Secciones
Referencias
Resumen
Servicios
Descargas
HTML
ePub
PDF
Buscar
Fuente


DETERMINACIÓN DE NIVELES DE CONTAMINACIÓN DEL AGUA A PARTIR DE TÉCNICAS DE ANÁLISIS MULTIVARIABLE
DETERMINATION OF WATER POLLUTION LEVELS FROM MULTIVARIATE ANALYSIS TECHNIQUES
Publicaciones e Investigación, vol.. 13, núm. 1, 2019
Universidad Nacional Abierta y a Distancia

Artículo original

Publicaciones e Investigación
Universidad Nacional Abierta y a Distancia, Colombia
ISSN: 1900-6608
ISSN-e: 2539-4088
Periodicidad: Semestral
vol. 13, núm. 1, 2019

Recepción: 26 Junio 2018

Aprobación: 25 Julio 2018

Resumen: El presente estudio tiene como objeto, analizar de manera multivariable datos fisicoquímicos y microbiológicos de las aguas provenientes de las quebradas La Colosa y La Arenosa ubicadas en el Municipio de Cajamarca, Departamento del Tolima (Colombia), como herramienta para determinar las dimensiones de la contaminación de dichos cuerpos de agua. La investigación se inicia de tipo descriptiva; sin embargo se termina como descriptiva – correlativa, debido a que se describen los resultados de información secundaria, se calculan los índices de contaminación del agua y se aplican técnicas de análisis multivariable, posteriormente se correlacionan los índices de contaminación con los resultados obtenidos con las técnicas de conglomerados y análisis factorial; permitiendo comprobar que las técnicas estadísticas seleccionadas son aplicables como herramienta para determinar los niveles la contaminación de cuerpos de agua. Lo anterior sustentado en la similitud obtenida en los resultados del cálculo de índices de contaminación y las técnicas de análisis multivariable empleadas. Palabras clave: Análisis multivariable, contaminación del agua, índices de contaminación

Palabras clave: Análisis multivariable, contaminación del agua, índices de contaminación.

Abstract: The purpose of this study is to multivariate analysis of physicochemical and microbiological data from the waters of the La Colosa and La Arenosa streams located in the Municipality of Cajamarca, Department of Tolima, as a tool to determine the dimensions of the contamination of said bodies of water. The investigation starts with a descriptive type; however, it ends as a descriptive - correlative because the secondary information results are described, water contamination indexes are calculated and multivariate analysis techniques are applied, subsequently the pollution indexes are correlated with the results obtained with the conglomerate techniques and factor analysis; allowing to verify that the selected statistical techniques are applicable as a tool to determine the dimensions of the contamination of bodies of water. This is based on the similarity obtained in the results of the calculation of pollution indices and the multivariate analysis techniques used.

Keywords: Multivariate analysis, water contamination, pollution indexes.

1. INTRODUCCIÓN

Las cuencas hidrográficas además de proporcionar agua potable a las personas, también son importantes por el favorecimiento que generan en el ecosistema al proporcionar las condiciones adecuadas para el desarrollo de la vida animal y vegetal. Además, alrededor del mundo las cuencas hidrográficas han tenido múltiples usos, entre ellos se pueden nombrar el riego de cultivos, como espacios recreativos, generadoras de energía eléctrica, se usan como rutas fluviales de transporte, pesca, áreas de desagüe, entre otros[1].

La mayoría de los usos del agua requieren un estado de calidad óptima, que se debe evaluar de manera cuantitativa y cualitativa mediante la utilización de diferentes análisis[2].

“La contaminación de nuestras cuencas hidrográficas degrada al medio ambiente, daña el hábitat de la flora y la fauna silvestre, afecta a la economía y a los empleos, causa impuestos y cuotas más altas, y finalmente también afecta a la salud de los seres humanos”[3].

El municipio de Cajamarca cuenta con la cuenca mayor del Rio Coello, la cuenca del Rio Bermellón, la subcuenca de la quebrada La Guala a la cual tributan las microcuencas de las quebradas La Arenosa y La Colosa. Dentro del área se destacan usos del agua para preservación la de la flora y la fauna, agropecuario y consumo humano mediante acueductos artesanales[4].

La calidad del agua y el estado actual de estos cuerpos hídricos juegan un papel importante para propender al equilibrio natural de la región; sin embargo, para lograr esto es necesario tener una buena caracterización fisicoquímica y microbiológica del agua y utilizar herramientas como los índices de contaminación (ICOs) propuestos por Ramírez A y Viña G en su libro “Limnología Colombiana” en 1998[5], para llevarlos a una interpretación cuantitativa y cuantitativa del estado del recurso.

El Análisis Multivariable está formado por un conjunto de métodos estadísticos que sirven para realizar el tratamiento conjunto de datos relativos a diversas variables. Algunos de estos métodos son puramente descriptivos, se limitan a realizar un estudio de los datos recogidos a través de muestras sobre poblaciones finitas o infinitas. Otros métodos de Análisis Multivariable realizan inferencia estadística sobre los parámetros poblacionales, incorporando modelos con hipótesis estadísticas[6].

La naturaleza compleja que supone estudiar el medio ambiente requiere encontrar y proponer modelos simples para identificar y estudiar las variables que tengan un mayor impacto ambiental, por esta razón, el uso de las técnicas multivariable será de gran ayuda para encontrar soluciones y conclusiones que nos ayuden a modelar potenciales riesgos ambientales[7].

La presente investigación, abarca desde la recopilación de información relacionada con resultados de análisis fisicoquímicos y microbiológicos obtenidos a partir de monitoreos puntuales con periodicidad mensual durante 18 meses consecutivos (de enero de 2013 a junio de 2014), en las quebradas La Colosa y La Arenosa ubicadas en el Municipio de Cajamarca, Departamento del Tolima[8]; pasando por el cálculo de índices de contaminación del agua y su posterior confrontación con los resultados obtenidos de la implementación de técnicas de análisis multivariable, las cuales se pretende puedan ser utilizadas como una herramienta viable para determinar las dimensiones de la contaminación de dichos cuerpos de agua, así como la comparación con metodologías existentes empleadas para la clasificación cualitativa y cuantitativa de la calidad del agua propuestas por autores como Ramírez A y Viña G[5].

2. MATERIALES Y MÉTODOS

Tomando como base los criterios de Hernández Sampieri en su libro “Metodología de la Investigación”[9], el presente estudio se inicia como descriptivo; sin embargo, se termina como descriptivo – correlativo dado que se busca describir los resultados de la información secundaria, calcular los índices de contaminación del agua y aplicar técnicas de análisis multivariable; posteriormente se correlacionan los índices de contaminación con los resultados de aplicar las técnicas multivariable.

La metodología general de este proyecto se divide en cuatro fases.

En una primera fase, se utiliza como insumo información secundaria que consiste en resultados de laboratorio de análisis fisicoquímicos y microbiológicos extraídos de monitoreos ambientales puntuales, realizados durante dieciocho meses consecutivos entre los años 2013 a 2014 en cuatro puntos distribuidos en las quebradas la Colosa y la Arenosa así[8]:

  • Quebrada La Colosa Aguas Arriba (CAAr)

  • Quebrada La Colosa Aguas Abajo (CAAb)

  • Quebrada La Arenosa Aguas Arriba (AAAr)

  • Quebrada La Arenosa Aguas Abajo (AAAb)

Los ICOS que a su vez se analizan en una segunda fase de resultados para poder determinar el estado de contaminación de los cuerpos de agua, son:

  • Índice de contaminación por mineralización (ICOMI), evaluado en términos de la COND, DURT y ALKT

  • Índice de contaminación por sólidos suspendidos (ICOSUS) que se basa en el parámetro SST,

  • Índice de contaminación por pH (ICOpH)

  • Índice de contaminación por materia orgánica (ICOMO) calculado a partir de la DBO, los COLT y el porcentaje de saturación de oxígeno.

  • Índice de contaminación trófico (ICOTRO) calculado a partir de la concentración del P_TOT.

En una tercera fase de resultados se seleccionan técnicas de análisis estadístico multivariable, específicamente análisis de conglomerados, también conocido como análisis clúster o de conjunto, y el análisis factorial con extracción por componentes principales las cuales se aplican a los datos fisicoquímicos y microbiológicos mediante el paquete estadístico SPSS en su versión 22[10], con el objetivo de poder obtener una clasificación de los cuatro puntos de monitoreo según las concentraciones de los parámetros analizados, así como determinar el estado de contaminación de dichos cuerpos de agua.

El análisis clúster se realizó para detectar similitudes entre los diferentes puntos de estudio que fueron seleccionados. El análisis se realizó a partir de los promedios de cada parámetro tomando entonces un solo dato por cada parámetro y punto estudiado. Además, se aplicó una estandarización de las unidades de medida por medio de la metodología de los puntajes Z.

A partir de los datos estandarizados se aplicó la técnica de análisis de clúster con el método de Ward y la distancia euclidiana al cuadrado como medida de similitud. La representación gráfica se realizó mediante un dendograma. Para el análisis factorial con extracción por componentes principales, inicialmente se estandarizaron los datos por lo que se les antepone la letra Z y se calculó una matriz de correlaciones de Pearson[11].

Para finalizar, en la cuarta fase se hace una relación entre los resultados obtenidos con los índices de contaminación y los resultados obtenidos por la aplicación de las técnicas estadísticas multivariable, con el fin de comprobar la aplicabilidad y viabilidad de dichas técnicas estadísticas como herramienta para determinar las dimensiones de la contaminación de dichos cuerpos de agua.

3. RESULTADOS Y DISCUSIÓN

Recopilación de información secundaria

Luego de la extracción de la información de los reportes de resultados se puede destacar que a excepción del parámetro COLT, todos los resultados de laboratorio tienen un comportamiento uniforme durante los 18 meses estudiados. Para el caso particular de los COLT, es un parámetro que puede variar fácilmente de un mes a otro pues depende de la presencia o no de animales en la zona aguas arriba del punto de monitoreo[12].

Es importante señalar que los puntos de muestreo aguas abajo de un cuerpo de agua tienden a presentar un tanto más de afectación que los puntos aguas arriba, pues aguas abajo se tiene la carga de los puntos aguas arriba más la carga que se pueda adicionar hasta el punto aguas abajo[13].

Cálculo de índices de contaminación

En términos generales los puntos aguas abajo de ambos cuerpos de agua presentan una mayor contaminación en relación a los puntos aguas arriba, comportamiento esperable para cuerpos de agua superficial de alta montaña ya que al estar en continuo movimiento el agua arrastra minerales y diferentes compuestos naturales a su paso, lo cual aporta al incremento de los índices de contaminación[13].

Según los resultados de la tabla 1, obtenidos para el cálculo de índices de contaminación la clasificación de los puntos de muestreo de menor grado contaminado a mayor grado de contaminación es la siguiente:

  • Quebrada la Colosa Aguas Arriba

  • Quebrada la Arenosa Aguas Arriba

  • Quebrada la Arenosa Aguas Abajo

  • Quebrada la Colosa Aguas Abajo.

En total se calcularon noventa (90) ICOS por punto de muestreo, de los cuales la mayoría arrojaron un grado de contaminación catalogado como “ninguno” según Ramírez A, Viña G[5], sin embargo, una proporción significativa señala un “Alto” grado de contaminación.


TABLA 1. Distribución de índices de contaminación según su grado de contaminación

Selección y aplicación de las técnicas de análisis multivariable

Teniendo en cuanta el tipo de variables o parámetros con que se cuenta al momento de seleccionar la información secundaria para el desarrollo del estudio, se han seleccionado las técnicas de análisis multivariable más adecuadas; todo ello a partir de los criterios establecidos por Hair, Black, Babin y Anderson[14].

Luego de analizar conceptualmente el objeto del estudio, el primer criterio para seleccionar el tipo de técnica, pasa por determinar si el propósito es establecer o no relaciones de dependencia o independencia entre las distintas variables[15]. La alternativa a este estudio en particular está en las técnicas de interdependencia, donde no existe un grupo de variables que sean definidas como dependientes o independientes, sino que las técnicas que se aplican analizan todas las variables simultáneamente, en este caso las técnicas seleccionadas son el análisis clúster y análisis factorial.

Análisis estadístico básico

Con el fin de tener una mejor noción de los datos obtenidos en los cuatro puntos de muestreo de los cuales se extrajo la información secundaria, se hizo un análisis de las estadísticas básicas como el rango, el mínimo, el máximo, la media, la varianza y la desviación estándar[15]. Todos los análisis estadísticos fueron realizados con el paquete estadístico SPSS en su versión 22.

En términos generales los análisis estadísticos básicos nos dan una idea del comportamiento de los parámetros seleccionados en cada uno de los puntos sobre las quebradas La Colosa y La Arenosa. Estos cuerpos de agua evidencian una distribución uniforme para la mayoría de los parámetros analizados, lo que se relaciona con que son quebradas de alta montaña en donde aún no se presenta intervención significativa que pueda alterar de manera notoria un parámetro de un mes a otro[16].

La mayoría de los parámetros presentan sus desviaciones estándar con tendencia a cero (0); indicando de esta manera que los datos analizados no se alejan de manera significativa de su promedio. En cuanto al parámetro COLT, se tiene mayores concentraciones en los puntos aguas abajo con relación a las reportadas en los puntos aguas arriba, siendo el que menos uniformidad presenta en su dispersión.

Análisis de conglomerados (Clúster)

Ahora bien, para detectar la similitud entre los puntos analizados se generó la matriz relacionada en la tabla 2.

Para una buena interpretación de dicha matriz, es importante precisar que entre menor sea su distancia auclídea (o euclidiana) mayor similitud, en otras palabras, entre más cercano esté el valor a 0 (cero) entre dos puntos analizados mayor es su similitud[17]; es decir que los parámetros analizados tienen un comportamiento similar en relación con otro punto analizado.


TABLA 2. Matriz de proximidades mediante distancia euclídea al cuadrado

autor 2018

En el caso de la tabla 2, se evidencia que los puntos con mayor similitud son precisamente los puntos aguas abajo entre sí y aguas arriba entre sí. La distancia auclídea al cuadrado entre los puntos CAAb (caso 2) y AAAb (caso 4) es de 7,845 mientras que los puntos CAAr (caso 1) y AAAr (caso 3) es de 11,319. Lo anterior posiblemente se relaciona con el nivel de contaminación de estos puntos, pues es natural que los puntos aguas abajo reporten mayores concentraciones de algunos parámetros, dado que el agua a su paso a recogido descargas o materiales que afecten el comportamiento de los parámetros analizados[13].

Para poder jerarquizar los puntos de muestreo según su nivel de contaminación se optó por hacer una comparación de las distancias auclídeas en cada una de las relaciones existentes de la siguiente manera[17]:

  • Para identificar el punto con mayor y menor grado de contaminación sólo se deben buscar los puntos con mayor distancia euclidea, es decir los que menos similitud tienen entre sí. La mayor distancia euclídea se presenta entre los puntos CAAr y CAAb con un valor de 32,104, lo que indica que el punto CAAr es el que menos grado de contaminación posee; por ende, el punto CAAb debe ser el de mayor grado de contaminación, pues es el de menos similitud respecto al menos contaminado.

  • La segunda mayor distancia euclídea se presentó entre los puntos denominados CAAr y AAAb con un valor de 29,357. Como se constató anteriormente el punto CAAr es el de menor grado de contaminación, por lo tanto, el punto AAAb debe ser el segundo más contaminado por tener la segunda mayor distancia euclídea respecto al menos contaminado.

  • Aunque luego de tener la distribución de los tres puntos anteriores según su grado de contaminación, es correcto afirmar que el punto restante AAAr es el segundo menos contaminado; sin embargo, esta afirmación se puede sustentar al observar que la distancia euclídea entre el punto menos contaminado (CAAr) y el punto AAAr es la menor entre las distancias posibles que se relacionen con el punto menos contaminado.

En este orden de ideas, la clasificación de los puntos de muestreo del menos contaminado al más contaminado sería la siguiente:

  1. 1. Quebrada la Colosa Aguas Arriba (CAAr)
  2. 2. Quebrada la Arenosa Aguas Arriba (AAAr)
  3. 3. Quebrada la Arenosa Aguas Abajo (AAAb)
  4. 4. Quebrada la Colosa Aguas Abajo (CAAb)

Análisis factorial (extracción por componentes principales)

En la tabla 3 de varianza total explicada, se observan los autovalores de la matriz de varianzas y del porcentaje de varianza que representa cada uno de ellos. Los autovalores muestran la varianza total que está explicada por cada componente. El programa extrae autovalores iniciales mayores a 1.

En la tabla referenciada hay 2 autovalores mayores que 1 (7,205 y 2,371), por lo que el procesamiento de la información extrae 2 componentes que consiguen explicar un 95,765 % de la varianza de los datos originales. El resultado obtenido de esta tabla es importante para tomar una decisión sobre el número de componentes que deben extraerse[18].

Una manera gráfica de importancia para tomar la decisión de cuantos componentes se debe extraer, es mediante el análisis de un gráfico de sedimentación que relaciona el número de autovalores con la cantidad de componentes que se pueden extraer mediante distancia euclídea al cuadrado[18].

En la Fig. 1 se muestra la relación que se explicó en la tabla 3.



Fig. 1 Gráfico de sedimentación.

En el primer componente se extrae el autovalor 7,205 y el segundo el autovalor 2,371. La gráfica muestra que, al extraer el segundo componente se evidencia un cambio brusco en su pendiente lo que da indicio que debemos escoger dos componentes que expliquen la varianza.


TABLA 3. Varianza total explicada

La tabla 4 muestra la solución de la técnica como tal, en donde en una nota al pie de la tabla indica que fueron extraídos 2 componentes principales.


TABLA 4. Componentes principales extraídos

autor 2018

En el primer componente se muestra que las saturaciones de cada variable hacen pensar que dicho componente está constituido por los parámetros ZTEM, ZCOND, ZALKT, ZDURT, ZFOST, ZSST, ZDBO y ZCOLT; mientras que el componente dos agrupa los parámetros ZOD y ZpH.

Sin embargo, para una mejor interpretación de los componentes se recomienda hacer una rotación de la matriz como se puede ver en la tabla 5. La matriz rotada es mucho más clara en las relaciones de los parámetros del componente 2, evidenciando una fuerte relación positiva con el ZpH y el ZFOST y una fuerte relación negativa con el ZOD que puede tener relación con procesos de demanda de oxígeno disuelto.

Para el caso de los componentes extraídos, se puede observar que los parámetros relacionados son en la mayoría los mismos utilizados para la elaboración de índices de contaminación, lo cual nos da pie para hacer esta comparación y de esta manera establecer las dimensiones de la contaminación de los cuerpos de agua analizados.


TABLA 5. Componentes principales rotados

autor 2018

Confrontación de resultados y determinación de aplicabilidad y viabilidad de las técnicas de análisis multivariable seleccionadas

La confrontación de resultados se hizo mediante matrices de relación que pretenden comparar, la clasificación del grado de contaminación de cada punto de muestreo respecto a su ICO, con relación a la distribución obtenida con las técnicas estadísticas multivariable, en este caso particular mediante el análisis de conglomerados (clúster).

Para la correcta interpretación de la tabla 6, es importante señalar que la clasificación de los puntos de estudio según el grado de contaminación señala el número 1, como el punto menos contaminado y 4 como el más contaminado, tanto para índices de contaminación como para análisis de conglomerados.

Los números de la parte izquierda de cada celda hacen referencia a la clasificación perteneciente a ICOS, mientras que el de la derecha a la clasificación obtenida mediante el análisis de conglomerados.


TABLA 6. Matriz de relación grados de contaminación

autor 2018

De la tabla anterior, se puede concluir que el análisis de conglomerados es una técnica estadística aplicable y viable para determinar una clasificación coherente de cuerpos de agua según su grado de contaminación. Lo anterior, debido a que como se puede observar, la clasificación de los puntos de muestreo según su grado de contaminación, es coincidente con la clasificación obtenida mediante el cálculo de índices de contaminación.

Para poder comparar el comportamiento de los parámetros fisicoquímicos y microbiológicos independientemente del punto de muestreo, en la tabla 7 se relacionan los parámetros empleados por cada índice de contaminación, confrontándolos con los componentes extraídos mediante la técnica multivariable de análisis factorial por componentes principales (AF/CP).


TABLA 7 Matriz de relación agrupación de parámetros

autor 2018

De la tabla anterior, se destaca que la técnica de análisis factorial extrae en un primer componente los mismos parámetros que se emplean para la generación del ICOMI, los sólidos suspendidos totales empleados para el cálculo del ICOSUS y los parámetros utilizados para el cálculo del ICOMO (DBO y COLT), así como el parámetro temperatura de muestra que se emplea para el cálculo del porcentaje de saturación de oxígeno y junto con el parámetro oxígeno disuelto y la altitud del punto de muestreo sirven para calcular el ICOMO. En un segundo componente se extrae el parámetro pH utilizado para el cálculo del ICOpH, el fósforo total utilizado para calcular el ICOTRO, así como el parámetro oxígeno disuelto.

Es importante precisar que la técnica de análisis multivariable por componentes principales relacionó el parámetro temperatura de muestra junto con los parámetros que miden la mineralización del agua, pues estos tienen una fuerte relación, dado que los sólidos y sales disueltos por efecto de la radiación solar hacen que la temperatura del agua aumente.

Para el caso particular del parámetro oxígeno disuelto, el análisis factorial por componentes principales no lo extrajo junto con los demás parámetros utilizados para el cálculo del ICOMO, esto se puede explicar porque dicho índice no utiliza el parámetro como tal, sino el porcentaje de saturación de oxígeno, en donde también son necesarias la temperatura de la muestra y la altura sobre el nivel del mar del punto en que se toma la muestra.

4. CONCLUSIÓN

El comportamiento individual de cada variable analizada, señaló que en términos generales los puntos aguas abajo presentaron mayores concentraciones en los parámetros seleccionados que los puntos aguas arriba, especialmente aquellos relacionados con sales disueltas y sólidos; esto tiene relación con que el agua arrastra a su paso materiales ricos en estos parámetros haciendo que aguas abajo se tenga una mayor carga de los mismos.

Los índices de contaminación permitieron generar una clasificación de los puntos de muestreo de menor a mayor grado de contaminación, siendo el punto CAAr el menos contaminado, seguido por el punto AAAr, el punto AAAb y por último el punto CAAb.

El análisis clúster evidenció que los puntos que presentan mayor similitud son precisamente los puntos aguas abajo entre sí y aguas arriba entre sí. Con esta técnica multivariable también se logró jerarquizar los puntos de muestreo según su nivel de contaminación a partir de la comparación entre las distancias auclídeas al cuadrado. Lo anterior permitió clasificar los puntos de muestreo del menos contaminado al más contaminado, siendo el punto CAAr el menos contaminado, en segundo lugar, el punto AAAr, seguido por el punto AAAb y por último el punto CAAb.

La segunda técnica de análisis multivariable aplicada fue el análisis factorial, la cual se empleó para ver la manera en que los parámetros analizados se relacionan entre sí, arrojando como resultado que el comportamiento de los parámetros es similar entre aquellos relacionados con el nivel de mineralización del agua. Del mismo modo se encontró relación en el comportamiento entre la DBO5 y los coliformes totales que son parámetros relacionados con la presencia de materia orgánica en el medio.

Se pudo determinar que la clasificación de los puntos de muestreo según su grado de contaminación, por medio de cluster es coincidente con la clasificación obtenida mediante el cálculo de índices de contaminación.

La técnica de análisis factorial con extracción por componentes principales, fue ideal para determinar la relación en el comportamiento que existe entre los parámetros seleccionados, dado que en un primer componente se pudo extraer los mismos parámetros que se emplean para la generación del ICOMI, los sólidos suspendidos totales empleados para el cálculo del ICOSUS y los parámetros utilizados para el cálculo de ICOMO. También, relacionó el parámetro temperatura de muestra junto con los parámetros que miden la mineralización del agua, pues estos tienen una fuerte relación dado que los sólidos y sales disueltos por efecto de la radiación solar hacen que la temperatura del agua ascienda. En un segundo componente se extrae el parámetro pH utilizado para el cálculo del ICOpH, el fósforo total utilizado para calcular el ICOTRO, así como el parámetro oxígeno disuelto.

Referencias

[1] J. J. Tápanes, “Hidrología de la desembocadura del Cauto y regiones adyacentes.” La Habana: Voluntad Hidráulica, 1974.

[2] J. A. Romero, “Calidad del agua,” Tercera ed. Bogotá, 2009.

[3] F. Manrique, D. Manrique, R. Manrique, and M. Tejedor, “Chicamocha Y Algunas Aproximaciones Sobre La Salud Humana .,” Salud Hist.sanind. on-line, vol. 1, no. 1, p. 13, 2006.

[4] C. Vergara, A. González, and C. González, “Evaluación de impacto ambiental y estudios previos a una valoracion contingete. Caso la Colosa, Cajamarca, Tolima, Colombia,” Ensayos Econ., no. 42, pp. 191–222, 2013.

[5] A. Ramirez and G. Viña, “Limnologia Colombiana.” p. 291, 1998.

[6] R. Ibar Alonso and M. del C. García Centeno, “El Análisis Multivariante en la enseñanza universitaria,” Dep. Métodos Cuantitativos para la Econ. Univ. San Pablo, p. 12, 2002.

[7] R. Cabrero Gregorio, “APLICACIÓN DEL ANÁLISIS MULTIVARIANTE TRIDIMENSIONAL AL ESTUDIO DE MUESTRAS MEDIOAMBIENTALES,” Universidad de Valladolid, 2012.

[8] ANTEK S.A.S, “Reportes de Resultados de Laboratorio,” Bogotá, 2014.

[9] R. Hernández Sampieri, C. Fernández Collao, and P. Baptista Lucio, Metodología de la investigación, MCGRAW-HIL. México, 1997.

[10] IBM Corp., “IBM SPSS Statistics 22 Core System.” p. 310, 2013.

[11] M. Rodríguez Rodríguez, J. Benavente Herrera, J. J. Cruz Sanjulián, and F. Torres Ruiz, “Análisis multivariable aplicado a datos hidroquímicos de las zonas húmedas de la provincia de Málaga,” Geogaceta, vol. 28, pp. 125–128, 2000.

[12] G. R. González Leal, Microbiología del agua. Conceptos y aplicaciones, Primera Ed. Bogotá: Escuela Colombiana de Ingeniería, 2012.

[13] G. Roldán Pérez and J. J. Ramírez Restrpo, Fundamentos de limnología neotropical, vol. 2. 2008.

[14] J. F. Hair, W. C. Black, B. J. Babin, and R. E. Anderson, Pearson New International Edition: Multivariat Data Analysis, Septima Ed. 2014.

[15] L. C. Mira Olarte, “Análisis Estadístico Multivariado de los Parámetros de Calidad del Agua en Vertimentos Urbanos en la Ciudad de Bogotá,” Universidad de los Andes, 2006.

[16] MAVDT, “Politica Nacional para la Gestión Integral Del Recurso Hídrico – Documento Final,” 2010.

[17] D. Peña, “Análisis de Datos Multivariantes.” Madrid: McGraw Hill, 2002.

[18] J. R. Perez, “Que es el análisis multivariante,” Psicol. Exp., 2004.



Buscar:
Ir a la Página
IR
Modelo de publicación sin fines de lucro para conservar la naturaleza académica y abierta de la comunicación científica
Visor de artículos científicos generados a partir de XML-JATS4R