,27 2,67 0,74 13
media

Mediana 257,57 1,02 5,80 7,90 6,17 8,89 8,00 0,32 0,001 0,005 0,004 0,002 0,077 0,60 0,26 0,01 0,62 4,40 33,22 8,90 4

RArur1 Desv. típ. 79,97 0,76 1,33 0,13 2,54 1,83 11,09 0,18 0,001 0,002 0,002 0,001 0,030 0,24 0,08 0,00 0,21 1,06 10,00 2,75 55

Mínimo 150,00 1,00 3,68 7,55 1,50 5,60 1 0,01 0,000 0,001 0,000 0,000 0,009 0,12 0,13 0,00 0,01 2,60 20,34 4,22 1

Máximo 400,00 3,00 8,17 8,08 11,00 12,50 51 0,85 0,003 0,007 0,009 0,004 0,111 1,16 0,48 0,02 0,97 6,44 61,12 14,19 230

106
Continua…
ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
356,88 1,50 6,66 8,23 56,95 12,81 11,53 0,72 0,001 0,073 0,004 0,006 0,086 3,74 0,30 0,10 0,79 6,24 43,59 6,71 18

Error típ. de la
media 43,84 0,26 0,37 0,12 40,27 0,47 3,06 0,19 0,000 0,021 0,001 0,002 0,026 2,60 0,10 0,08 0,16 0,53 4,42 0,67 13

Mediana
361,90 1,00 6,58 8,11 16,50 12,40 5,00 0,42 0,001 0,037 0,005 0,003 0,077 0,84 0,21 0,02 0,64 6,40 43,79 6,93 2
RArur2
Desv. típ.
180,77 1,05 1,54 0,49 166,04 1,83 12,62 0,79 0,001 0,085 0,004 0,007 0,107 10,70 0,42 0,34 0,66 2,12 16,52 2,49 55

Mínimo
150,20 1,00 3,69 7,20 1,50 10,27 1,00 0,01 0,001 0,001 0,000 0,000 0,001 0,05 0,00 0,00 0,01 2,38 20,08 2,55 0

Máximo
782,00 4,70 9,85 9,30 700,00 15,82 50,00 2,38 0,003 0,356 0,015 0,014 0,465 45,01 1,85 1,41 2,75 9,30 86,28 11,45 230

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
250,52 1,48 6,75 8,42 16,14 11,33 10,21 0,72 0,001 0,004 0,002 0,006 0,010 1,80 0,15 0,01 0,04 4,52 35,58 2,99 537

Error típ. de la
media 20,59 0,20 0,45 0,14 6,30 0,62 3,00 0,41 0,000 0,001 0,001 0,002 0,004 1,10 0,08 0,00 0,02 0,33 3,09 0,23 310

Mediana
224,00 1,00 6,81 8,27 5,00 10,06 5,00 0,17 0,001 0,003 0,001 0,003 0,005 0,18 0,02 0,01 0,02 4,16 32,62 2,89 130
Rblanc-1
Desv. típ.
84,91 0,81 1,87 0,59 25,96 2,41 12,38 1,70 0,001 0,003 0,002 0,007 0,015 4,52 0,31 0,01 0,08 1,31 11,56 0,87 1280

Mínimo
184,00 1,00 1,16 7,41 2,00 8,21 1,00 0,01 0,001 0,001 0,000 0,000 0,000 0,04 0,01 0,00 0,01 3,40 24,37 1,97 0

Máximo
553,40 3,00 10,17 9,76 100,00 15,50 43,00 7,01 0,003 0,012 0,005 0,014 0,061 17,78 1,09 0,05 0,34 9,13 74,01 5,45 5400

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
437,25 1,38 6,92 8,51 9,73 7,12 9,21 0,23 0,001 0,004 0,002 0,006 0,003 0,32 0,03 0,01 0,02 8,15 41,58 3,01 430

Error típ. de la
99,95 0,17 0,31 0,16 2,11 0,82 2,80 0,06 0,000 0,001 0,001 0,002 0,001 0,06 0,01 0,00 0,00 0,44 1,26 0,27 283
media
Mediana
300,80 1,00 6,89 8,35 6,83 5,97 5,00 0,12 0,001 0,004 0,001 0,003 0,003 0,26 0,02 0,01 0,01 8,31 41,66 3,10 120
RChin1
Desv. típ.
412,10 0,70 1,29 0,67 8,72 3,16 11,55 0,26 0,001 0,002 0,002 0,007 0,003 0,25 0,03 0,01 0,01 1,77 4,73 1,00 1166

Mínimo
223,00 1,00 4,53 7,46 1,00 3,18 1,00 0,01 0,001 0,001 0,000 0,000 0,000 0,08 0,01 0,00 0,00 4,80 33,47 1,57 0

Máximo
1880,00 3,00 10,11 9,86 30,00 13,40 51,00 0,95 0,003 0,009 0,005 0,014 0,013 0,86 0,12 0,01 0,06 12,26 52,23 5,50 4900

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000
Media
514,29 1,70 7,06 7,59 33,43 14,04 11,26 1,22 0,001 0,062 0,011 0,005 0,183 2,72 0,80 0,09 2,55 10,95 65,24 10,42 8

Error típ. de la
Rmay-1 46,89 0,24 0,48 0,24 13,52 0,56 2,93 0,22 0,000 0,016 0,002 0,002 0,020 0,69 0,10 0,02 0,38 0,91 5,18 1,14 5
media
Mediana
609,70 1,00 6,97 7,32 11,54 13,86 5,00 1,10 0,001 0,045 0,013 0,001 0,157 1,90 0,66 0,06 1,88 11,27 66,35 10,82 1

107
Continua…
Desv. típ. 193,32 1,00 1,98 0,99 55,72 2,17 12,06 0,90 0,001 0,067 0,007 0,007 0,084 2,83 0,41 0,09 1,56 3,64 19,38 4,27 20

Rmay-1 Mínimo 144,70 1,00 3,41 5,67 2,00 9,90 1,00 0,14 0,001 0,004 0,000 0,000 0,078 0,10 0,39 0,01 0,01 4,21 35,60 4,03 0

Máximo 780,00 3,90 12,03 9,59 231,00 17,51 48,00 3,23 0,003 0,253 0,024 0,014 0,406 10,82 1,79 0,38 6,45 17,75 114,78 17,34 79

ECA CAT 1-SUBCAT A2 1600 5 ≥5 5,5-9 - ∆3 20 5 0,02 0,01 0,005 0,05 2 1 0,4 0,05 5 - - - 2000

Media
441,33 2,31 7,89 8,13 78,13 18,37 11,49 1,82 0,001 0,022 0,003 0,006 0,048 5,98 0,27 0,05 0,44 7,06 70,72 10,30 50962

Error típ. de la
36,47 0,38 0,46 0,14 49,12 0,55 3,05 0,52 0,000 0,004 0,001 0,002 0,014 3,58 0,10 0,02 0,14 0,29 2,96 0,48 32129
media
Mediana
403,00 1,24 8,56 8,17 21,60 17,90 5,00 0,96 0,001 0,018 0,002 0,003 0,032 1,12 0,15 0,02 0,29 6,96 69,55 10,39 3300
RSant1
Desv. típ.
150,38 1,58 1,91 0,60 202,53 2,12 12,56 2,12 0,001 0,016 0,003 0,007 0,057 14,77 0,43 0,10 0,59 1,15 11,07 1,80 132471

Mínimo
190,00 1,00 3,61 7,16 3,00 15,20 1,00 0,05 0,001 0,005 0,000 0,000 0,005 0,07 0,01 0,00 0,01 4,39 47,79 6,78 230

Máximo
737,00 6,30 11,80 9,45 854,00 22,36 43,00 8,10 0,003 0,072 0,014 0,014 0,246 61,35 1,81 0,43 2,58 9,56 86,55 13,21 540000

108