EVALUACIÓN DE LA CALIDAD DEL AGUA EN LA MICROCUENCA PIRRO MEDIANTE PARÁMETROS FISICOQUÍMICOS

Resumen

El pH, conductividad eléctrica, turbidez, oxígeno disuelto, temperatura y sólidos disueltos son algunos de los parámetros físicoquímicos de importancia para evaluar la calidad de agua de un río. Se recolectaron 30 muestras de cada punto de muestreo (San Rafael de Heredia y la Universidad Nacional de Costa Rica, campus Omar Dengo) en la mañana y en la tarde. Se determinó que existen diferencias significativas entre los puntos de muestreo y además que hay relaciones fuertes y débiles entre los parámetros. Las diferencias entre las poblaciones se deben al efecto antropogénico que existe en el río consecuencia de los desechos que se arrojan a sus aguas y que alteran estos parámetros, tanto en San Rafael como en la Universidad Nacional, teniendo en el segundo punto valores mayores que indican mayor contaminación.

Palabras clave: Río Pirro, parámetros físicoquímicos, calidad del agua, cuenca alta, cuenca baja

Introducción

La microcuenca del río Pirro nace en los Ángeles de San Rafael de Heredia y confluye en el río Bermúdez. El alto desarrollo de la población en este sector ha ocasionado gran influencia en este río, principalmente porque los desechos son arrojados y en algunos casos no son tratados, por lo cual interfiere en la calidad del agua y afecta la vida acuática.

Actualmente, en Costa Rica existe un control riguroso de los parámetros fisicoquímicos que se utilizan para determinar el grado de calidad o contaminación del agua, los cuales son establecidos por el Ministerio de Salud. Al medir factores como pH, turbidez, sólidos disueltos, conductividad eléctrica, temperatura y el oxígeno disuelto en el río Pirro se puede obtener y estimar un aproximado de cómo se encuentra la calidad del agua en este río.

El valor de pH, que se define como la concentración de iones hidronio y es una medida utilizada para determinar la acidez de una solución. Este rango varía de 0 a 14, siendo 7 el rango promedio. El registro del pH en las aguas puede ser de tipo natural o artificial, puede variar entre 4.5 y 8.5 e incluye el valor de 5.6 del pH del agua de lluvia en equilibrio con el CO2 atmosférico (Rodríguez, 2009)

El parámetro de turbidez se utiliza para indicar la cantidad de materia suspendida en el agua al refractar la luz; entre mayor sea esta, menor es su grado de transparencia. Algunas de las materias que causan este efecto en el agua son el fango, la materia orgánica e inorgánica, los organismos microscópicos, entre otros. Además, uno de los factores que se relacionan con turbidez corresponde a la cantidad de sólidos disueltos en el agua.

La conductividad eléctrica es la capacidad de una solución para conducir electricidad y se mide por el grado de partículas disueltas con carga catiónica o aniónica. Esta es de gran relevancia para observar un aproximado de la cantidad de sales que se disuelven en este río. Por ejemplo, se podría decir que un río en el cual gran cantidad de residuos domésticos como el jabón son lanzados al río sin ningún tratamiento va a poder observarse un gran incremento de conductividad.

Existen varias mediciones para determinar la posibilidad de vida marina en un río, sin embargo un parámetro por calcular es el oxígeno disuelto, debido a que este es de gran importancia para la vida acuática y la fauna del plancton. Al observar en las muestras la cantidad de oxígeno, podría brindar gran información sobre el estado del río Pirro en cuanto a la posibilidad de vida marina.

Por último, la temperatura influye en a velocidad que ocurren las reacciones químicas y se realciona con oxígeno disuelto, pH y otras variables, por ello, se debe tomar en cuenta al analizar la calidad de agua.

Por medio de este proyecto de investigación, se pretende determinar algunos de los parámetros fisicoquímicos que se utilizan para analizar el estado de la calidad del agua y sus variaciones utilizando como punto de referencia la Universidad Nacional, campus Omar Dengo (cuenca alta) y San Rafael de Heredia(cuenca baja).

Imagen 1: Mapa del río Pirro.

Hipótesis

• Para la evaluación de la calidad de agua en microcuenca del río Pirro, se plantea si existen diferencias significativas o no entre los parámetros de calidad de agua respecto a cuenca alta (San Rafael) y cuenca baja (Universidad Nacional, Campus Omar Dengo).

• Además, se desea probar si existen o no diferencias significativas en los parámetros de calidad de agua comparando los comportamientos que se pueden dar entre mañana y tarde.

Objetivo general

• Analizar los parámetros fisicoquímicos del río Pirro en Heredia, utilizando de punto de referencia una cuenca alta (San Rafael centro) y una cuenca baja (Universidad Nacional, sede Omar Dengo) para determinar si existe o no un efecto antropogénico.

Objetivos específicos

• Encontrar diferencias en los parámetros fisicoquímicos de temperatura, turbidez, conductividad eléctrica, oxígeno disuelto, sólidos disueltos y pH en la microcuenca Pirro utilizando dos puntos de muestreo.

• Correlacionar los parámetros fisicoquímicos tomados en la mañana y en la tarde de ambos puntos, tomando en cuenta las aguas que se vierten y son tratadas por la Universidad Nacional en el río Pirro.

• Comparar los datos obtenidos en el río Pirro con base en los estándares de calidad establecidos por el Ministerio de Salud.

Metodología

Descripción del área de estudio:

Este estudio se efectuó en la microcuenca del río Pirro. Esta pertenece a la subcuenca del río Virilla y comprende un área de 7.3 km2. Su altitud oscila entre los 1050 m.s.n.m y los 1420 m.s.n.m. Presenta un alto porcentaje de urbanismo (73 %) y una baja proporción de cultivos (16 %), bosques ribereños y pastos (11 %) (Romero et al., 2011). La temperatura promedio anual es de 20,1ºC, la humedad promedio de 79% y una precipitación promedio anual de 2374,3 mm (Romero et al., 2011). Presenta un caudal natural sólo en época lluvioso (de mayo a noviembre), aunque se mantiene todo el año debido al vertedero de aguas servidas (Romero et al., 2011).

Se definieron 2 puntos de muestreo representativos en el río Pirro de acuerdo con su altitud. El primer punto, ubicado en San Rafael de Heredia, representa la cuenca alta y el segundo localizado en la Universidad Nacional, sede Omar Dengo, representando la cuenca baja. Esto con el fin de analizar una posible relación entre los valores de los parámetros fisicoquímicos medidos con la hora de recolección de las muestras y los puntos de muestreo (Cuadro 1).

Cuadro 1. Generalidades de los puntos de muestreo y las fechas recolección.

Punto de muestreo	Localización (lugar)	Altura (msnm)	Coordenada geográfica	Fecha de recolección	Hora de recolección
Cuenca baja	Universidad Nacional, sede Omar Dengo	1149 msnm	09°59’54.6“N 84°06’39.0”W	19 de setiembre	8:00 am
Cuenca alta	San Rafael de Heredia, centro	1268 msnm	10°00’57.6“N 84°06’03.5”W	3 de octubre	8:00 am

Muestreo

Las muestras de agua de la microcuenca fueron obtenidas entre los meses de setiembre y octubre del 2018. Se recogieron en recipientes plásticos herméticos de 200 mL (la cantidad era aproximadamente 150 mL por muestra). Se recolectaron 60 muestras por punto de muestreo (30 en la mañana y 30 en la tarde) y se trasladaron al laboratorio de LAGEDE de la Escuela de Química para la medición de sus parámetros fisicoquímicos. Los parámetros medidos para cada muestra con su respectivo instrumento se resumen en el Cuadro 2.

Cuadro 2. Parámetros fisicoquímicos medidos e instrumentos de medición.

Parámetro	Instrumento de medición	Tiempo de estabilización por muestra [s]
Temperatura [°C]	Conductímetro	de 2 a 3 s
Conductividad [µS/cm]	Conductímetro	de 2 a 3 s
pH	pHímetro	de 2 a 3 s
Turbidez [UTN]	Turbidímetro	de 10 s
Oxígeno disuelto (%)	Medidor de oxígeno disuelto (DO)	de 15 s
Sólidos disueltos [ppm]	Medidor de sólidos disueltos (TDS)	de 10 s

Análisis Estadístico

Para determinar el análisis de los datos de los parámetros físicoquímicos medidos se realizaron las pruebas de correlación entre todos los parámetros. Se determinó si se iban a usar métodos paramétricos o no, a través de pruebas de normalidad y homocedasticidad.

Después se compararon los 2 puntos de muestreo, entre los horarios de la mañana y la tarde por medio de Análisis de Varianza (ANOVAS) y se determinó si se iban a usar métodos paramétricos o no, a través de pruebas de normalidad y homocedasticidad. Posteriormente se hicieron pruebas de Hub para determinar las diferencias entre los ANOVAS.

Por último, para determinar las condiciones de calidad del agua del río Pirro en los dos sitios de muestreo, se compararon los datos obtenidos entre la cuenca alta y la cuenca baja del río Pirro con los establecidos en el Reglamento para la Calidad de Agua Potable creado por el Ministerio de Salud de Costa Rica.

Resultados

Las pruebas para determinar la normalidad o asimetría de los datos se adjunta en el anexo 2, debido a que fueron 24 pruebas las que se realizaron. Los resultados fueron 15 conjuntos de datos asimétricos y 9 normales, por lo tanto, se utilizaron pruebas no paramétricas para las correlaciones y análisis de varianza.

En esta sección, sólo se incluyeron los resultados más relevantes para los fines del proyecto, las correlaciones que no se analizaron por ser redundantes o por ser muy débiles, se adjuntan en el anexo 3.

knitr::opts_chunk$set(echo = FALSE)
Um<-read.table("C:/Users/Yaudi/Desktop/RMARKDOWN BIOESTADISTICA/Um.txt", header=TRUE, dec=".", sep="\t")
cortodo= data.frame(Um$Turb,Um$Cond,Um$pH,Um$Temp,Um$Sol,Um$Oxig)
cor1= cor(cortodo, method = "spearman")
library("corrplot")

## corrplot 0.84 loaded

corrplot(cor1, method = "number")

Figura 1: Representación numérica de la correlación que existe entre los seis parámetros fisicoquímicos medidos en la UNA en la mañana.

Ut<-read.table("C:/Users/Yaudi/Desktop/RMARKDOWN BIOESTADISTICA/Ut.txt", header=TRUE, dec=".", sep="\t")
cortodo2= data.frame(Ut$Turb,Ut$Cond,Ut$pH,Ut$Temp,Ut$Sol,Ut$Oxig)
cor2= cor(cortodo2, method = "spearman")
corrplot(cor2, method = "number")

Figura 2: Representación numérica de la correlación que existe entre los seis parámetros fisicoquímicos medidos en la UNA en la tarde.

SRm<-read.table("C:/Users/Yaudi/Desktop/RMARKDOWN BIOESTADISTICA/SRm.txt", header=TRUE, dec=".", sep="\t")
cortodo3= data.frame(SRm$Turb,SRm$Cond,SRm$pH,SRm$Temp,SRm$Sol,SRm$Oxig)
cor3= cor(cortodo3, method = "spearman")
corrplot(cor3, method = "number")

Figura 3: Representación de la correlación que existe entre los seis parámetros fisicoquímicos medidos en San Rafael en la mañana.

SRt<-read.table("C:/Users/Yaudi/Desktop/RMARKDOWN BIOESTADISTICA/SRt.txt", header=TRUE, dec=".", sep="\t")
cortodo4= data.frame(SRt$Turb,SRt$Cond,SRt$pH,SRt$Temp,SRt$Sol,SRt$Oxig)
cor4= cor(cortodo4, method = "spearman")
corrplot(cor4, method = "number")

Figura 4: Representación de la correlación que existe entre los seis parámetros fisicoquímicos medidos en San Rafael en la tarde.

Correlaciones

cor.test(Um$Sol,Um$Cond, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  Um$Sol and Um$Cond
## S = 282.94, p-value = 2.548e-14
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.9370544

0.937^2

## [1] 0.877969

plot(Um$Sol,Um$Cond, xlab= "Sólidos disueltos (ppm)", ylab="Conductividad eléctrica (µS/cm)", sub = "r=0.94    r2=0.88    p<0.05", col= "blueviolet", pch=5)

Figura 5: Relación entre la variable de sólidos disueltos y conductividad eléctrica para el punto de muestreo de la UNA en la mañana.

Para esta prueba se encontró que las variables más correlacionadas en el muestreo de la universidad fueron los sólidos disueltos (ppm) y la conductividad(µS/cm), la prueba para el muestreo de la mañana dio como resultado un coeficiente de correlación r= 0.94 con un coeficiente de determinación r2 = 0.88 y un p <0.05 para gl=28, lo cual se interpreta como una correlación positiva fuerte que explica el 88% relación entre las variables y que es significativa.

cor.test(Ut$Temp ,Ut$Oxig, method = "spearman") 

## 
##  Spearman's rank correlation rho
## 
## data:  Ut$Temp and Ut$Oxig
## S = 5887.9, p-value = 0.09561
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.3098859

0.31^2

## [1] 0.0961

plot(Ut$Oxig,Ut$Temp,xlab= "Oxígeno disuelto (%)", ylab="Temperatura (°C)",sub = "r=-0.31    r2=0.1    p>0.05", col="darkmagenta" )

Figura 6: Relación lineal de la temperatura y oxígeno disuelto en el muestreo de la UNA en la tarde.

La temperatura (°C) y el oxígeno disuelto (%) en el muestreo de la tarde, presentó un coeficiente de correlación r= -0.54, un coeficiente de determinación r2 = 0.29 y un p <0.05 para gl=28, estos valores muestran que hay una correlación negativa moderada que explica un 29 % de relación entre los parámetros y que la prueba es significativa.

cor.test(SRm$pH,SRm$Temp, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  SRm$pH and SRm$Temp
## S = 6507.5, p-value = 0.0131
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.4477181

0.45^2

## [1] 0.2025

plot(SRm$Temp,SRm$pH, xlab= "Temperatura (°C)", ylab="pH",sub = "r=-0.45    r2=0.2    p<0.05", col="steelblue")

Figura 7: Relación lineal entre la temperatura y el pH en el muestreo de San Rafael en la mañana.

Para San Rafael en la mañana, la temperatura y el pH tienen una relación moderada negativa, por lo cual si una variable aumenta, la otra disminuye. Además la relación es explicada en un 20 % y es significativa (r=-0.45, r2=0.2, p<0.05, gl=28)

cor.test(SRt$Cond,SRt$Turb, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  SRt$Cond and SRt$Turb
## S = 313.74, p-value = 1.037e-13
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.9302016

0.93^2

## [1] 0.8649

plot(SRt$Cond,SRt$Turb, xlab= "Conductividad eléctrica (µS/cm)", ylab="Turbidez (UNT)",sub = "r=0.93    r2=0.86    p<0.05", col="steelblue")

Figura 8: Relación entre la consductividad eléctrica y la turbidez del muestreo de San Rafael en la tarde.

Para la tarde, la correlación entre la conductividad (µS/cm) y la turbidez (UTN) dio como resultado un r = 0.93, un r2 = 0.86 y un p <0.05para gl=28, esto indica una correlación positiva fuerte que explica un 86% de la relación entre las variables y es significativa.

Análisis de varianza

Base_anova<-read.table("C:/Users/Yaudi/Desktop/RMARKDOWN BIOESTADISTICA/Base anova.txt", header=TRUE, dec=".", sep="\t")
anova1= aov(Base_anova$Solidos~as.factor(Base_anova$Categoria))
summary(anova1)

##                                  Df Sum Sq Mean Sq F value Pr(>F)    
## as.factor(Base_anova$Categoria)   3  66626   22209   132.2 <2e-16 ***
## Residuals                       116  19492     168                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova1$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova1$residuals
## W = 0.75018, p-value = 5.249e-13

fligner.test(Base_anova$Solidos~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$Solidos by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 16.886, df = 3, p-value =
## 0.0007459

kruskal.test(Base_anova$Solidos~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$Solidos by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 88.637, df = 3, p-value < 2.2e-16

boxplot(Base_anova$Solidos~as.factor(Base_anova$Categoria), ylab= "Sólidos disueltos(ppm)", col=c("Red","Blue","Green","Orange"), sub="KW=88.637   gl= 3   p<0.05")
text(1,110, "D")
text(2,130, "C")
text(3,170, "A")
text(4,165, "B")

Figura 18: Diferencias en los sólidos disueltosen los muestreos del río Pirro.

La mayor cantidad de sólidos disueltos (ppm) se encontró en A (150.2±12.4, n=30), seguido por B (137±8.2, n=30), C (115.9±4.3, n=30) y por último D(88.6±21, n=30), el resultado fue significativo (KW= 88.637; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B (p <0.05), A-C(p <0.05), A-D(p <0.05), B-C (p <0.05), B-D(p <0.05), C-D(p <0.05).

anova2= aov(Base_anova$Conductividad~as.factor(Base_anova$Categoria))
summary(anova2)

##                                  Df Sum Sq Mean Sq F value Pr(>F)    
## as.factor(Base_anova$Categoria)   3 641458  213819   239.6 <2e-16 ***
## Residuals                       116 103537     893                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova2$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova2$residuals
## W = 0.95635, p-value = 0.000652

fligner.test(Base_anova$Conductividad~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$Conductividad by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 23.454, df = 3, p-value =
## 3.248e-05

kruskal.test(Base_anova$Conductividad~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$Conductividad by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 101.21, df = 3, p-value < 2.2e-16

pairwise.wilcox.test(Base_anova$Conductividad,as.factor(Base_anova$Categoria), p.adjust.method = "b", exact=F)

## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  Base_anova$Conductividad and as.factor(Base_anova$Categoria) 
## 
##         SRmanana SRtarde Umanana
## SRtarde 1.8e-10  -       -      
## Umanana 1.8e-10  1.8e-10 -      
## Utarde  1.8e-10  1.8e-10 0.48   
## 
## P value adjustment method: bonferroni

boxplot(Base_anova$Conductividad~as.factor(Base_anova$Categoria), ylab= "Conductividad eléctrica(µS/cm)", col=c("Red","Blue","Green","Orange"),sub="KW=101.21   gl= 3   p<0.05")
text(1,275, "C")
text(2,350, "B")
text(3,430, "A")
text(4,450, "A")

Figura 19: Diferencias en la conductividad elétrica en los muestreos del río Pirro.

La mayor conductividad (µS/cm) se encontró en A (397±29.6, n=30), seguido por A(356.2±20.9, n=30), B (301.6±12.1, n=30) y por último C (216.1±21.1, n=30), el resultado fue significativo (KW= 101.21; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B(p <0.05), A-C(p <0.05), B-C(p <0.05) y no hay diferencias significativas entre A-A (p >0.05).

anova3= aov(Base_anova$pH~Base_anova$Categoria)
summary(anova3)

##                       Df Sum Sq Mean Sq F value Pr(>F)    
## Base_anova$Categoria   3  4.518  1.5062   130.8 <2e-16 ***
## Residuals            116  1.336  0.0115                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova3$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova3$residuals
## W = 0.78631, p-value = 6.269e-12

fligner.test(Base_anova$pH~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$pH by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 20.128, df = 3, p-value =
## 0.0001597

kruskal.test(Base_anova$pH~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$pH by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 101.48, df = 3, p-value < 2.2e-16

pairwise.wilcox.test(Base_anova$pH,as.factor(Base_anova$Categoria), p.adjust.method = "b", exact=F)

## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  Base_anova$pH and as.factor(Base_anova$Categoria) 
## 
##         SRmanana SRtarde Umanana
## SRtarde 2.4e-09  -       -      
## Umanana 1.5e-09  1.4e-10 -      
## Utarde  1.4e-08  1.6e-10 1.1e-06
## 
## P value adjustment method: bonferroni

boxplot(Base_anova$pH~as.factor(Base_anova$Categoria), ylab= "pH", col=c("Red","Blue","Green","Orange"),sub="KW=101.48   gl= 3   p<0.05")
text(1,7.5, "C")
text(2,7.4, "D")
text(3,7.9, "A")
text(4,7.8, "B")

Figura 20: Diferencias en el pH en los muestreos del río Pirro.

El mayor pH se encontró en A(7.73±0.17, n=30), seguido por B (7.53±20.066, n=30), C(7.37±0.10, n=30) y por último D (7.24±0.018, n=30), el resultado fue significativo (KW=101.48; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B(p <0.05), A-C (p <0.05), A-D(p <0.05), B-C(p <0.05), B-D(p <0.05), C-D (p <0.05).

anova4= aov(Base_anova$Temperatura~Base_anova$Categoria)
summary(anova4)

##                       Df Sum Sq Mean Sq F value Pr(>F)    
## Base_anova$Categoria   3  25.58   8.528    58.8 <2e-16 ***
## Residuals            116  16.82   0.145                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova4$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova4$residuals
## W = 0.83416, p-value = 2.72e-10

fligner.test(Base_anova$Temperatura~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$Temperatura by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 24.694, df = 3, p-value =
## 1.789e-05

kruskal.test(Base_anova$Temperatura~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$Temperatura by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 85.879, df = 3, p-value < 2.2e-16

pairwise.wilcox.test(Base_anova$Temperatura,as.factor(Base_anova$Categoria), p.adjust.method = "b", exact=F)

## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  Base_anova$Temperatura and as.factor(Base_anova$Categoria) 
## 
##         SRmanana SRtarde Umanana
## SRtarde 2.5e-06  -       -      
## Umanana 2.0e-10  5.1e-09 -      
## Utarde  1        2.5e-07 1.3e-10
## 
## P value adjustment method: bonferroni

boxplot(Base_anova$Temperatura~as.factor(Base_anova$Categoria), ylab= "Temperatura (°C)", col=c("Red","Blue","Green","Orange"),sub="KW=85.879   gl= 3   p<0.05")
text(1,22, "A")
text(2,21.2, "B")
text(3,21, "C")
text(4,21.7, "A")

Figura 21: Diferencias en la temperatura en los muestreos del río Pirro.

La mayor temperatura (°C) se encontró en A (21.46±0.3, n=30), seguido por A (21.44±0.58, n=30), B (20.85±0.37, n=30) y por C (20.32±0.19, n=30), el resultado fue significativo (KW=85.879; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B(p <0.05), A-C (p <0.05), B-C(p <0.05) y sin diferencia significativa en A-A(p >0.05).

anova5= aov(Base_anova$Oxigeno~Base_anova$Categoria)
summary(anova5)

##                       Df Sum Sq Mean Sq F value Pr(>F)    
## Base_anova$Categoria   3   9508    3169   248.6 <2e-16 ***
## Residuals            116   1479      13                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova5$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova5$residuals
## W = 0.96574, p-value = 0.003766

fligner.test(Base_anova$Oxigeno~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$Oxigeno by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 17.989, df = 3, p-value =
## 0.0004421

kruskal.test(Base_anova$Oxigeno~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$Oxigeno by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 86.736, df = 3, p-value < 2.2e-16

pairwise.wilcox.test(Base_anova$Oxigeno,as.factor(Base_anova$Categoria), p.adjust.method = "b", exact=F)

## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  Base_anova$Oxigeno and as.factor(Base_anova$Categoria) 
## 
##         SRmanana SRtarde Umanana
## SRtarde 1.8e-10  -       -      
## Umanana 8.1e-07  1.9e-10 -      
## Utarde  6.1e-06  1.8e-10 1      
## 
## P value adjustment method: bonferroni

boxplot(Base_anova$Oxigeno~as.factor(Base_anova$Categoria), ylab= "Oxígeno disuelto (%)", col=c("Red","Blue","Green","Orange"),sub="KW=86.736   gl= 3   p<0.05")
text(1,80.3,"A")
text(2,68, "C")
text(3,78, "B")
text(4,78, "B")

Figura 22: Diferencias en el oxígeno disuelto en los muestreos del río Pirro.

La mayor cantidad de oxígeno disuelto (%) se encontró en A (76.7±3.3, n=30), seguido por B(72.1±2.7, n=30), B(71.6±3.1, n=30) y por último C (53.5±5.1, n=30), el resultado fue significativo (KW=86.736; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B(p <0.05), A-C(p <0.05), B-C(p <0.05), y sin diferencias significativas entre B-B(p >0.05).

anova6= aov(Base_anova$Turbidez~Base_anova$Categoria)
summary (anova6)

##                       Df Sum Sq Mean Sq F value Pr(>F)    
## Base_anova$Categoria   3  32759   10920     740 <2e-16 ***
## Residuals            116   1712      15                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

shapiro.test(anova6$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  anova6$residuals
## W = 0.91645, p-value = 1.506e-06

fligner.test(Base_anova$Turbidez~as.factor(Base_anova$Categoria))

## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Base_anova$Turbidez by as.factor(Base_anova$Categoria)
## Fligner-Killeen:med chi-squared = 36.344, df = 3, p-value =
## 6.334e-08

kruskal.test(Base_anova$Turbidez~as.factor(Base_anova$Categoria))

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Base_anova$Turbidez by as.factor(Base_anova$Categoria)
## Kruskal-Wallis chi-squared = 107.33, df = 3, p-value < 2.2e-16

pairwise.wilcox.test(Base_anova$Turbidez,as.factor(Base_anova$Categoria), p.adjust.method = "b", exact=F)

## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  Base_anova$Turbidez and as.factor(Base_anova$Categoria) 
## 
##         SRmanana SRtarde Umanana
## SRtarde 4.8e-07  -       -      
## Umanana 1.8e-10  1.8e-10 -      
## Utarde  1.8e-10  1.8e-10 3.8e-10
## 
## P value adjustment method: bonferroni

boxplot(Base_anova$Turbidez~as.factor(Base_anova$Categoria), ylab= "Turbidez (NTU)", col=c("Red","Blue","Green","Orange"),sub="KW=107.33   gl= 3   p<0.05")
text(1,22, "D")
text(2,25, "C")
text(3,55, "B")
text(4,63, "A")

Figura 23: Diferencias en la turbidez en los muestreos del río Pirro.

La mayor turbidez (UTN) se encontró en A(54.8±6.1, n=30), seguido por B(38.5±3.9, n=30), C (17.5±0.7, n=30) y por último D(14.1±2.3, n=30), el resultado fue significativo (kw=107.33; gl=3; p <0.05). se aplicó una prueba no planeada Bonferroni que dio como resultado diferencias significativas entre A-B(p <0.05), A-C(p <0.05), A-D(p <0.05), B-C (p <0.05), B-D(p <0.05), C-D(p <0.05).

Cuadro 3. Promedio de los parámetros obtenidos en el muestreo.

Muestreo	Conductividad	Oxígeno Disuelto	Temperatura	pH	Turbidez	Sólidos disueltos
UNA Campus Omar Dengo	333.0 µS/cm	72.03%	20.9°C	7.5	46.67 UTN	144.5 ppm
San Rafael, centro	258.8 µS/cm	65.01%	21.4°C	7.3	15.81 UTN	102.2 ppm

Análisis de datos

Correlaciones

Las correlaciones que se van a analizar a continuación son de tendencia lineal y únicamente se discutieron las que se consideran de mayor relevancia para los fines del proyecto.

La correlación que se observa en la Figura 5 basada en los parámetros de conductividad(µS/cm) y sólidos disueltos (ppm), la primera variable es la medida de la capacidad del agua para conducir la electricidad. Es indicativa de que existen sustancias iónicas o electrolitos en el agua (Rigola, 1990). Los compuestos iónicos son un grupo de átomos que poseen cargas, positivas y negativas, capaces de disociarse en el agua, mientras que los electrolitos son sustancias que cuando se disuelven en el agua forman una disolución que conduce la electricidad (Chang, 2013). Por lo tanto, al haber presencia de electrolitos ésta podrá ser conductor de electricidad.

Los sólidos disueltos son partículas orgánicas o inorgánicas que son fácilmente separables del líquido por sedimentación, filtración o centrifugación que se encuentran suspendidas o disueltas en el agua (Rojas, 2002). El Río Pirro es utilizado como una cuenca de desecho en la comunidad, las casas circundantes no tienen un debido tratamiento de aguas residuales, por lo cual arrojan todos sus desechos a este río. Entre la mayoría de los desechos de estas casas, se encuentran las aguas residuales, éstas son producidas a través del lavado de ropa o platos, éstos detergentes se caracterizan por ser sustancias Surfactantes Aniónicas. Las sustancias surfactantes aniónicas son aquellas que pueden compatibilizar sustancias polares y apolares en una sola fase, llamada solución micelar. Cuando ocurre la reacción entre los detergentes y el agua, se producen sustancias iónicas o electrolitos capaces de la conducción de electricidad (Salager, 2004)

La correlación en la Figura 6 es inversamente proporcional, en donde si uno de los parámetros aumenta, el otro disminuye. La temperatura del agua se establece por la absorción de radiación en las capas superiores del líquido, estando ligada a la energía cinética o el movimiento de sus moléculas (Marín, 2003). El oxígeno disuelto es la cantidad de oxígeno que está disuelto en el agua, el cual es esencial para la vida acuática, el mismo se obtiene mediante el intercambio gaseoso con a la atmósfera o el proveniente de las plantas acuáticas mediante la fotosíntesis (Peña, 2007). La medición de la temperatura es un parámetro de suma relevancia en la disolución y disociación de las sales y en la solubilidad de los gases como lo es el caso del oxígeno (Rodier, 1975).

El oxígeno es soluble en agua, sin embargo, al ser un gas, cumple la ley de Charles y de Gay Lussac la cual dice que a una presión constante, si hay aumento de temperatura, el gas tiende a expandirse y si hay una menor temperatura, el gas tiende a contraerse (Chang, 2013). El agua posee la característica de tener una tensión superficial, la cual se define como la cantidad de energía necesaria para estirar o aumentar la superficie de un líquido por unidad de área, esto debido a los enlaces de hidrógeno que posee el agua, haciendo que tenga una gran tensión superficial. (Chang, 2013). Si la temperatura se eleva, la tensión superficial tiende a romper poco a poco sus enlaces de hidrógeno, logrando así un cambio de fase líquida a gaseosa, teniendo como consecuencia la expansión del gas oxígeno hacia la atmósfera, por ende, una disminución en la cantidad de oxígeno disuelto en el agua.

La correlación en la Figura 7 entre pH y temperatura(°C) es negativa, es decir, que estos dos parámetros son inversamente proporcionales y es no significativa, sin embargo, para el proyecto es importante analizarla.

El pH es una medida de la concentración de iones hidronio, se puede ver afectado por factores como la temperatura, esto se debe a que cuando aumenta la temperatura del agua, la tensión superficial se ve afectada o modificada, haciendo que los enlaces de hidrógeno se rompan, liberando iones Hidronio (H+) e iones hidroxilo (OH-), logrando así que haya un aumento de la basicidad del agua. (Chang, 2013). Sin embargo, otro factor importante para el pH es el origen químico de los desechos que se lanzan al Río Pirro. La mayoría son aguas residuales de detergentes y que éstos contienen agentes Surfactantes Aniónicas los cuales son de origen básico, por ende, fomentan la basicidad de estas aguas (Salager, 2004).

La correlación entre estas variables no fue tan fuerte, debido a que las temperaturas registradas no fueron muy altas ni se tuvo mucha variabilidad, por lo cual la afectación a la tensión superficial fue muy baja, sin embargo, el pH es dependiente de la temperatura.

Para la correlación representada en la Figura 8, la turbidez (UTN) se define como la dificultad del agua para transmitir la luz, debido a materiales insolubles en suspensión difíciles de decantar y filtrar, los cuales pueden dar lugar a la formación de depósitos en las conducciones de agua. (Rigola, 1990). Cuando se trata de aguas residuales, éstas presentan altos valores de turbidez, motivados por el contenido en diferentes sustancias orgánicas e inorgánicas. (Marín, 2003) como lo es el caso de esta investigación.

La conductividad se da en medios donde los iones son solubles en agua, la relación entre las variables indican que son sólidos insolubles en suspensión que se presentan en un medio acuoso (Rigola, 1990), se puede inferir que las sustancias insolubles en el agua, se unen, formando un conglomerado de éstas partículas y en consecuencia, dificultando la refracción de la luz en el agua. Además, éstos conglomerados se encuentran en un medio acuoso que contiene iones, por lo cual, son los responsables de la conductividad. Sin embargo, para poder refutar esta inferencia, es necesario realizar más experimentos exhaustivos para poder concluir la naturaleza de la correlación que existe entre la conductividad y la turbidez.

Análisis de varianza

La mayor cantidad de sólidos disueltos (ppm) se encontraron en el muestreo de la Universidad Nacional, ver Figura 18 este factor se puede deber a que, en la cuenca baja, se acumulan las sustancias que las personas utilizan en la mañana y que son arrojadas a lo largo del río, por ejemplo agentes de limpieza como detergentes y jabones entre otros, los cuales contribuyen al incremento de los sólidos disueltos. Asimismo, se puede observar que en el punto de San Rafael, los sólidos disueltos son mayores en la tarde, lo cual se puede explicar por la acuulación de desechos durante el día. Para este parámetro, se puede observar que sí hay un efecto antropogénico.

En la Figura 19 se representa el análisis de varianza de conductividad eléctrica (µS/cm) se puede observar que hay diferencia entre todos los puntos, sin embargo en cuenca baja (UNA) se ve un incremento en el parámetro, en ambos muestreos. La actividad humana alrededor del río, con las sustancias desechadas provoca que la cantidad de iones que conducen la electricidad vaya aumentando conforme baja, debido a que se va arrastrando todos los desechos desde las zonas más altas, por lo tanto, en esta variable se puede confirmar el efecto antropogénico en las aguas de este río.

Para el pH, ver Figura 20, se muestra que se ve alterado debido a las sustancias ácidas o básicas presentes en el agua, en la cuenca arriba se puede observar que el pH ronda un promedio de 7.3 y en la cuenca baja el pH sube llegando a un máximo de 7.7 esto se relaciona con las sustancias que se desechan al río, como los jabones que son sustancias básicas, lo cual puede explicar este incremento en el pH en la cuenca baja. Para este variable también se puede observar que hay un efecto en el río por la actividad humana que se realiza en los alrededores.

Para la variable de temperatura (°C), ver Figura 21, esta varía mucho según el lugar de recolección, no hay un patrón a seguir, ya que la temperatura se ve afectada en gran manera a factores como la nubosidad, viento, rayos del sol que no se tomaron en cuenta el día de recolección, aunque hay diferencias significativas entre los puntos de muestreo, no se puede determinar un factor o factores específicos para explicar los cambios. El incremento de la temperatura en un río también se puede deber a factores de contaminación como lo son la basura, la descomposición de materiales orgánicos, el calentamiento global, etc (Rodier, 1975).

Para el oxígeno disuelto (%) los datos son similares en ambos puntos a excepción del muestreo en San Rafael en la tarde, ver Figura 22. Los desechos que se arrojan al río afectan ente paráetro, pero no se encontró un patrón lógico para ser explicado.

En la figura 23 se observa el análisis de turbidez (UTN), la mayor turbidez que se presentó fue en la cuenca baja en la tarde, el mismo se puede deber a que la cantidad de sólidos no solubles en agua, se acumulan en la cuenca baja y sobre todo en la tarde, después de las horas pico de actividad humana. Al incrementar estos sólidos en el río, dificultan más el paso de la luz y por lo tanto, hay mayor turbidez. Por lo que este parámetro se ve afectado por actividades antropogénicas.

Análisis de calidad de agua con respecto a los parámetros establecidos

Mediante los datos obtenidos de los parámetros de conductividad eléctrica, oxígeno disuelto, temperatura, pH, turbidez y sólidos disueltos (en el cuadro 3) se realizó una comparación con algunos de los valores establecidos por Reglamento de Calidad de Agua Potable, la Presidencia de la República y el Ministerio de Salud para analizar el estado de la calidad del agua en la microcuenca Pirro así como entender la influencia de algunos factores que alteran estos parámetros.

En base a los datos obtenidos se puede deducir que se encuentran lejos de los establecidos, debido a que la microcuenca pirro es una de las contaminados y a diario recibe una gran cantidad de desechos sin ningún tipo de regulación o tratamiento. No obstante, podemos deducir a partir de estos parámetros obtenidos como se encuentra la calidad del agua en ambos puntos que se realizó el muestreo y algunas de sus variaciones con respecto al nivel en el que fueron tomadas las muestras.En base al cuadro 4 (anexo 4), se puede observar que, en los parámetros de conductividad, turbidez, oxígeno y sólido disuelto hay diferencias significativas.

Comparando la conductividad en el punto de muestreo de la Universidad Nacional, campus Omar Dengo, es mayor que en San Rafael. Esto se debe a que existen afluentes secundarios que conforme a la trayectoria del río se van uniendo y apZortan aguas grises (jabones). Estas se caracterizan por tener partículas capaces de conducir electricidad.

Asimismo, el oxígeno disuelto resulta ser menor en San Rafael, de lo cual podemos deducir que se encuentra una mayor concentración de materia orgánica (aguas negras) lo cual genera una disminución en este parámetro. La materia orgánica (carbohidratos, lípidos y otras sustancias) consumen el oxígeno que se encuentra en el agua para poder oxidarse. También es característico de este tipo de aguas más contaminadas la presencia de organismos anaeróbicos, malos olores y gases contaminantes por la falta de oxígeno.

Con respecto a la turbidez, recordando que se define como el grado de transparencia que pierde el agua al atravesar la luz; visiblemente se aprecia en la cuenca de la parte baja presenta una menor movilidad de partículas, es decir estas están más concentradas, y se puede apreciar las aguas más oscuras.

Finalmente, los sólidos disueltos coinciden con los datos esperados debido a que hay mayor cantidad en la cuenca baja, esto posiblemente se deba a que el río va arrastrando los sedimentos a lo largo del recorrido.

Conclusiones

• Se determinó la existencia del efecto antropogénico en la microcuenca del río Pirro en Heredia, utilizando como puntos de referencia la cuenca alta (San Rafael centro) y la cuenca baja (UNA, Sede Omar Dengo).

• Se encontraron diferencias significativas en los parámetros fisicoquímicos analizados en la microcuenca del río Pirro, lo que permitió el rechazo de ambas hipótesis nulas debido a que mostraron valores más bajos en la cuenca alta con respecto a los de la cuenca baja.

• Se hallaron correlaciones entre los parámetros, mostrando una relación fuerte y positiva entre conductividad eléctrica y sólidos disueltos, así como una relación moderada y negativa entre pH y temperatura.

• Se compararon los datos obtenidos en el río Pirro con los estándares de calidad establecidos por el ministerio de Salud de Costa Rica, los paramétros de pH, conductividad eléctrica y temperatura no estan dentro de los rangos aceptables de calidad.

Agradecimientos

Al profesor M.Sc. Roy Pérez Salazar, encargado del Laboratorio de Gestión de Desechos y Calidad de Agua de la Universidad Nacional, por su asesoría y contribución con el préstamo de los instrumentos de medición.

A los estudiantes Jackson Argüello Rivera y Adolfo Sánchez Rivas, por la colaboración en la colecta de datos.

Anexos

Anexo 1: Base de datos de los cuatro muestreos en la microcuenca del Río Pirro.

#Base_anova = read.table("clipboard", header = T)
#Base_anova

#Um=read.table("clipboard", header = T)
#Um

#Ut=read.table("clipboard", header = T)
#Ut

#SRm=read.table("clipboard", header = T)
#SRm

#SRt=read.table("clipboard", header = T)
#SRt

Anexo 2: Pruebas para determinar la normalidad o asimetría de los datos.

shapiro.test(Um$Turb) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$Turb
## W = 0.94211, p-value = 0.1037

shapiro.test(Um$Cond) # asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$Cond
## W = 0.92219, p-value = 0.03058

shapiro.test(Um$pH) # asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$pH
## W = 0.72671, p-value = 3.913e-06

shapiro.test(Um$Temp) #asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$Temp
## W = 0.87241, p-value = 0.001896

shapiro.test(Um$Sol) # asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$Sol
## W = 0.91009, p-value = 0.01495

shapiro.test(Um$Oxig) # asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Um$Oxig
## W = 0.78171, p-value = 3.097e-05

shapiro.test(Ut$Turb) # asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$Turb
## W = 0.94764, p-value = 0.1461

shapiro.test(Ut$Cond) #asimetrica

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$Cond
## W = 0.80308, p-value = 7.465e-05

shapiro.test(Ut$pH) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$pH
## W = 0.93891, p-value = 0.08504

shapiro.test(Ut$Temp) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$Temp
## W = 0.67517, p-value = 6.926e-07

shapiro.test(Ut$Sol) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$Sol
## W = 0.94647, p-value = 0.1359

shapiro.test(Ut$Oxig) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  Ut$Oxig
## W = 0.96548, p-value = 0.424

shapiro.test(SRm$Turb) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$Turb
## W = 0.93033, p-value = 0.05011

shapiro.test(SRm$Cond) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$Cond
## W = 0.90543, p-value = 0.01143

shapiro.test(SRm$pH) #asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$pH
## W = 0.69937, p-value = 1.528e-06

shapiro.test(SRm$Temp) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$Temp
## W = 0.89841, p-value = 0.007682

shapiro.test(SRm$Sol) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$Sol
## W = 0.62995, p-value = 1.729e-07

shapiro.test(SRm$Oxig) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  SRm$Oxig
## W = 0.94382, p-value = 0.1153

shapiro.test(SRt$Turb) # normal 

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$Turb
## W = 0.97463, p-value = 0.6718

shapiro.test(SRt$Cond) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$Cond
## W = 0.97356, p-value = 0.6403

shapiro.test(SRt$pH) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$pH
## W = 0.92953, p-value = 0.0477

shapiro.test(SRt$Temp) # asimetrico

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$Temp
## W = 0.60002, p-value = 7.302e-08

shapiro.test(SRt$Sol) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$Sol
## W = 0.95935, p-value = 0.2982

shapiro.test(SRt$Oxig) # normal

## 
##  Shapiro-Wilk normality test
## 
## data:  SRt$Oxig
## W = 0.96654, p-value = 0.4494

Anexo 3: Correlaciones que no se analizaron.

cor.test(Um$Turb,Um$pH, method = "spearman")

## Warning in cor.test.default(Um$Turb, Um$pH, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  Um$Turb and Um$pH
## S = 2688.1, p-value = 0.02767
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.4019752

0.4019^2

## [1] 0.1615236

plot(Um$Turb,Um$pH,xlab= "Turbidez(UNT)", ylab="pH",sub = "r=0.40    r2=0.16    p<0.05", col= "navyblue")

Figura 9: Relación lineal entre turbidez y pH en la UNA en la mañana.

cor.test(Um$Temp,Um$Cond, method = "spearman")

## Warning in cor.test.default(Um$Temp, Um$Cond, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  Um$Temp and Um$Cond
## S = 5274, p-value = 0.3597
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.1733113

0.173^2

## [1] 0.029929

plot(Um$Cond,Um$Temp, xlab= "Conductividad eléctrica (µS/cm)", ylab="Temperatura (°C)",sub = "r=-0.17    r2=0.03    p>0.05", col="coral")

Figura 10: Relación lineal entre conductividad eléctrica y temperatura en la UNA en la mañana.

cor.test(Ut$Cond,Ut$pH, method = "spearman")

## Warning in cor.test.default(Ut$Cond, Ut$pH, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  Ut$Cond and Ut$pH
## S = 1814.1, p-value = 0.0005045
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##      rho 
## 0.596408

0.596^2

## [1] 0.355216

plot(Ut$Cond,Ut$pH, xlab= "Conductividad eléctrica (µS/cm)", ylab="pH",sub = "r=0.60    r2=0.36    p<0.05", col="darkgoldenrod")

Figura 11: Relación lineal entre conductividad eléctrica y pH en la UNA en la tarde.

cor.test(Ut$Temp,Ut$pH, method = "spearman")

## Warning in cor.test.default(Ut$Temp, Ut$pH, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  Ut$Temp and Ut$pH
## S = 6316.4, p-value = 0.02633
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.4052054

0.405^2

## [1] 0.164025

plot(Ut$pH,Ut$Temp, xlab="pH", ylab="Temperatura (°C)",sub = "r=-0.40    r2=0.16    p<0.05", col="salmon")

Figura 12: Relación lineal entre temperatura y pH en la UNA en la tarde.

cor.test(Ut$Sol,Ut$Temp, method = "spearman") 

## Warning in cor.test.default(Ut$Sol, Ut$Temp, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  Ut$Sol and Ut$Temp
## S = 2920.7, p-value = 0.05777
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.3502399

0.350^2

## [1] 0.1225

plot(Ut$Sol,Ut$Temp, xlab="Sólidos disueltos (pmm)", ylab="Temperatura (°C)",sub = "r=0.35    r2=0.12    p>0.05", col="deeppink")

Figura 13: Relación lineal entre temperatura y sólidos disueltos en la UNA en la tarde.

cor.test(SRm$Sol,SRm$pH, method = "spearman")

## Warning in cor.test.default(SRm$Sol, SRm$pH, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  SRm$Sol and SRm$pH
## S = 5540.8, p-value = 0.216
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.2326475

0.232^2

## [1] 0.053824

plot(SRm$Sol,SRm$pH, xlab="Sólidos disueltos (pmm)", ylab="pH",sub = "r=-0.23    r2=0.05    p>0.05", col="maroon")

Figura 14:Relación lineal entre pH y sólidos disueltos en San Rafael en la mañana.

cor.test(SRt$pH,SRt$Oxig, method = "spearman")

## Warning in cor.test.default(SRt$pH, SRt$Oxig, method = "spearman"): Cannot
## compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  SRt$pH and SRt$Oxig
## S = 2878.8, p-value = 0.05099
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.3595588

0.359^2

## [1] 0.128881

plot(SRt$Oxig,SRt$pH, xlab= "Oxígeno disuelto (%)", ylab="pH",sub = "r=0.36    r2=0.13    p>0.05", col="seagreen")

Figura 15:Relación lineal entre pH y oxígeno disuelto en San Rafael en la tarde.

cor.test(SRt$Cond,SRt$Oxig) 

## 
##  Pearson's product-moment correlation
## 
## data:  SRt$Cond and SRt$Oxig
## t = 2.0176, df = 28, p-value = 0.05331
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.004593696  0.635027687
## sample estimates:
##       cor 
## 0.3562651

0.3562^2

## [1] 0.1268784

plot(SRt$Cond,SRt$Oxig,xlab= "Conductividad eléctrica (µS/cm)", ylab="Oxígeno disuelto (%)",sub = "r=0.36    r2=0.13    p>0.05", col="chocolate")

Figura 16: Relación lineal entre la conductividad eléctrica y el oxígeno disuelto en San Rafael en la tarde.

cor.test(SRt$Sol,SRt$Oxig)

## 
##  Pearson's product-moment correlation
## 
## data:  SRt$Sol and SRt$Oxig
## t = 1.7834, df = 28, p-value = 0.08536
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.04620289  0.60951838
## sample estimates:
##       cor 
## 0.3193826

0.319^2

## [1] 0.101761

plot(SRt$Sol,SRt$Oxig, xlab="Sólidos disueltos (pmm)", ylab="Oxígeno disuelto (%)",sub = "r=0.32    r2=0.1    p>0.05", col="navy")

Figura 17: Relación lineal entre oxígeno disuelto y sólidos disueltos en San Rafael en la tarde.

Anexo 4: Cuadro de los parémetros establecidos por el Ministerio de Salud.

Cuadro 4. Parámetros establecidos por el Reglamento de Calidad de Agua Potable, la Presidencia de la República y el Ministerio de Salud.

Conductividad	Oxígeno Disuelto	Temperatura	pH	Turbidez	Sólidos disueltos
400 µS/cm	50%	18°C	6.5	5 UTN	50 ppm

Bibliografía

Chang, R. (2013). Química (Undécima ed.). (M. G. Hill, Ed.) Florida, USA: Mc Graw Hill/Interamericana. Recuperado el 1 de Octubre de 2018.

Instituto costarricense de acueductos y alcantarillados, Calidad de aguas residuales en los sistemas de depuración operados y administrados por AYA y estudios especiales de interés institucional. Recuperado de http://www.bvsde.paho.org/bvsacd/aya/4571.pdf

Marín, R. (2003). Fisicoquímica y microbiología de los medios acuáticos. Tratamiento y control de calidad de aguas. (D. d. Santos, Ed.) Recuperado el 30 de Setiembre de 2018, de https://books.google.es/books?id=k8bIixwJzYUC&dq=los+detergentes+tienen+iones&lr=&hl=es&source=gbs_navlinks_s

Ministerio de Salud. (2005).Reglamento para la calidad del agua. [Nº 32327-S ]. DO: [La Gaceta No. 84]/ Recuperado de https://www. ministeriodesalud.go.cr/gestores_en_salud/comision_agua_segura/ legislacion/CAS_reglamento_calidad_agua_potable.pdf

Parámetros Fisicoquímicos De Dureza Total En Calcio Y Magnesio,pH, Conductividad Y Temperatura Del Agua Potable Analizados En Conjunto Con Las Asociaciones Administradoras De Acueducto, (ASADAS), De Cada Distrito De Grecia, Cantón De Alajuela, Noviembre Del 2008, Revista pensamiento actual Vol. 9 no. 12-13, 2009. (n.d.).

Peña, E. (26 de Junio de 2007). Calidad del Agua. Trabajo de Investigación Oxígeno Disuelto. Guayaquil, Ecuador. Recuperado el 30 de Setiembre de 2018, de https://www.dspace.espol.edu.ec/bitstream/123456789/6162/5/Investigacion.pdf

Rigola, M. (1990). Tratamiento de aguas industriales: aguas de proceso y residuales. Barcelona, España: Boixareu. Recuperado el 1 de Octubre de 2018, de https://books.google.co.cr/books?id=fQcXUq9WFC8C&pg=PA27&dq=parametros+fisicoquimicos+del+agua&hl=es-419&sa=X&ved=0ahUKEwj5xpqIiaDeAhWuwVkKHRFbBZIQ6AEITDAI#v=onepage&q=parametros%20fisicoquimicos%20del%20agua&f=false

Rodier, J. (1975). Análisis del Agua. Nueva York, Estados Unidos: Keter Publishing House Jerusalem. Recuperado el Setiembre de 2018.

Rojas, R. (Setiembre de 2002). GESTIÓN INTEGRAL DE TRATAMIENTO DE AGUAS RESIDUALES. Recuperado el 1 de Octubre de 2018, de https://s3.amazonaws.com/academia.edu.documents/41228623/2002_Sistema_de_tratamiento_de_aguas_residuales.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires=1540707550&Signature=pI3H%2FI0eyrGLnfJUoC6zTH62rC8%3D&response-content-disposition=inline%3B%20filenam

Romero Vargas, M. (et all, 2011). Evaluación Ecológica Rápida De Un Ecosistema Urbano : El Caso De La Microcuenca Del Río Pirro, Heredia, Costa Rica., Revista geográfica de América Central. – No. 47 (Jul.-dic. 2011), p. 41-70.

Salager, J. L. (2004). Surfactantes. (U. d. Andes, Ed.) Merida, Venezuela. Recuperado el 2 de Octubre de 2018, de http://www.firp.ula.ve/archivos/cuadernos/S301.pdf

Figura 1: recuperada de https://www.researchgate.net/profile/Virginia_Alvarado/publication/281810056/figure/fig2/AS:391508726435848@1470354362835/Figura-1-Area-de-estudio-Sector-Guayabal-Rio-Pirro-Heredia-Costa-Rica-2011-2012.png