INNOVA Research Journal, ISSN 2477-9024  
Mayo- Agosto, 2019). Vol. 4, No.2 pp. 59-71  
(
DOI: https://doi.org/10.33890/innova.v4.n2.2019.909  
URL: http://revistas.uide.edu.ec/index.php/innova/index  
Correo: innova@uide.edu.ec  
Factores que influyen en el pH del agua mediante la aplicación de modelos de  
regresión lineal  
Factors that influence the pH of water through the application of linear  
regression models  
Sandra Lorena García  
Alexandra Arguello  
Richard Parra  
Escuela Superior Politécnica del Litoral, Ecuador  
Marcela Pincay Pilay  
Universidad Estatal del Sur de Manabí, Ecuador  
Autor para correspondencia: slgarcia@espol.edu.ec; alex_yta05@hotmail.com;  
rparra@espol.edu.ec; marcela.pincay@unesum.edu.ec  
Fecha de recepción: 31 de Octubre del 2018 - Fecha de aceptación: 1 de abril del 2019  
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. En aguas de ríos no contaminados los  
valores de pH varían de acuerdo con los cambios en su oxígeno disuelto (od), sulfatos, caudal,  
cloruro, alcalinidad y aceites. La calidad del agua del Río Chimbo es analizada a través del valor  
de pH y a fin de estudiar su variabilidad se usan modelos de regresión lineal simple y regresión  
lineal múltiple, relacionando el pH en función de variables explicativas como: oxígeno disuelto,  
sulfatos, caudal, cloruro, alcalinidad y aceites. Se hace énfasis en el coeficiente de determinación  
2
R ajustado bajo el criterio de normalidad de datos para evaluar la calidad del agua mediante la  
aplicación de los modelos de regresión simple y múltiple, a fin de determinar los factores más  
influyentes en el pH. 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.  
Palabras clave: pH; calidad del agua; regresión lineal; regresión lineal múltiple; coeficiente de  
determinación  
Abstract: In this article some factors that could alter the pH of the Chimbo river water are  
evaluated, which is in the province of Bolivar in Ecuador. In uncontaminated river waters, pH  
values vary according to changes in dissolved oxygen (OD), sulphates, flow, chloride, alkalinity  
and oils. The water quality of the Chimbo River is analyzed through the pH value and to study its  
variability, the simple linear regression and multiple linear regression models have been used to  
relate the pH and explanatory variables such as: dissolved oxygen, sulphates, flow, chloride,  
alkalinity and oils. Emphasis is placed on the coefficient of determination R2 adjusted under the  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
59  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
criterion of normality of data to evaluate the quality of water through the application of the simple  
and multiple regression models, in order to determine the most influential factors in the pH. Results  
for the different statistical models analyzed under free software "R" are exposed and contrasted  
and their information is discussed for the study of water quality based on its pH. Finally, it  
establishes that the variables that most influence the pH are the alkalinity, sulfate, and chloride  
present in the water and we show some predictions of the pH of the water on the basis of the best  
model obtained.  
Key Words: pH; water quality; linear regression; multiple linear regression; coefficient of  
determination  
Introducción  
La contaminación se define como la alteración del medio natural producto de factores  
externos, como son los físicos, químicos o biológicos (Mackenzie & Cornwell, 2012). La  
contaminación de la ecología acuática ocasiona problemas indestructibles o transitorios en las  
comunidades biológicas de ríos (Kiely, 2000, p. 309).  
Las descargas residuales directas en los ríos representan una causa importante de  
contaminación (Varea, et al., 1997, p. 36). Por otro lado, la presencia de grandes cantidades de  
materia orgánica que mediante oxígeno y bacterias dan lugar a su descomposición originan la  
demanda biológica de oxígeno (DBO) (Kiely, 2000, p. 371). Se produce un incremento de DBO  
y sólidos en suspensión, también de compuestos tales como nitritos, nitratos, fosfatos y  
compuestos amoniacales cuando los ríos reciben las descargas de los efluentes (Kiely, 2000, p.  
3
73). Además, Rossen et al. (2009) Indican que el aumento del deterioro de la calidad del agua  
en los embalses y lagos se debe fundamentalmente a las descargas de líquidos de origen cloacal  
con un inadecuado o nulo tratamiento, constituyendo un importante riesgo de transmisión de  
enfermedades de origen hídrico.  
Según varias publicaciones (Stow et al., 2001; Stanley & Doyle, 2002; Zubala, 2009;  
Zhang et al., 2013), el embalse de agua en las reservas aumenta las concentraciones de nitrógeno  
disuelto, amoniaco total más nitrógeno orgánico, nitrógeno total, carbono orgánico disuelto y  
carbono orgánico total y disminuye las concentraciones de sólidos disueltos y sedimentos  
suspendidos. Morris & Fan (1998) hicieron énfasis en que la relación entre la descarga y las  
concentraciones de contaminantes cambian cuando el embalse de agua está en los reservorios.  
Los ríos son sistemas abiertos y sus aguas circulan a fin de que los organismos que  
dependen de él tengan cierto equilibrio. Varios indicadores constituyen una medida de la calidad  
del agua en un río. Estas medidas incluyen el oxígeno disuelto, la temperatura y el pH, que es un  
indicador de la concentración de iones hidrógeno. También, Lanza Espino et al. (2000) Hacen  
énfasis en el pH como indicador de calidad de agua.  
Otros factores externos que pueden causar fluctuaciones en el pH de un río incluyen los  
desechos de agricultura, los drenajes ácidos de minería y las emisiones de combustibles fósiles,  
como el dióxido de carbono, el cual genera un ácido débil cuando se disuelve en el agua del río.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
60  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
En aguas de ríos no contaminados los valores de pH varían de acuerdo con los cambios  
en su oxígeno disuelto, sulfatos, caudal, cloruro, alcalinidad y aceites. La ecuación que se utiliza  
para medir el pH es (Chang R. , 2010):  
PH = -log [H3O+]  
La escala del pH va del 1 al 14, mientras más bajo sea el número, más ácido será la  
solución, por el contrario, mientras más alto sea el número más básica será la solución (Chang R.  
G., 2013).  
Algunos estudios relacionados al análisis del pH en aguas se mencionan a continuación:  
Ansari & Salahuddin (2013) recolectaron muestras de agua subterránea de diferentes  
lugares de la industria de Ghazipur, India y obtuvieron los valores de pH en un laboratorio para  
realizar un análisis de varianza, llegando a la conclusión que en todos los lugares se presentan  
valores similares de pH, pero que hay variación de este según el mes de recolección. Esto se  
debe que el agua en esos meses tiene mayor concentración de iones de hidrógeno afectado por la  
sedimentación atmosférica.  
Algunas técnicas estadísticas multivariantes han sido utilizadas para estudiar la calidad  
del agua, como en el trabajo de Salim et al. (2014) Donde utilizan regresión lineal, análisis de  
componentes principales y conglomerados para entender las relaciones de variables que  
describen las características del agua del lago Wular. Otros trabajos relacionados se pueden  
encontrar en Viswanath et al. (2015), Zlatanović et al. (2017) , Li et al. (2018), entre otros.  
Con estos antecedentes, el pH es un indicador que permite medir la calidad del agua del  
Río Chimbo, y por tanto será utilizado en este trabajo. A fin de estudiar su variabilidad se usan  
modelos de regresión lineal simple, y regresión lineal múltiple tomando como variable respuesta  
el pH en función de variables explicativas como: oxígeno disuelto, sulfatos, caudal,cloruro,  
alcalinidad y aceites. Para medir el pH del agua se utilizaron herramientas de laboratorios a fin  
de obtener los datos a ser utilizados en el presente estudio.  
El artículo se estructura en tres etapas: la primera presenta las principales características  
de los modelos de regresión a ser utilizados; la segunda presenta resultados del procesamiento de  
datos de las mediciones en el pH del agua, a partir del modelo de regresión lineal simple y de  
regresión múltiple con sus respectivos análisis y la tercera presenta el modelo que mayor ajuste  
se ha logrado con el pH del agua, por último se entrega conclusiones de la investigación.  
Metodología  
Antes de realizar el modelo de regresión lineal simple se analizará la correlación de las  
variables objeto de estudio para descubrir la asociatividad lineal entre variables de tipo continuo.  
Aparicio et al. (2004) Señalan que un análisis de correlación “consta de dos partes: gráficos de  
dispersión y análisis de correlación propiamente dicho, que consiste en el cálculo de las  
correlaciones y la realización de los contrastes pertinentes”.  
Correlación Simple  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
61  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Un análisis de correlación servirá para determinar si existe relación de tipo lineal entre las  
variables. Si tal relación lineal existe se tendría la justificación para ajustar el modelo de  
regresión lineal simple.  
Se define el coeficiente de correlación (p) de Pearson como (Aparicio et al., 2004):  
풄풐풗(풙, 풚)  
풑 =  
√
풗풂풓(풙)풗풂풓(풚)  
Donde Var identifica la varianza y COV la covarianza  
Dada una muestra (x1, y1), …, (xn,yn) de dos variables X e Y, se calcula el coeficiente de  
correlación lineal simple (r) de Pearson de la siguiente manera:  
풏
풊ꢀퟏ  
∑
(풙 − 풙̅ )(풚 − 풚̅ )  
풊 풊  
풓 =  
풏
풊ꢀퟏ  
(풙 − 풙̅ ) ∑ ((풚 − 풚̅ )ퟐ  
ퟐ
풏
풊ꢀퟏ  
√
∑
풊 풊  
Cuando existe correlación lineal entre dos variables, este coeficiente es útil para  
cuantificar el grado de asociación entre ellas, es decir el coeficiente de correlación de Pearson es  
una medida de asociación lineal libre de escala, con valores comprendidos entre -1 y 1,  
invariante a transformaciones lineales de las variables que se detallan en la Tabla 1.  
Tabla 1  
Valoración Numérica de correlación simple  
Valorización numérica  
풓 = ퟎ  
Significancia  
Nada de asociación lineal  
Asociación lineal perfecta  
풓 = ퟏ 풐 − ퟏ  
풓 < ퟎ  
풓 > ퟎ  
Correlación negativa  
Correlación positiva  
Fuente: adaptado de Aparicio et al. (2004)  
Modelo de regresión lineal simple  
Los modelos de regresión lineal son ampliamente usados en la ingeniería ya que sirven  
para analizar el procedimiento de las variables de entrada y salida estableciendo predicciones y  
estimaciones (Montgomery et al., 2006). La ecuación (1) muestra la representación de un modelo  
de regresión lineal simple, donde Y es la variable de salida, X la variable de entrada, 휷 풚 푩 son  
ퟎ
ퟏ
los parámetros del modelo o coeficientes de regresión y 휺 es el error del modelo  
풀 = 휷 + 푩 푿 + 휺 (1)  
ퟎ
ퟏ
La ecuación (2) muestra el modelo ajustado de regresión lineal simple, donde 풚̂ es el  
valor estimado o esperado de la variable de salida para la variable de entrada X. Los estimadores  
del modelo son calculados por el método de mínimos cuadrados usando las ecuaciones (3) y (4)  
ꢁ
ꢂ
ꢂ
ퟏ
풀 = 휷 + 휷 푿 (2)  
ퟎ
풏
풊ꢀퟏ  
∑
(풚 − 풚̅ )(풙 − 풙̅ )  
풊
풊
ꢂ
휷 =  
(ퟑ)  
ퟏ
풏
풊ꢀퟏ  
∑
(풙 − 풙)ퟐ  
풊
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
62  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
ꢂ
ꢂ
ퟏ
푩 = 풚̅ + 휷 풙̅ (ퟒ)  
ퟎ
Modelo de regresión lineal Múltiple  
En la ecuación (5), Montgomery et al. (2006) describen el modelo de regresión lineal  
múltiple y en la ecuación (6) se muestra el modelo ajustado de regresión lineal múltiple. En este  
modelo la variable de salida Y se puede relacionar con K variables de entrada. Los estimadores  
de los coeficientes de este modelo se obtienen a partir de la ecuación (7).  
풀 = 휷 + 푩 푿 + 푩 푿 + ⋯ + 푩 푿 + 휺 (5)  
ퟎ
ퟏ
ퟐ
ퟐ
풌
풌
ꢁ
ꢂ
ꢂ
ꢂ
풀 = 휷 + 휷 푿 + 휷 푿 + ⋯ + 푩 푿 (6)  
ퟎ
ퟏ
ퟐ
ퟐ
풌
풌
ꢃퟏ  
ꢁ
휷 = (푿′푿) 푿′풀 (7)  
Donde 휺 es una variable aleatoria que se supone normal con media cero, varianza  
풊
constante y no correlacionada. Para probar normalidad se usará la prueba de Shapiro Wilk,  
mientras que para probar homocedasticidad (varianza constante) y no correlación se usarán las  
pruebas de Breusch-Pagan y Durbin-Watson, respectivamente (Aparicio et al., 2004)  
En los modelos de regresión lineal múltiple se debe evaluar la presencia de la  
multicolinealidad que aparece cuando existe una dependencia casi lineal entre las variables de  
entrada X del modelo. El problema de la multicolinealidad afecta a la estimación de las varianzas  
de los estimadores de los coeficientes del modelo, por tanto afectaría a sus pruebas de  
significancia (Kutner et al., 2004)  
Coeficiente de Determinación R2  
Montgomery et al. (2006) especifican que este coeficiente mide la proporción de la  
variación de la respuesta Y que es explicada por el modelo de regresión. En la ecuación (8) se  
detalla cómo se obtiene este coeficiente donde 푺푺 es la medida de variabilidad del modelo de  
푹
regresión y 푺푺 corresponde a la medida de variabilidad de Y sin considerar el efecto de la  
푻
variable de entrada X.  
풏
( 풚ꢅ − 풚̅ )ퟐ  
푺푺푹  
푺푺푻  
∑
∑
풊ꢀퟏ  
ꢄ
ퟐ
ퟐ
푹 =  
=
, ퟎ ≤ 푹 ≤ ퟏ (ퟖ)  
풏
풊ꢀퟏ  
(풚 − 풚̅ )ퟐ  
풊
2
De acuerdo a la ecuación citada si el valor de R se acerca a 1, entonces se tiene un buen ajuste y  
el modelo de regresión es capaz de explicar adecuadamente la variación de la variable de salida  
Y.  
Multicolinealidad  
Kutner et al. (2004) presentan la ecuación (9) en donde se puede determinar la  
multicolinealidad de las variables de entrada X a partir de factores de inflación de la varianza.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
63  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
ퟏ
푭푰푽 =  
(ퟗ)  
풋
ퟏ − 푹ퟐ  
풋
ퟐ
풋
Donde 푹 es el coeficiente de determinación múltiple entre 푿 y las restantes p-1 variables, si el  
풋
valor de 푭푰푽 > a 10 da indicio de problema de multicolinealidad.  
풋
Es importante tener en cuenta que, las técnicas existentes para detectar y tratar  
multicolinealidad no siempre logran el éxito teniéndose que recurrir a otros parámetros de  
análisis (Del Valle Moreno & Guerra Bustillo , 2012) .  
Descripción de los datos obtenidos  
Los datos obtenidos de la presente investigación son de tipo experimental, con el  
propósito de medir diversas variables que caracterizan al agua del río Chimbo en 15 puntos  
distintos tomados de manera aleatoria, para lo cual se tomaron muestras que fueron llevadas a  
laboratorio a fin de medir los valores de pH, cloruro, sulfatos, aceites, alcalinidad y caudal.  
Resultados  
Valores de pH del agua  
En la Tabla 2 se puede visualizar los 15 puntos de referencia del río Chimbo donde se  
midió el valor de pH. Se puede apreciar que los valores de pH de cada punto están dentro del  
rango de 6 a 8.5 que puede considerarse aceptable para ser potabilizado de acuerdo a lo que se  
indica en APHA et al. (1992)  
Tabla 2  
Valores de pH del agua en el río Chimbo  
N°  
pH  
1
8.22  
7.86  
7.58  
8.18  
8.14  
8.75  
8.31  
7.34  
8.12  
8.17  
7.99  
7.37  
6.95  
7.98  
7.82  
2
3
4
5
6
7
8
9
1
1
1
1
1
1
0
1
2
3
4
5
Fuente: elaboración propia  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
64  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Correlación simple de las variables objeto de estudio  
En la Figura 1 se observa que 풓풚,풐풅 = ퟎ. ퟒퟓ 풓풚,푪풍풐풓풖풓풐 = −ퟎ. ퟐퟓ; 풓풚푺풖풍풇풂풕풐 = ퟎퟓퟓ  
풓풚,풂풄풆풊풕풆풔  
=
−
ퟎ. ퟐퟑ 풓풚.풂풍풄풂풍풊풏풊풅풂풅 = −ퟎ, ퟓퟕ 풓풚,푪풂풖풅풂풍 = ퟎ. ퟐퟗ, por lo que se podría decir que la variable  
que se encuentra más relacionada con el pH del agua para la posible construcción del nuevo  
modelo es la alcalinidad pues presenta el mayor valor de correlación en valor absoluto. La  
alcalinidad es la cantidad de carbonatos de calcio (CaCO3) que hay en el agua, también se puede  
definir como la cantidad de ácido necesaria para disminuir el pH de una muestra.  
Figura 1 Determinación de correlaciones individuales  
Se puede además visualizar que existe una alta relación lineal positiva entre alcalinidad y  
cloruro por lo que las aguas que mostraron menor alcalinidad también presentaron menos cloruro  
y las que presentaron mayor alcalinidad también tenía mayores cantidades de cloruro.  
Para aplicar los modelos de regresión y determinar los factores que influyen en la  
medición del pH de la calidad del agua, se utilizó el software de distribución libre R (R Code  
Team, 2018)  
Modelo de regresión Lineal Simple  
En la Figura 2 se puede visualizar el comportamiento gráfico del modelo de regresión  
lineal simple construido entre las variables pH y alcalinidad, de lo que se puede decir que en las  
muestras de agua del río Chimbo se encontró mayor alcalinidad para valores menores de pH.  
Figura 2 Modelo de regresión simple entre alcalinidad y pH  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
65  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Se construyeron modelos de regresión lineal simple entre pH como variable de salida y  
las demás variables, pero con la única variable de entrada que mejoró el modelo es con la  
alcalinidad dado que la correlación entre estas dos variables es la más representativa.  
Tabla 3  
Resultados de ajuste del Modelo de Regresión Lineal  
2
Modelo  
Regresión  
Ecuación  
pH=8.88 –  
R
Valor p  
0.026  
0.326  
0
.016*alcalinidad mg/l  
Fuente: elaboración propia  
Con respecto al análisis de este modelo se puede decir que la media de 휷 = ퟖ. ퟖퟖ del pH  
ퟎ
del agua cuando la alcalinidad tiene valor de 0. Por otro lado, el valor de 휷 = − . , ퟎퟏퟔ quiere  
ퟏ
decir que por cada mg de CaCO3 por litro de agua el pH va a disminuir en 0.016. En cuanto al  
valor p se comprueba que es menor a 0.05, por tanto, el aumento de alcalinidad influye  
inversamente en el pH del agua.  
En la figura 3 se puede visualizar la normalidad de los residuos del modelo, para lo cual  
se utilizó la prueba de Shapiro-wilk.  
Shapiro-Wilk normality test  
data: r  
W = 0.92932, p-value = 0.2665  
Figura 3 Prueba de Shapiro Wilk para verificar normalidad de residuos  
El valor p valor de 0.26 mayor a 0.05, da indicio de que residuos provienen de una  
distribución normal. Además, los supuestos de no correlación de residuos y de homocedasticidad  
son contrastados con las pruebas de Durbin-Watson y Breusch-Pagan, obteniéndose valores p  
que indican que se cumplen con estos supuestos.  
Modelo de regresión Múltiple  
En la Figura 4 se puede apreciar que los factores que influyen en la determinación del pH  
son, la alcalinidad, el sulfato, seguidos por oxígeno disuelto y el caudal, de los cuales la variable  
del sulfato denota una clara tendencia de una distribución normal en sus datos, mientras que las  
otras variables denotan sesgos.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
66  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Figura 4 Gráficos de densidad de todas las variables objeto de estudio y valores de correlación entre las  
variables  
En la tabla 4, se presentan los mejores modelos de regresión múltiple obtenidos con las  
variables analizadas. Se puede apreciar que todos los modelos cumplen con los supuestos de los  
2
residuos, sin embargo, el modelo con el R más alto es el modelo 2.  
Tabla 4: Resultados de los Modelo de Regresión Múltiple  
Modelo  
Modelo 1  
Modelo 2  
Modelo 3  
cloruro, alcalinidad  
Variables  
analizadas  
Oxígeno disuelto,  
sulfato, caudal,  
cloruro, alcalinidad,  
aceites  
sulfato, cloruro,  
alcalinidad  
Ho: Varianza  
constante vs H1:  
Varianza  
Valor p: 0.42  
Homocedasticidad  
0.24  
0.80  
Homocedasticidad  
Homocedasticidad  
No constante  
2
R
0.3993  
0.5605  
0.31  
0.3634  
0.83  
Durbin-Watson test 0.22  
No existe correlación No existe correlación No existe correlación  
Shapiro-Wilk  
normality test  
residuos  
0.65  
Normalidad en  
Residuos  
0.41  
Normalidad en  
Residuos  
0.31  
Normalidad en Residuos  
Fuente: elaboración propia  
Multicolinealidad de las variables de entrada del modelo de regresión Múltiple  
2
Se obtuvo un R de las variables del modelo 2 de 0.5605, aplicando la fórmula de factores  
de inflación de la varianza como se detalla:  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
67  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
ퟏ
푭푰푽 =  
= ퟐ. ퟐퟕ  
풋
ퟏ − ퟎ. ퟓퟔퟎퟓ  
Lo que indica que no existe multicolinealidad en las variables que influyen en la  
determinación del pH del agua, porque el valor es menor a 10 (Aparicio et al., 2004); además el  
índice de inflación entre variables explicativas del modelo es menor a 10. Por lo que se considera  
como mejor modelo el 2:  
Tabla 5: Resultados de ajuste del Modelo de Regresión Múltiple  
2
Modelo  
Ecuación  
R
P valor  
Regresión lineal  
múltiple  
pH=7.65 +0.066*sulfato  
(mg/l)+0.022*cloruro (mg/l) –  
0.56  
0.0068  
0
.029*alcalinidad (mg/l)  
Fuente: elaboración propia  
Para el diseño del modelo de regresión múltiple se tomaron como variables influyentes en  
la determinación de la calidad del agua al sulfato, cloruro y alcalinidad que dieron como origen  
2
un R de 0.56. A partir del diseño de este modelo se puede interpretar que el valor 휷 = ퟕ. ퟔퟓ q  
ퟎ
es el promedio de pH ante la ausencia de sulfatos, cloruro y alcalinidad. Por otro lado el valor de  
휷 = ퟎ. ퟎퟔퟔ quiere decir que por cada mg/l de sulfato el pH va aumentar en 0.066, así mismo el  
ퟏ
휷 = ퟎ. ퟎퟐퟐ da indicio que por cada mg/l de cloruro el pH va aumentar 0.022 y el 휷 =  
ퟐ
ퟑ
−
ퟎ, ퟎퟐퟗ implica que cada mg/l de alcalinidad el pH va a disminuir 0.029. Con respecto a su p  
valor del estadístico de F se comprueba que es menor a 0.05 se rechaza Ho, por lo tanto, las  
variables de entrada influyen en la determinación del pH del agua. A continuación, se presentan  
los valores de pH predichos por el modelo presentado en la Tabla 5.  
Tabla 6: Valores predichos de pH  
pH  
pH  
observado  
predicho  
8
7
7
8
8
8
8
7
8
8
7
7
6
7
7
.22  
.86  
.58  
.18  
.14  
.75  
.31  
.34  
.12  
.17  
.99  
.37  
.95  
.98  
.82  
8.27  
7.73  
7.45  
7.88  
7.92  
8.37  
8.01  
7.48  
8.39  
7.88  
8.47  
7.57  
7.26  
8.02  
8.02  
Fuente: elaboración propia  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
68  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Conclusiones  
Se determinó la relación de las variables de entrada y salida a partir de los modelos de  
regresión lineal simple y modelo de regresión múltiple con los indicadores de medición del pH  
del agua a partir de factores como alcalinidad, sulfatos, aceites, cloruros, oxígeno disuelto.  
Se comprobó en los modelos realizados con respecto al pH del agua, que mientras más se  
2
vaya mejorando su R , esas variables de entrada serán los factores más influyentes en la  
determinación del pH del agua.  
Las variables de entrada que más influyen en la determinación del pH del agua en los dos  
modelos de regresión (lineal – múltiple) es la alcalinidad. Sin embargo, el comportamiento  
conjunto de alcalinidad, sulfato y cloruro afecta significativamente al valor de pH del agua del  
Río Chimbo. Adicionalmente, cabe mencionar que los modelos construidos cumplen con los  
supuestos de Regresión Lineal, por lo que todas las inferencias de este estudio obtenidas  
mediante esta metodología son confiables.  
Se presentan además estimaciones del pH del agua del Río Chimbo a través del mejor  
modelo descrito por la relación pH=7.65 +0.066*sulfato (mg/l)+0.022*cloruro (mg/l) –  
0
.029*alcalinidad (mg/l). Estas estimaciones son muy cercanas a los valores reales de pH del río  
Chimbo de la muestra estudiada. A través de los coeficientes del modelo se puede apreciar que  
hay una relación positiva entre las variables sulfato, cloruro y pH, mientras que la relación entre  
alcalinidad y pH sería negativa.  
Se recomienda establecer mecanismos de control en las instituciones de regulación y  
cuidado del agua, para evitar cambios en las variables antes mencionadas (alcalinidad, sulfato y  
cloruro) para evitar variaciones significativas en el pH del agua, puesto que esto podría ocasionar  
el aumento en la acidez o alcalinidad del mismo dejando a la región sin esa fuente de consumo  
del líquido vital.  
Se recomienda tener mucho cuidado al beber el agua del Río Chimbo sin un proceso de  
purificación, puesto que, según los resultados obtenidos el nivel de pH bordea el nivel aceptable  
del líquido vital siendo este un valor cercano a 7, pero el índice del valor del pH se ve muy  
influenciado por los valores que tomen sus variables de salida, alcalinidad, sulfato y cloruro.  
Bibliografía  
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.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
69  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
Chang, R. (2010). Química. México DF: McGraw-Hill.  
Chang, R. G. (2013). Química (11a ed. edición. México; Madrid: MacGraw-Hill. ISBN 978-607-  
1
5-0928-4.  
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.  
Lanza, E. G., Hernández, P. S., & Carbajal, P. J. (2000). Comisión Nacional del Agua de Mꢀxico,  
&
Universidad Nacional Autónoma de Mꢀxico. Organismos indicadores de la calidad del  
agua y de la contaminación: Bioindicadores.  
Li, J., Liu, H., & Chen, J. (2018). Microplastics in freshwater systems: A review on 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  
Rossen, A., Calvo, D., Rodríguez, M., Bustamante, A., Korol, S., & Angelaccio, C. (2009).  
Evaluación de la Calidad del agua mediante modelación lineal de los indicadores de  
contaminación fecal en el embalse San Roque. XXII Congreso Nacional del Agua.  
Salim, A., Gowhar, M., Sayar, Y., & Ashok, K. (2014). Statistical Assessment of Water Quality  
Parameters for Pollution Source Identification in Sukhnag Stream: An Inflow Stream of  
Lake  
Wular  
(Ramsar  
Site).  
Journal  
of  
Ecosystems.  
doi:https://doi.org/10.1155/2014/898054.  
Stanley, E. H., & Doyle, M. W. (2002). A geomorphic 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.  
Viswanath, N. C., Dileep Kumar, P. G., Ammad, K. K., & Usha Kumari, E. R. (2015). Statistical  
Analysis of Quality of Water in Various Water Shed for Kozhikode City, Kerala, India.  
Aquatic Procedia, 1078-1085.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
70  
INNOVA Research Journal 2019, Vol 4, No. 2, pp. 59-71  
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-  
1
73.  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
71