Factores que influyen en el pH del agua mediante la aplicación de modelos de regresión lineal

Contenido principal del artículo

Sandra Lorena García
Alexandra Arguello
Richard Parra
Marcela Pincay Pilay

Resumen

En este artículo se evalúan algunos factores que pudiesen alterar el pH del agua del río Chimbo ubicado en la provincia de Bolívar en Ecuador. La metodología a usar es la de Regresión lineal multiple haciéndo énfasis en el coeficiente de determinación R2 ajustado bajo el criterio de normalidad de datos. Se exponen y contrastan resultados para los distintos modelos estadísticos obtenidos bajo un software libre “R” y se discute la información de estos para el estudio de la calidad del agua en base a su pH. Finalmente, se establece que las variables que más influyen al pH son la alcalinidad, sulfato y cloruro presentes en el agua y se muestran algunas predicciones del pH del agua en base al mejor modelo obtenido.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
García, S. L., Arguello, A., Parra, R., & Pincay Pilay, M. (2019). Factores que influyen en el pH del agua mediante la aplicación de modelos de regresión lineal. INNOVA Research Journal, 4(2), 59–71. https://doi.org/10.33890/innova.v4.n2.2019.909
Sección
Artículos

Citas

Ansari, F., & Salahuddin. (2013). Statistical Analysis for the Presence of pH Content of Ground Water at Different Locations of Industrial area at Ghazipur in India. Global Journal of Science Frontier Research Mathematics and Decision Sciences, 13(9).

Aparicio, J., Martínez, M. M., & Morales, J. (2004). Modelos aplicados en R. Universidad Miguel Hernández.

APHA, AWWA & WPCF (1992). Métodos normalizados para el Análisis de Aguas Potables y Residuales. España: Díaz de Santos.

Chang, R. (2010). Química. México DF: McGraw-Hill.

Chang, R. G. (2013). Química (11a ed. edición. México; Madrid: MacGraw-Hill. ISBN 978-607-15-0928-4.

Del Valle Moreno, J., & Guerra Bustillo,W. (2012). La Multicolinealidad en modelos de Regresión Lineal Múltiple. Revista Ciencias Técnicas Agropecuarias, 80-83.

Kiely, G. (2000). Ingeniería Ambiental: Fundamentos, entornos, tecnologías y sistemas de gestión. España, Madrid.

Kutner, M. H., Nachtsheim, C. J., & Neter, J. (2004). Applied Linear Regression Models. McGraw-Hill Irwin.

Li, J., Liu, H., & Chen, J. (2018). Microplastics in freshwater systems: A reviewon occurrence, environmental effects, and methods for microplastics detection. Water Research, 362-374.

Mackenzie,D., & Cornwell, D. (2012). Introduction to Environmental Engineering (The Mcgraw-hill Series in Civil and Environmental Engineering) 5th Edition.

Montgomery, D., Peck, E., & Vining, G. (2006). Introducción al análisis de regresión lineal. México: Ed. Limussa.

Morris, G. L., & Fan, J. (1998). En Reservoir sedimentation handbook: Design and management of dams, reservoirs, and watershed for sustainable use. New York: McGraw-Hil.

R Code Team. (8 de septiembre de 2018). R: Un Lenguaje y Entorno para la Estadística Informática. En F. R. Estadística. Viena, Austria. Obtenido de http://www.rproject.org.

Stanley, E. H., & Doyle, M. W. (2002). Ageomorphic perspective. BioScience, 52(8), 693-701.

Stow, C. A., Borsuk, M. E., & Stanley, D. W. (2001). Long-term changes in watershed nutrient inputs and riverine exports in the Nesuse River. Water Research, 35(6), 1489-1499.

Varea, A., Suárez, L., Chávez, G., Cordero, M., Álvarez, N., & Espinosa, F. (1997). Biodiversidad, bioprospección y bioseguridad. Quito, Ecuador.

Zhang, Y., Xia, J., Shao, Q., & Zhai, X. (2013). Water quantity and quality simulation by improved SWAT in highly regulated Huai River Basin of China. Stochastic Environmental Research & Risk Assessment, 27(1).

Zlatanović, L., van der Hoek, J. P., & Vreeburg, J. H. (2017). An experimental study on the influence of water stagnation and temperature change on water quality in a full-scale domestic drinking water system. Water Research, 761-772.

Zubala, T. (2009). Influence of dam reservoir on the water. Ecohydrology & Doyle, 9(2-4), 165-173.