-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
1/133
UNIVERSIDAD NACIONAL DE INGENIERACentro de Investigacin y Estudios en Medio Ambiente
CIEMA-UNI
Evaluacin de la Calidad de Datos en el muestreo hidroqumico delos pozos perforados de la ciudad de Managua (19932002)
Tesis sometida a la consideracin del Centro de Investigacin y Estudios en MedioAmbiente para optar al ttulo de Maestro en Ingeniera Ambiental
AUTORIng. Germn Padilla Daz
TUTORM. Sc. Ing. Sergio Gmez Guerrero
Managua, Nicaragua, Julio 2005
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
2/133
II
DEDICATORIA
Dedico este trabajo con mucho cario a mis padres Doa Enriqueta Daz G. y Dn.
Elen Padilla Rivas por su inestimable apoyo a travs de todos los perodos de mi vida,
por su comprensin y ser la voz prodigiosa que entrega consejos y sanas advertencias.
A mi esposa e hijos por su paciencia en los momentos en que no me tenan presente.
A mi hermana Carolina le dedico este trabajo porque ha sido el estandarte de la
familia.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
3/133
III
AGRADECIMIENTO A INSTITUCIONES
Deseo expresar mi profundo agradecimiento a la Organizacin Panamericana de la Salud (O.P.S), la
cual a travs de todos estos aos ha apoyado los esfuerzos por garantizar un ambiente ms saludable
y mejores oportunidades para resolver los acuciantes problemas de salud de la poblacin
nicaragense. Esto es extensivo a todos los funcionarios que he tenido el gusto de conocer a lo largo
de estos aos como el Ing. Carlos Morales y el Ing. Miguel Balladares.
Extiendo mi agradecimiento a la Empresa Nicaragense de Acueductos y Alcantarillados
(ENACAL), en especial a todos los funcionarios que en el diario quehacer, me han apoyado en las
iniciativas de desarrollo del presente trabajo investigativo.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
4/133
IV
AGRADECIMIENTOS PERSONALES
Debo agradecer a una cantidad enorme de personas que de una u otra forma han hecho posible larealizacin de este trabajo.
Al Ing. Jorge Hayn Vogl le debo la posibilidad de haber ingresado al Programa de Maestra enIngeniera Ambiental en la Universidad Nacional de Ingeniera cuando funga como vice ministro deENACAL.
Al Personal del laboratorio central de la Empresa Nicaragense de Acueductos y Alcantarillados lesdebo haberme inspirado en la concepcin de esta tesis, por haber mantenido una rutina de anlisisdurante estos largos doce aos desde que empezamos a recopilar y almacenar la informacin de
anlisis fsico qumicos en las base de datos.
Al Licenciado Moiss Estrada Betancourt le agradezco el acicate de penetrar en los derroteros de laingeniera ambiental y haberme motivado a seguir estudiando en un perodo en que no estaba dentrode mis planes o metas el continuar estudiando.
Debo tambin externar mi agradecimiento al Ing. Mario Gutirrez Soto quien en el momento deiniciar esta carrera funga como Director del Departamento de Calidad del Agua de ENACAL, yapoy mi participacin en el programa de maestra.
Al Sr. Ramn Aravena (PhD) de la Universidad de Waterloo tengo en mente al agradecerle sus
observaciones al enrumbar el marco conceptual de este trabajo y tuvo la amabilidad de expresar suopinin sobre este documento cuando estaba en paales. Asimismo, expreso mi gratitud al Ing.Sergio Gmez, director del CIEMA UNI por su ayuda invaluable al revisar esta tesis en todas susfases y hacer las correcciones precisas.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
5/133
V
CARTAS
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
6/133
VI
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
7/133
VII
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
8/133
VIII
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
9/133
IX
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
10/133
X
RESUMEN DE LA INVESTIGACION
El presente trabajo es un enfoque para el anlisis de la calidad de los datos generados por ellaboratorio Fsico Qumico de la Empresa de Acueductos y Alcantarillados Sanitarios (ENACAL) enel perodo 1993 - 2002. Se demuestra que los registros de calidad hidroqumica de los pozosperforados de Managua, tienen utilidad para establecer mejores criterios de decisin que apoyen losplanes de muestreo y reducir los costos por anlisis, haciendo ms ptimo la seleccin de los puntosde muestreo.
Este trabajo es una validacin a posteriori de los resultados obtenidos por el laboratorio en el que sehacen uso fundamentalmente de pruebas estadsticas no paramtricas. Se establecen los criterios porlos que se decidi abordar el anlisis de los datos mediante este tipo de pruebas no convencionales.
Se recopilaron los registros de anlisis en los aos ya mencionados y fueron trasladados para anlisisa programas estadsticos como el SPSS. Debido a que era muy complejo analizar el comportamientode alrededor de 20 variables, el anlisis estadstico se concentr en 3 analitos de inters comoindicadores de contaminacin debido a las actividades humanas (nitratos, potasio y cloruros).
Para efectos de estudio, Managua fue dividida en 6 zonas, a cada una de las zonas se les aplic elmismo procedimiento el cual incluy adems de la estadstica descriptiva, pruebas de hiptesismediante ensayos como el de la Prueba de Rango con signo de Wilcoxon.
Los resultados finales del trabajo incluyen el estudio de correlacin entre variables, anlisis de
tendencias, cantidades de muestras a colectar en base a los niveles de accin propuestos y los lmitesde errores de decisin.
Existen buena justificacin para avalar un estudio que revise la idoneidad de las normas CAPRErespecto a las caractersticas hidroqumicas del acufero de Managua, as como para iniciar estudiosde calidad del agua utilizando tcnicas de muestreo que tomen como punto de partida los hallazgosdel presente trabajo.
Se hacen recomendaciones para ejecutar un monitoreo ms profundo en la zona de Ciudad Sandinoen relacin a cloruros, efectuar revisiones a la norma nacional de calidad del agua potable y serecomienda establecer un muestreo estratificado en las seis zonas en que fue dividido el rea de
estudio.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
11/133
XI
INDICE
No Pgina
DEDICATORIA ......................................................................................................................................... II
AGRADECIMIENTO A INSTITUCIONES .......................................................................................... III
AGRADECIMIENTOS PERSONALES ................................................................................................. IV
CARTAS ...................................................................................................................................................... V
RESUMEN DE LA INVESTIGACION .................................................................................................... X
INDICE ...................................................................................................................................................... XI
ACRONIMOS .......................................................................................................................................... XV
Definiciones ............................................................................................................................................. XVI
1 Introduccin ..........................................................................................................................................1
2 Justificacin ..........................................................................................................................................2
3 Antecedentes del Area de Estudio .......................................................................................................4
3.1 Clima ..............................................................................................................................................4
4 Objetivos ...............................................................................................................................................6
5 Marco Terico ......................................................................................................................................7
5.1 Qu es la Definicin de Objetivos de Calidad de Datos (DOCD)? ...............................................75.1.1 Establecer el Problema: ..........................................................................................................85.1.2 Identificar la Decisin: ...........................................................................................................85.1.3 Identificar las variables de entrada para la decisin: ..............................................................8
5.1.4 Definir los lmites del estudio ................................................................................................85.1.5 Desarrollar una Regla de Decisin: ........................................................................................85.1.6 Especificar los lmites tolerables en los Errores de Decisin .................................................85.1.7 Optimizar el Diseo para Obtener Datos................................................................................8
5.2 Objetivos de Calidad de Datos .......................................................................................................85.2.1 Especificar los lmites tolerables en los Errores de Decisin .................................................95.2.2 Fuentes de error ....................................................................................................................10
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
12/133
XII
5.3 Uso de datos existentes para fundamentar la toma de decisiones ...............................................11
5.4 Diseo de los muestreos ambientales ...........................................................................................125.4.1 La representatividad .............................................................................................................125.4.2 Objetivos de los diseos de muestreo ...................................................................................13
5.4.3 Tipos de diseo de muestreo ................................................................................................145.5 Proceso de Evaluacin de la Calidad de los Datos .....................................................................19
5.5.1 El proceso de evaluacin ......................................................................................................20
5.6 Fundamento de las Pruebas Estadsticas en la presente Investigacin .......................................225.6.1 La hiptesis de nulidad .........................................................................................................235.6.2 La eleccin de la prueba estadstica .....................................................................................235.6.3 El nivel de significancia y el tamao de la muestra .............................................................26 5.6.4 La Distribucin Muestral......................................................................................................275.6.5 La Regin de Rechazo ..........................................................................................................285.6.6 La Decisin ..........................................................................................................................28
5.7 Fundamento hidroqumico de la calidad de las aguas subterrneas ...........................................28
5.7.1 Caractersticas qumicas de los iones y sustancias disueltas ms importantes .....................305.7.2 Cationes y sustancias catinicas ...........................................................................................335.7.3 Principales gases disueltos ...................................................................................................355.7.4 Aniones y sustancias aninicas menores ms importantes ...................................................365.7.5 Cationes y sustancias catinicas menores ms importantes .................................................385.7.6 Procedencia de los iones disueltos en el agua subterrnea ...................................................40
5.8 Justificacin para el uso de ciertos compuestos inorgnicos como indicadores de contaminacin40
5.8.1 Vas de contaminacin de las fuentes subterrneas ..............................................................405.8.2 Cloruros ................................................................................................................................415.8.3 Nitratos .................................................................................................................................425.8.4 Potasio ..................................................................................................................................44
6 Hiptesis ..............................................................................................................................................46
7 Metodologa.........................................................................................................................................47
7.1 Resumen .......................................................................................................................................47
7.2 Obtencin de los Datos del Estudio .............................................................................................477.2.1 Estructura de la base de datos ...............................................................................................477.2.2 Traslado de los datos al SPSS ..............................................................................................49
7.3 Formacin de las Areas Geogrficas de Anlisis ........................................................................51
7.3.1 Subsistema por zonas hidrulicas .........................................................................................517.3.2 Subsistema por Campos de Pozos o Grupos de Pozos Asociados: ......................................527.3.3 Subsistema por Cortes Transversales: ..................................................................................53
7.4 Seleccin de las Areas Geogrficas de Estudio ...........................................................................547.4.1 Zona 1: Es la zona Baja tal como ha quedado definida por ENACAL. ...............................547.4.2 Zona 2: Es la zona Alta. .......................................................................................................547.4.3 Zona 3: Es la zona Alta Superior. .........................................................................................557.4.4 Zona 4: abarca todos los pozos del Proyecto Managua II (Sabanagrande). .........................55
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
13/133
XIII
7.4.5 Zona 5: agrupa todos los pozos de la zona de Ciudad Sandino. ...........................................557.4.6 Zona 6: agrupa todos los pozos del Proyecto Managua I (Municipio de Ticuantepe) y ValleGothel. 55
7.5 El Plan de Evaluacin de la Calidad de los Datos ......................................................................55
7.6 Procedimiento para utilizar la Prueba de Rango con Signo de Wilcoxon para la prueba demedianas ..................................................................................................................................................56
7.7 Procedimiento para utilizar el Ensayo de Proporciones para la prueba de medianas ...............59
8 Resultados ...........................................................................................................................................61
8.1 Revisin de los Objetivos del Estudio ..........................................................................................618.1.1 Definicin del Problema .......................................................................................................618.1.2 Datos faltantes ......................................................................................................................628.1.3 Escala de decisin ................................................................................................................638.1.4 Traduccin de los Objetivos en Hiptesis Estadsticas ........................................................638.1.5 Estimacin de los Lmites de Errores de Decisin ...............................................................658.1.6 Diseo del muestreo .............................................................................................................65
8.2 Revisin Preliminar de los Datos .................................................................................................658.2.1 Aseguramiento de calidad a travs del perodo en estudio ...................................................668.2.2 Estadsticos bsicos ..............................................................................................................668.2.3 Representacin grfica de los datos .....................................................................................69
8.3 Seleccin del ensayo estadstico...................................................................................................71
8.4 Verificacin de los supuestos del ensayo estadstico ...................................................................728.4.1 Supuestos sobre normalidad de la distribucin ....................................................................728.4.2 Resultados de anlisis de tendencias ....................................................................................758.4.3 Ensayo para deteccin de datos aberrantes (outliers) ...........................................................75
8.5 Conclusiones de los datos ............................................................................................................768.5.1 Zona 1 ...................................................................................................................................778.5.2 Zona 2 ...................................................................................................................................788.5.3 Zona 3 ...................................................................................................................................788.5.4 Zona 4 ...................................................................................................................................798.5.5 Zona 5 ...................................................................................................................................808.5.6 Zona 6 ...................................................................................................................................80
8.6 Valores de alfa () y el Nmero de muestras a colectar..............................................................81
8.7 Resultados de Anlisis del Pozo Perforado ms antiguo del acueducto de Managua .................83
8.8 Utilizacin del software Decision Error Feasibility Trials (DEFT) ............................................86
8.9 Mapa de isovalores de nitratos ....................................................................................................88
8.10 Mapa de Isovalores de Potasio ....................................................................................................89
8.11 Mapa de Isovalores de Cloruros ..................................................................................................90
9 Discusin de Resultados .....................................................................................................................92
9.1 Anlisis de Percentiles .................................................................................................................92
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
14/133
XIV
9.2 Estudio de Correlaciones entre variables ....................................................................................93
9.3 Anlisis de Tendencias .................................................................................................................93
9.4 Ensayos de pruebas de hiptesis .................................................................................................94
9.5 Cantidad de muestras a colectar .................................................................................................949.6 Situacin de los Nitratos ..............................................................................................................98
9.7 Situacin del Potasio ..................................................................................................................103
9.8 Situacin de los Cloruros ...........................................................................................................104
10 Conclusiones .................................................................................................................................106
11 Recomendaciones .........................................................................................................................109
12 Referencias ....................................................................................................................................111
Anexo - Uso del software DEFT para el clculo estimado del tamao de muestra ..............................117
ILUSTRACIONES
Ilustracin 1: Managua y su vecindad ............................................................................................................................ 5Ilustracin 2 Muestreo sistemtico de cuadrcula ................................................................................................. 16Ilustracin 3: muestreo adaptivo.............................................................................................................................. 18Ilustracin 4: Muestreo compuesto ......................................................................................................................... 19Ilustracin 5: Estructura de la tabla de trabajo ...................................................................................................... 48Ilustracin 6: Formato tabular de los datos ............................................................................................................ 48Ilustracin 7: primera pantalla de captura del SPSS............................................................................................. 49
Ilustracin 8: Segunda pantalla de captura del SPSS ........................................................................................... 50Ilustracin 9: Pantalla de presentacin y edicin de datos del SPSS ................................................................. 50Ilustracin 10: Curvas de isovalores de Nitratos................................................................................................... 89Ilustracin 11: Curva de Isovalores de Potasio ............................................................................................................. 90Ilustracin 12: Curva de Isovalores de Cloruros ........................................................................................................... 91Ilustracin 13: Zona Gris para Nitratos en la Zona 1 (Baja) .......................................................................................... 96Ilustracin 14: Zona Gris para Cloruros en la Zona 5 (Ciudad Sandino) ...................................................................... 97Ilustracin 15: Zona Gris para Potasio en la Zona 4 ..................................................................................................... 98Ilustracin 16: Comportamiento Histrico del PP M. Oriental ........................................................................... 99Ilustracin 17: Comportamiento Histrico del PP San Antonio ....................................................................... 100Ilustracin 18: Comportamiento Histrico de PP Olof Palme .......................................................................... 100Ilustracin 19: Comportamiento promedio anual de nitratos en base a todos los pozos ............................... 101Ilustracin 20: Datos promedio anuales con un solo dato promedio para el pozo Mercado Oriental de 54 ppm.
........................................................................................................................................................................... 102Ilustracin 21: Comportamiento estacional de Nitratos en el PP Mercado Oriental durante 1998.............. 103Ilustracin 22: Comportamiento del Potasio en base a Promedios Anuales ................................................... 104Ilustracin 23: Comportamiento histrico de Cloruros ...................................................................................... 105
TABLAS
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
15/133
XV
Tabla 1: Narrativo de Hiptesis Estadstica ...................................................................................................... 64Tabla 2: Medidas de Tendencia Central y Percentiles ...................................................................................... 67Tabla 3: datos para el anlisis del ensayo de rangos estudentizado ................................................................ 73Tabla 4: Estadstica general del Pozo Las Mercedes 4 .................................................................................... 83
Tabla 5 : % de Muestras a colectar por zona por ao (Nitratos) ....................................................................... 86Tabla 6: % de Muestras a colectar por zona por ao (cloruros) ....................................................................... 87Tabla 7: % de Muestras a colectar por zona por ao (potasio) ......................................................................... 87
APENDICES
Apndice 1 : Lmites de Errores de Decisin ........................................................................................... 112
MAPAS
Mapa 1: Distribucin de las Zonas Geogrficas de Estudio ........................................................................................ 116
ACRONIMOS
GPM galones por minutoC.E. Conductividad Elctrica en uS/cmS.D. Slidos disueltos en mg/L
Cl Cloruros en mg/L como ClNO3 Nitratos en mg/L como NO3K Potasio en mg/L como KValid N (listwise) Registros en los que todos los campos poseen datosECD Evaluacin de Calidad del DatoPRSW P. de Rango con Signo de Wilcoxonppm partes por millnmg/L miligramos por litro
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
16/133
XVI
DefinicionesDesviacin Estndar(St)
Una medida de la dispersin alrededor de la media. En una distribucin normal, 68% de loscasos caen dentro de una desviacin estndar de la media y un 95% de los casos caen dentrode 2 SD.
Error Estndar(Standard Error)
Una medida de cunto el valor de un estadstico de prueba vara de muestra a muestra. Es ladesviacin estndar de la distribucin de muestreo para un estadstico. Por ejemplo, el errorestndar de la media es la desviacin estndar de las medias de muestra.
Estadstico Medidas resumen usadas para describir la muestra.Kurtosis Una medida del grado en que las observaciones se agrupan alrededor de un valor central.
Para una distribucin normal, el valor del estadstico Kurtosis es cero ( ). Kurtosis positivaindica que las observaciones se agrupan ms y tienen colas ms largas que las de ladistribucin Normal y la Kurtosis Negativa indica que las observaciones se agrupan menos ytienen colas ms cortas.
Poblacin objetivo Es el conjunto de todas las unidades que involucran los items de inters en un estudiocientfico, que es la poblacin acerca de la cual el tomador de decisiones quiere estar aptopara llegar a conclusiones.
Poblacin muestral Es la parte de la poblacin blanco que es accesible y disponible para muestreo.
Sesgamiento Una medida de la asimetra de una distribucin. La distribucin normal es simtrica y tiene unaSesgamiento de cero (). Una distribucin con un valor positivo significativo tiene una largacola derecha. Una distribucin con un Sesgamiento negativo tiene una larga cola hacia laizquierda. Un valor de sesgamiento mayor que 1, generalmente indica una distribucin quedifiere significativamente de una distribucin normal.
Unidad de muestreo Es un miembro de la poblacin que puede seleccionarse para muestreo, por ejemplo, un rbolindividual, un volumen especfico de aire o agua. Es muy importante para los planificadores delestudio ser muy especfico cuando se definen las caractersticas de las unidades de muestreocon respecto al espacio y tiempo. Una unidad de muestreo debe detallar los componentesespecficos de un medio ambiental.
Gerente Autoridad formal de una organizacin que tiene la responsabilidad de la toma de decisionesbasadas en juicios cientficos o basados en el juicio experto.
Usuario del Dato Es la entidad u organizacin propietaria de los datos generados, en este caso, es ENACAL.
Aseguramiento deCalidad
Es el conjunto de principios operativos que si se siguen estrictamente durante la colecta demuestra y el anlisis, producirn datos de calidad conocidos y defendible. La veracidad de unresultado analtico puede establecerse con un alto nivel de confianza. El aseguramiento decalidad incluye el control de calidad y la evaluacin de calidad.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
17/133
1
1 Introduccin
El estudio de la calidad de las aguas subterrneas es de especial relevancia porque stas se
consideran las fuentes de consumo de agua de menor riesgo en comparacin con las fuentes
superficiales. La ciudad de Managua est abastecida por 125 pozos perforados a todo lo largo de la
zona urbana. En esta rea se aprecia que la actividad humana ha intervenido de manera an no
cuantificada, ejerciendo un impacto el cual puede medirse a travs de los posibles cambios histricos
en compuestos inorgnicos que se encuentran presentes en el agua subterrnea.
Desde 1993 los datos de anlisis fsico qumicos se han registrado en varios tipos de software de base
de datos con el fin de preservar y almacenar la informacin. Inicialmente los registros fueron
almacenados utilizando DBASE III, luego se utiliz FoxPro y finalmente se mantiene en la
actualidad el almacenamiento en Microsoft ACCESS (habindose empleado conforme avanzaba la
modernizacin de los software, las versin #2 bajo Windows 95, luego Windows 98 y Windows
2000). De esta manera, los registros de monitoreos de calidad del agua que ha impulsado la Empresa
de Acueductos y Alcantarillados (ENACAL) han sido almacenados electrnicamente.
Uno de los riesgos a los que se expone todo conjunto de datos es que pueden pasar inadvertidos, y
con ello, tambin no se establezca el esfuerzo que se ha desplegado durante la ltima dcada en las
labores de muestreo y en las tareas analticas. Una cantidad ingente de recursos se han vertido para
lograr que un nmero se convierta en un diagnstico de garanta que las normas de calidad de agua
se cumplen. Para complementar esta serie de actividades, el tesista recurrir a una serie de
instrumentos de anlisis, apoyndose principalmente en el manejo de varios paquetes informticos
como ACCESS, como administrador de la Base de Datos, SPSS, para el manejo estadstico de los
datos, DEFT ( Decisin Error Feasibility Trials) para la factibilidad de los muestreos ambientales
mediante la definicin adecuada del nmero de muestras y el costo, y EXCEL.
Un aspecto importante ser la de dar forma a la abundancia de datos que estn almacenados en las
base de datos del Laboratorio Central de ENACAL, a la cual se tuvo acceso con la debida
autorizacin de las autoridades a cargo de la custodia de la informacin (Gerencia Ambiental y Dpto.
Calidad del Agua).
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
18/133
2
2 Justificacin
Aparte que casi el 90% de la poblacin que vive en Managua consume agua procedente de las aguas
subterrneas, la densidad de pozos perforados existentes en el rea es alta. Se estima que la cifra es
de aproximadamente 1 pozo por kilmetro cuadrado (Km2).
La cantidad de agua dulce en el planeta Tierra es de aproximadamente el 0.1% de la disponibilidad
global, adems, el acceso a este recurso es muy desigual, existen zonas del planeta con una
disponibilidad de agua muy escasa, si esto se agrega, que en muchos casos los mantos acuferos
estn sometidos a los riesgos de la polucin urbana e industrial, la pertinencia de evaluar las fuentes
de agua potable de la ciudad capital se hace una prioridad permanente.
El suministro de agua potable debe cumplir el requisito de cantidad y calidad, as como seguridad
fsica, qumica y bacteriolgica. En este sentido, los datos unificados con el debido criterio pueden
maximizar la toma de decisiones y la buena interpretacin de los resultados a travs del tiempo.
Con el objeto de establecer la situacin actual de la calidad hidroquimica de todos los pozos
perforados de la ciudad de Managua, esclareciendo y ofreciendo alternativas para optimizar los
recursos (identificacin del nmero adecuado de muestras desde un punto de vista estadstico que sea
defendible), es que se aborda el desarrollo del presente trabajo investigativo.
Sin embargo, se hace perentorio saber acerca de la calidad del dato generado, si puede dar respaldo
satisfactorio a las recomendaciones en torno a la factibilidad de la norma nacional de calidad del
agua conforme la realidad de las caractersticas hidroqumicas de los acuferos de Nicaragua y en
especial de la zona de Managua.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
19/133
3
Adicionalmente, el dato que se genere debe estar amparado bajo un correcto Diseo de Muestreo el
cual debe ser el marco referencial para iniciar los muestreos que definan con certeza la calidad del
agua en la zona de estudio.
El agua subterrnea es el recurso invisible, tanto es as, que muy pocas veces se advierten los
cambios que podran servirnos como campanada de alerta para iniciar cuanto antes medidas de
proteccin cuyos beneficiarios seramos nosotros, nuestras futuras generaciones y nuestros acuferos.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
20/133
4
3 Antecedentes del Area de Estudio
La ciudad de Managua, capital de la Repblica de Nicaragua, tiene una extensin de 200 Km2 y una
poblacin total aproximada de 1,2 millones de habitantes. En 1991 tena una produccin de agua de
268 000 m3 /da (71 MGD). El suministro medio por habitante y la tasa de consumo media fueron
aproximadamente de 230 l/c/d (61 g/c/d) y 170 l/c/d (44,6 g/c/d), respectivamente.
El rea depende en gran medida del agua subterrnea (en casi un 90%) como fuente de suministro de
agua, esto representa la cantidad de 125 pozos. Un 10% se obtiene de la laguna de Asososca la cual
est recargada principalmente por aguas subterrneas.
Se ha considerado y evaluado como de buena calidad el agua de los pozos y el de la laguna de
Asososca, por lo que el agua extrada solamente se le aplica cloracin como medida de proteccin
contra alguna posible recontaminacin en las redes.
3.1 Clima
De acuerdo con la Enciclopedia de Nicaragua, Tomo I, el clima en Managua puede describirse as:
La temperatura en los meses de abril y mayo, y, despus, entre agosto y septiembre, alcanza los
promedios mximos anuales (32oC a la sombra, en Managua); en cambio, entre los meses de
diciembre y febrero se presentan los promedios mnimos anuales (25oC para la misma localidad).
Desde luego, las variaciones anuales extremas marcan mnimos absolutos en ciertas madrugadas de
enero, cuando la temperatura en Managua baja excepcionalmente a 19oC, as como mximos
absolutos en ciertas tardes de abril y mayo, cuando el termmetro marca 36o
C a la sombra. A esto
habra que aadir que Managua se encuentra entre los 40 y 200 m sobre el nivel del mar.
El clima del rea de estudio es clasificado como clima tropical de sabana, la temperatura promedio
es de 25,6C durante el mes de diciembre y de 28,6C en abril. La estacin lluviosa (invierno)
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
21/133
5
comienza en mayo y termina en octubre o noviembre, mientras que la estacin seca (verano)
comienza en noviembre y termina en abril. La precipitacin media anual vara entre 1100 mm y
1500 mm dependiendo de la elevacin. El valor ms bajo se observa en la costa sur del lago de
Managua y el ms alto en el rea montaosa. La evaporacin anual vara de 1800 mm a 2700 mm
casi en correspondencia con la elevacin y la evapotranspiracin potencial se considera alta.
Ilustracin 1: Managua y su vecindad1
1Tomado de la Enciclopedia de Nicaragua, tomo I. Editorial Ocano
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
22/133
6
4 Objetivos
Elobjetivo generalde la tesis es el siguiente:
Evaluar la calidad de los datos de calidad de agua de pozos generados desde 1993 a 2002.
Para llevar a cabo este objetivo general se plantean los siguientesobjetivos especficos :
1. Establecer los parmetros estadsticos descriptivos en base a los registros existentes para los
iones nitratos, potasio y cloruros.
2. Determinar la variacin histrica de los principales cationes y aniones en las aguas de los pozos
de abastecimiento, haciendo especial nfasis en nitratos, potasio y cloruros.
3. Fijar las bases para la creacin de un Diseo de Muestreo sobre el acueducto de Managua, en
base a la informacin existente.
4. Comparar los valores registrados con los valores de las Normas CAPRE y recomendar pautas
para la redefinicin de criterios de calidad siempre y cuando esto no conlleve un riesgo a la
salud humana.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
23/133
7
5 Marco Terico
5.1 Qu es la Definicin de Objetivos de Calidad de Datos (DOCD)?
El marco referencial de todo diseo de muestreo ambiental, es la definicin de los Objetivos de
Calidad de Datos. Para analizar los resultados obtenidos a travs de un horizonte de tiempo y en un
rea geogrfica determinada, la base fundamental es el Proceso de identificacin de los objetivos de
calidad.
Es un anlisis de siete etapas recomendado por la Agencia de Proteccin Ambiental de los Estados
Unidos (EPA) para desarrollar diseos de muestreo para las actividades de colecta de datos quesoportan la toma de decisiones. Este proceso utiliza la planificacin sistemtica y los ensayos de
hiptesis estadstica para diferenciar entre dos o ms alternativas claramente definidas.
La planificacin sistemtica es el proceso basado en el mtodo cientfico lo que incluye conceptos
tales como objetividad de anlisis y aceptabilidad de los resultados. Este proceso se basa en el
sentido comn, examen a escala de la situacin para garantizar que el nivel de detalle en la
planificacin es equiparable con la importancia y el uso pretendido del trabajo y los recursos
disponibles. Este esquema promueve la comunicacin entre todos los individuos involucrados en un
programa ambiental. A travs de un proceso sistemtico de planificacin, el equipo puede
desarrollar los criterios de aceptacin o desempeo para la calidad de los datos colectados y para la
calidad de la decisin. Cuando estos datos estn siendo utilizados al tomar decisiones al seleccionar
entre dos condiciones alternas bien claras, por ejemplo, cumplimiento o no cumplimiento de una
normativa de calidad del agua, la herramienta de trabajo se denomina Proceso de Definicin de los
Objetivos de Calidad de los Datos.
Los siete pasos antes mencionados son los siguientes:
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
24/133
8
5.1.1 Establecer el Problema:
Definir el problema, identificar el equipo de planificacin, examinar el presupuesto,
calendarizar.
5.1.2 Identificar la Decisin:
Establecer la decisin, identificar la pregunta de estudio, definir las acciones alternativas.
5.1.3 Identificar las variables de entrada para la decisin:
Identificar la informacin necesaria para la decisin (fuentes de informacin, bases para el
Nivel de Accin, mtodos de muestreo y anlisis).
5.1.4 Definir los lmites del estudio
Especificar las caractersticas de la muestra, definir los lmites tiempo-espacio, unidades de
toma de decisiones.
5.1.5 Desarrollar una Regla de Decisin:
Definir los parmetros estadsticos (media, mediana, etc.), especificar el Nivel de Accin,
desarrollar una lgica para la Accin.
5.1.6 Especificar los lmites tolerables en los Errores de Decisin
Fijar los lmites aceptables para los errores de decisin relativos a las consecuencias (efectos
en la salud, costos).
5.1.7 Optimizar el Diseo para Obtener Datos
Seleccionar el muestreo efectivo en recursos y el plan de anlisis que cumpla los criterios de
desempeo.
5.2 Objetivos de Calidad de Datos
Son las normativas cuantitativas y cualitativas que se desarrollan utilizando el proceso mencionado
anteriormente a travs de las siete etapas, que clarifican los objetivos de estudio, definen el tipo
apropiado de dato, y especifican los lmites tolerables de posibles errores de decisin que sern
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
25/133
9
utilizados como base para establecer la calidad y cantidad de dato necesario para justificar las
decisiones. Los OCD (Objetivos de Calidad de Datos) definen los criterios de desempeo que limitan
las probabilidades de errores al tomar decisiones mediante la consideracin del propsito de la
colecta de datos, definiendo el tipo apropiado de datos requerido y especificando las probabilidades
tolerables de los errores de decisin.
Los primeros cinco pasos o etapas del proceso se enfocan principalmente en la identificacin de
criterios cualitativos como son:
La naturaleza del problema que ha iniciado el estudio y el modelo conceptual de la amenaza
ambiental que se investiga.
Las decisiones que se necesitan hacer.
El tipo de dato necesario (datos geogrficos, medio ambiente, el perodo de colecta de datos,
etc), y
La regla de decisin que define cmo se usar el dato para escoger entre las acciones
alternativas.
La definicin de las fronteras tiempo / espacio de la decisin.
El establecimiento de los miembros del equipo de planificacin y los que tomarn las
decisiones.
5.2.1 Especificar los lmites tolerables en los Errores de Decisin
Esta es la sexta etapa y una de la ms crucial dentro del proceso de definicin de los Objetivos de
Calidad de Datos. Esta fase involucra a la vez los siguientes componentes:
Determinar el rango del parmetro de inters
Escoger la hiptesis nula
Examinar las consecuencias de hacer una decisin incorrecta
Especificar un rango de valores donde las consecuencias son menos impactantes (regin
gris).
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
26/133
10
Asignar valores de probabilidad a los puntos arriba y debajo del Nivel de Accin que refleja
la probabilidad tolerable para errores de decisin potenciales.
Se considera que esta es una de las fases ms importantes porque aqu ya no es posible imaginarse
que se dispone de la informacin perfecta ni que se posee los datos ilimitados para hacer las
decisiones. En este momento se hace frente a la realidad que no es posible tener la informacin
perfecta sobre la cual basar las decisiones. En vez de eso, las decisiones se basarn en un conjunto
de datos muestrales sujetos a diversos errores que son parte de una poblacin de inters mucho ms
grande. Inherente en el uso de datos de muestra para la toma decisiones es el hecho que esas
decisiones pueden ser ocasionalmente, erradas. En esta etapa del proceso de definicin de los
objetivos de calidad de datos, los valores numricos sern examinados en un intento de mantener la
posibilidad de un error de decisin a un mnimo.
El propsito de la fase 6 es la de especificar las metas de desempeo cuantitativas para escoger entre
dos alternativas de accin para la regla de decisin. Las metas se expresan como probabilidades de
cometer errores en la decisin en los valores verdaderos seleccionados del parmetro de inters
especificado en la etapa 5. Estas probabilidades de metas de desempeo en la decisin son una
definicin de la cantidad de incertidumbre que se est dispuesto a tolerar en las decisiones en unos
pocos valores verdaderos crticos que son especficos del parmetro de inters.
5.2.2 Fuentes de error
Un error de decisin ocurre cuando un conjunto de datos de muestras conducen errneamente a hacer
decisiones erradas y a tomar acciones respuesta igualmente equivocadas. La posibilidad de un error
de decisin existe porque la decisin est basada precisamente en datos de muestra que son
incompletas o imperfectas. An cuando el mtodo de colecta y el mtodo de anlisis puede no estar
sesgado, los datos de la muestra estn sujetos a los errores sistemticos y aleatorios en diferentes
etapas de su adquisicin, desde la colecta en campo hasta el anlisis de laboratorio. La combinacin
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
27/133
11
de todos estos errores se llama error total del estudio. Pueden haber muchos contribuyentes al error
total del estudio, pero hay tpicamente dos componentes:
1. Error del diseo de muestreoEste error est influenciado por la variabilidad inherente de la
poblacin en el espacio y el tiempo, el diseo de colecta de muestra y el nmero de muestras.
Usualmente es imprctico medir la unidad de decisin entera, y un muestreo limitado puede
dejar a un lado aspectos de la variacin natural de la medicin de inters. El error de diseo
de muestreo ocurre cuando el diseo de colecta de datos no captura la variabilidad completa
dentro de la unidad de decisin en tal grado para la decisin de inters. Este error puede
producir error aleatorio (variabilidad o imprecisin) y error sistemtico (sesgo) en las
estimaciones de los parmetros poblacionales.
2. Error de medicin Este error (variabilidad) est influenciado por imperfecciones en la
medicin y el sistema de anlisis. Los errores de medicin sistemticos y aleatorios son
introducidos en el proceso de medicin durante la colecta fsica de la muestra, la
manipulacin de la muestra, la preparacin de la muestra, el anlisis de la muestra, la
reduccin de datos, transmisin y almacenamiento.
El error total del estudio afecta la probabilidad de cometer errores decisionales. Por lo que es
esencial conocer el error total para administrar el error total del estudio en las alternativas de diseo
de muestreo y sistema de medicin. Esto har posible controlar la posibilidad de cometer errores de
decisin y llevarlos a niveles aceptables.
5.3 Uso de datos existentes para fundamentar la toma de decisiones
El dato existente es til, y puede echarse mano de estudios piloto o de las bases de datos de los
monitoreos de control de calidad del agua. Estos datos pueden ofrecer una evaluacin preliminar de
la variabilidad. En estos casos, los datos existentes pueden ser una base invaluable para ayudar a
desarrollar un diseo para captar datos. Es crtico examinar el dato existente para asegurarse que la
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
28/133
12
calidad es aceptable para uso, o para integrarse en un nuevo conjunto de datos. Algunas
consideraciones incluyen lo siguiente:
1. determinar si el dato existente fue colectado dentro de aproximadamente el mismo lmite
tiempo/espacio que el nuevo dato;
2. examinar el dato existente para determinar si este conjunto de datos incluye los mismos
analitos;
3. examinar el desempeo analtico de los mtodos para el dato existente (precisin, exactitud,
lmites de deteccin) y compararlo con las especificaciones del Paso 3 del Proceso de
Definicin de los Objetivos de Calidad de Daos para el nuevo dato a colectarse; y
4. examinar la variabilidad entre muestras en los datos nuevos y los existentes.
El combinar datos existentes y nuevos datos puede ser un operacin muy compleja y se debe
hace con mucho cuidado. En muchos casos, se necesita de experticia estadstica para evaluar
ambos conjuntos de datos y combinarlos con confianza.
No siempre se necesita desarrollar diseos de muestreo estadstico probabilstico para el registro
de datos si se utiliza el proceso de las siete etapas. No todos los problemas de muestreo pueden
resolverse con diseos probabilsticos. Sin embargo , el proceso OCD debera utilizarse como
una herramienta de planificacin para los estudios an si el diseo de registro de datos estadstico
no se emplea. En estos casos el equipo de planificacin deber buscar un experto en cmo
desarrollar un diseo de toma de datos no estadstico y cmo evaluar los resultados. Cuando se
emplean mtodos de muestreo no probabilstico, de juicio, se necesita verificar que los requisitos
de aseguramiento de calidad se han cumplido.
5.4 Diseo de los muestreos ambientales
5.4.1 La representatividad
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
29/133
13
La representatividad del muestreo se logra a travs del diseo de muestreo. Puede considerarse como
una medida del grado en que el dato representa de manera exacta y precisa, una caracterstica de la
poblacin, las variaciones del parmetro en un punto de muestreo, una condicin del proceso o una
condicin ambiental. El desarrollo de un diseo de muestreo es un paso crucial en colectar datos
defendibles y apropiados que representen en forma exacta el problema que se investiga.
5.4.2 Objetivos de los diseos de muestreo
Un diseo de muestreo completo indica el nmero de muestras e identifica las muestras particulares,
por ejemplo, las posiciones geogrficas en donde se captarn las muestras o los puntos en el tiempo
en que tomarn las muestras. Adems de esta informacin, el diseo completo incluir una
explicacin y justificacin del nmero y las posiciones/tiempo de las muestras.
Los objetivos tpicos de un diseo de muestreo es la colecta de datos ambientales con el propsito
de:
1. Soportar o justificar una decisin acerca de si los niveles de contaminacin exceden un techo
de riesgo inaceptable.
2. Determinar si ciertas caractersticas de dos poblaciones difieren en alguna cantidad.
3. Estimar las caractersticas medias de una poblacin o la proporcin de una poblacin que
tiene ciertas caractersticas de inters.
4. Identificar los lugares manchas-negras (reas con altos niveles de contaminacin) o
delineacin de la pluma de contaminacin.
5. Caracterizar la naturaleza y extensin de la contaminacin en el sitio, o
6. Para monitorear tendencias en condiciones ambientales o indicadores de salud.
El diseo de muestreo especifica el Nmero, Tipo y Ubicacin espacial y temporal de las unidades
de muestreo seleccionados para medicin. Otro concepto inherente es el del Modelo Conceptual del
Peligro Potencial el cual debe incluirse en los protocolos de diseo de muestreo.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
30/133
14
Se hace la observacin que muchas veces las investigaciones no van acompaadas de un Diseo de
muestreo sustentado con las herramientas estadsticas.
5.4.3 Tipos de diseo de muestreo2
Estn definidos seis tipos de diseos de muestreo y un protocolo de muestreo (por ejemplo, el
muestreo compuesto). La mayora de estos se ajustan a los monitoreos ambientales.
5.4.3.1 Muestreo Razonado
La seleccin de las unidades de muestreo (por ejemplo el nmero y ubicacin y / o el perodo de
colecta de muestras), est basado en el conocimiento del aspecto o la condicin que se investiga y en
el juicio profesional. El muestreo razonado se distingue del muestreo basado en probabilidades
estadsticas en que las inferencias se basan en el juicio experto y no en la teora cientfica. Por lo
tanto, las conclusiones basadas en la poblacin blanco son limitadas y dependen enteramente en la
validez y exactitud del razonamiento profesional. Las definiciones probabilsticas acerca de los
parmetros no son posibles. Este tipo de diseo se utiliza en conjunto con otro tipo de diseos
muestrales para producir decisiones defendibles y un muestreo efectivo.
5.4.3.2 Muestreo simple aleatorio
En este tipo de muestreo aleatorio, las unidades de muestreo particulares (por ejemplo, lugares y / o
frecuencias) son seleccionadas usando nmeros aleatorios, y todas las posibles selecciones de un
nmero dado de unidades son igualmente probables. Por ejemplo, una simple muestra aleatoria de un
conjunto de pozos pueden tomarse mediante la numeracin de todos los pozos y luego seleccionando
aleatoriamente de la lista o por el muestreo de un rea mediante el uso de pares aleatorios de
2Hay diseos de muestreos que pueden utilizarse en la colecta de datos ambientales que no estn considerados, como
el doble muestreo, el muestreo secuencial, el muestreo cuota o el muestreo en multietapas.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
31/133
15
coordenadas. Este mtodo es fcil de entender, y las ecuaciones para determinar el tamao de
muestra son relativamente sencillas.
El muestreo aleatorio simple es muy til cuando la poblacin de inters es relativamente homognea,
y no se esperan patrones de contaminacin o reas con datos fuera de la norma. La principal ventaja
de este diseo son:
1. Provee estimados estadsticamente no sesgados de la media, proporciones y variabilidad.
2. Es fcil de entender y fcil de implementar.
3. Los clculos de tamao de muestra y anlisis de datos son muy sencillos.
En algunos casos, la implementacin del muestreo simple aleatorio puede ser ms difcil que los
otros tipos de diseo (por ejemplo, las muestras en nodo) debido a la dificultad de identificar
precisamente lugares geogrficos de manera aleatoria. Adicionalmente, el muestreo simple aleatorio
puede ser ms costoso que otros planes si las dificultades en obtener muestras debido a los lugares
causan un gasto extra.
5.4.3.3 Muestreo Estratificado
En el muestreo estratificado, la poblacin blanco se separa en estratos que no se traslapan, o en
subpoblaciones que se saben que son ms homogneas (relativo al medio ambiente o al
contaminante), de manera que haya menos variacin entre las unidades de muestreo en el mismo
estrato que entre las unidades de muestreo en diferentes estratos. Los estratos pueden escogerse sobre
la base de proximidad espacial o temporal de las unidades, o sobre la base de informacin
preexistente o juicio profesional acerca del sitio o el proceso.
Este diseo es til para estimar un parmetro cuando la poblacin blanco es heterognea y el rea
puede ser subdividida basado en niveles de contaminacin esperados. La ventaja de este diseo de
muestreo es que tiene potencial para lograr mayor precisin en estimados de media y varianza, y que
permite el clculo de estimados confiables de los subgrupos de inters especial. Mayor precisin
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
32/133
16
puede obtenerse si la medicin de la medicin de inters est fuertemente correlacionada con la
variable usada para hacer el estrato.
5.4.3.4 Muestreo sistemtico o de celdas
En el muestreo sistemtico o de celda, las muestras se toman en intervalos regulares espaciados sobre
un espacio o tiempo. El lugar inicial y el tiempo se escoge de manera aleatoria, y luego los lugares
de muestreo remanentes son definidos de manera que todos los lugares estn en intervalos regulares
sobre un rea (celda) o tiempo (sistemtico).
En el muestreo sistemtico aleatorio, se escoge un lugar inicial de muestreo de manera aleatoria y los
restantes sitios se especifican de manera que se localizan de acuerdo a un patrn regular, por ejemplo
en los puntos de interseccin de cada lnea en las celdas. El muestreo de celda-sistemtico se utiliza
para investigar reas sensibles de contaminacin y para inferir medias, percentiles u otros parmetros
y es tambin til para estimar patrones espaciales o tendencias en el tiempo. Este diseo provee un
mtodo prctico y fcil para lugares de muestreo y asegurar una cobertura uniforme del sitio, unidad,
o proceso.
Ilustracin 2 Muestreo sistemtico de cuadrcula
5.4.3.5 Muestreo en conjunto de rangos
Es un diseo innovativo que puede ser muy til y eficiente en costo al obtener mejores estimados de
los niveles de concentracin promedio en suelo y otros medios ambientales al incorporar
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
33/133
17
explcitamente el juicio profesional de un investigador de campo o de un mtodo de sondeo de
campo para escoger los lugares especficos de muestreo en el campo. El muestreo en conjunto de
rangos utiliza un diseo de muestreo en dos fases que identifica conjuntos de lugares de campo,
utiliza mediciones baratas para ranguear lugares dentro de cada conjunto, y entonces se selecciona
un lugar de cada conjunto de muestreo.
En el muestreo de rangos, m conjuntos ( cada uno de tamao r) de sitios de campo se identifican
usando el muestreo simple aleatorio. Los lugares o sitios se ranguean independientemente dentro de
cada conjunto utilizando el juicio razonado o profesional o en base a mediciones baratas, rpidas.
Una unidad de muestreo de cada conjunto se selecciona entonces (basado en los rangos observados)
para medicin subsecuente, utilizando un mtodo ms preciso y confiable ( y por ende ms caro) del
parmetro de inters. En relacin al muestreo aleatorio simple, este diseo resulta en muestras ms
representativas y conduce a estimados ms precisos de los parmetros poblacionales.
El muestreo en rangos es til cuando el costo de localizar y ranguear sitios en el campo es bajo
comparado a las mediciones de laboratorio. Es tambin apropiado cuando una variable barata
auxiliar ( basada en el conocimiento experto o en la medicin), est disponible para ranguear las
unidades de poblacin con respecto a la variable de inters. Para emplear este diseo efectivamente,
es importante que el mtodo de rangueo y el mtodo analtico estn fuertemente correlacionados.
5.4.3.6 Muestreo en Grupo Adaptativo
En el muestreo en grupo, n muestras se seleccionan utilizando el muestreo simple aleatorio, y las
muestras adicionales se toman en lugares donde las mediciones exceden algn valor lmite o gua.
Varios ensayos de muestreo y anlisis se requieren en algunas situaciones. El muestreo de grupo
registra las probabilidades de seleccin para fases posteriores de muestreo de manera que un
estimado no sesgado de la poblacin promedio se pueda calcular a pesar del sobremuestreo de ciertas
reas. Un ejemplo de aplicacin del muestreo en grupo es el delinear los bordes de una pluma de
contaminacin.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
34/133
18
En la Ilustracin 2, se muestran formas iniciales y finales del muestreo en grupo adaptativo. Las
mediciones iniciales se hacen a partir de unidades de muestreo seleccionadas segn el diseo de
muestreo simple aleatorio. Si una unidad de muestreo se encuentra con caractersticas de inters, por
ejemplo, concentracin alta de un contaminante de inters, efecto ecolgico, entonces se seleccionan
las unidades de muestreo adyacentes a la unidad original seleccionada, y se hacen las mediciones.
El muestreo adaptativo en grupo es til para estimar o investigar caractersticas extraas en una
poblacin y es apropiado para mediciones baratas y rpidas. Esto hace factible delinear los contornos
de las reas sensibles, a la vez que se utiliza el dato colectado con ponderacin apropiada para dar
estimados no sesgados de la poblacin promedio.
Ilustracin 3: muestreo adaptivo
5.4.3.7 Muestreo Compuesto
En el muestreo compuesto, los volmenes de material de distintos unidades de muestreo
seleccionados, son fsicamente combinados y mezclados en un esfuerzo para formar una sola muestra
homognea, que es luego analizada. El composteo puede ser efectivo en costo porque reduce el
nmero de anlisis qumicos. Es ms costo efectivo cuando los costos de anlisis son grandes en
relacin de los costos de muestreo, sin embargo, demanda que no haya riesgos a la salud o sesgos
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
35/133
19
potenciales, como por ejemplo prdida de compuestos orgnicos, asociados con el proceso de
composteo. Ver Ilustracin 3.
Ilustracin 4: Muestreo compuesto
5.5 Proceso de Evaluacin de la Calidad de los Datos
La evaluacin de la Calidad de los datos es el procedimiento cientfico y estadstico para determinar
si el dato obtenido de las operaciones de monitoreo de los planes de Control de Calidad, son del tipo
correcto en calidad y cantidad para justificar o fundamentar el uso para el cual se realiz el
monitoreo. Para la evaluacin de la calidad del dato es necesario acudir a herramientas grficas y
estadsticas para ejecutar este proceso.
La Evaluacin de Calidad del Dato (ECD) se fundamenta en la premisa siguiente:
La calidad del dato, como concepto, tiene significado solamente cuando se relaciona con el uso
pretendido del dato. La calidad del dato no existe en un vaco, se debe conocer el contexto en que el
conjunto de datos ser utilizado para establecer el criterio si el dato es adecuado.
Con la evaluacin se pretende conocer dos aspectos:
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
36/133
20
1. Puede hacerse una decisin con el deseado nivel de confianza dada la calidad del conjunto de
datos?
2. Qu tan bien se espera que funcione el diseo muestral sobre un amplio rango de posibles
obstculos o interferencias? Puede utilizarse el mismo diseo de muestreo en otros casos con
el deseado nivel de confianza, particularmente si los resultados resultan ms altos o ms bajos
que los observados en el estudio base?.
La primera pregunta examina las necesidades inmediatas del usuario del dato. Por ejemplo, si el dato
provee evidencia fuerte a favor de un curso de accin sobre otro, entonces el tomador de decisiones
puede proceder sabiendo que la decisin ser fundamentada en datos no ambiguos. Por el contrario,
si el dato no aporta evidencia fuerte a favor de una alternativa, entonces el anlisis del dato alerta al
tomador de decisiones sobre la incertidumbre. En este momento,el gerenteest en una posicin de
tomar otras medidas como colectar ms datos u otro tipo de datos, o bien, proceder de cualquier
manera, sin considerar la probabilidad de llegar a conclusiones erradas.
La segunda pregunta responde a las necesidades futuras del usuario del dato. Por ejemplo, si los
investigadores deciden usar un cierto tipo de diseo de muestreo en un lugar diferente al sitio en que
fue utilizado originalmente, ellos deberan determinar lo bien que el diseo puede desempearse
dadas las interferencias en las nuevas condiciones ambientales. Lo adecuado o apropiado de un
diseo de muestreo debe examinarse sobre una base amplia de posibles obstculos o interferencias.
5.5.1 El proceso de evaluacin
Consiste de cinco etapas que inicia con la revisin de la planificacin original y termina con una
respuesta a la pregunta de laetapa 2de la definicin de los objetivos de calidad.
Paso 1 Revisar los OCD y el Diseo de Muestreo
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
37/133
21
Se revisan las salidas del OCD para verificar que son aplicables. Si no se han
desarrollado, se deben especificar antes de evaluar los datos. Para decisiones
ambientales, se definen las hiptesis estadsticas y se especifican los lmites
tolerables en los errores de decisin. Para la estimacin de problemas, se definen
los intervalos de probabilidad y los niveles de confianza aceptables. Se revisan los
diseos de muestreo y la documentacin de colecta de datos para ver si son
consistentes con el OCD.
Paso 2 Ejecute una Revisin Preliminar
Se revisan los reportes de aseguramiento de calidad, se calculan las estadsticas
bsicas y se generan grficos del dato. Se usa esta informacin para conocer la
estructura del dato e identificar patrones, relaciones o anomalas potenciales.
Paso 3 Seleccione el Ensayo Estadstico
Se selecciona el procedimiento ms apropiado para resumir y analizar los datos,
basado en la revisin de los OCD, el diseo de muestreo y la revisin preliminar.
Identifique los supuestos claves subyacentes que deben hacerse para que los
procedimientos estadsticos sean vlidos.
Paso 4 Verifique los supuestos del Ensayo Estadstico
Evale si los supuestos se mantienen o si se aceptan desviaciones, dados los datos
actuales.
Paso 5 Obtenga conclusiones de los datos
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
38/133
22
Ejecute los clculos requeridos por el ensayo estadstico y documente las
interferencias halladas como resultado de estos clculos. Si el diseo ser utilizado
nuevamente, evale el desempeo del diseo de muestreo.
5.6 Fundamento de las Pruebas Estadsticas en la presente Investigacin
En el desarrollo de las investigaciones se busca determinar en qu medida son aceptables las
hiptesis que derivan de las teoras. Despus de la seleccin de cierta hiptesis que parece importante
en una teora determinada, se recopilan los datos empricos que dan informacin directa acerca de la
aceptabilidad de esa hiptesis. La decisin acerca del significado de los datos puede conducir la
confirmacin, revisin o rechazo de la hiptesis y, con ella, la teora que la origin.
Para decidir con objetividad si una hiptesis particular se confirma por un conjunto de datos, se
requiere un procedimiento que conduzca a un criterio objetivo para descartar o aceptar la hiptesis.
El mtodo cientfico necesita que las conclusiones sean obtenidas por mtodos normalizados,
susceptibles de repetirse por otros investigadores. Este procedimiento objetivo debe basarse tanto en
la informacin obtenida al investigar como en el margen de error que se dispone aceptar si el criterio
de decisin con respecto a la hiptesis resulta incorrecto. Los pasos que sigue el procedimiento
comprenden en el orden de ejecucin los siguientes:
1. Formulacin de la hiptesis de nulidad (Ho).
2. Eleccin de una prueba estadstica (con su modelo estadstico asociado) para probar Ho. De
las pruebas capaces para utilizarse con un diseo de investigacin dado, hay que seleccionar
aquella cuyo modelo se aproxima ms a las condiciones de la investigacin (en trminos de
los supuestos que califican el uso de la prueba) y cuyos requisitos de medicin satisfacen las
medidas usadas en la investigacin.
3. Especificacin del nivel de significancia () y del tamao de la muestra N.
4. Encuentro o suposicin de la distribucin muestral de la prueba estadstica conforme a Ho.
5. Sobre la base de los incisos 2, 3 y 4, se define la zona de rechazo.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
39/133
23
6. Clculo del valor de la prueba estadstica con los datos obtenidos de las muestras. Si el valor
desciende a la regin de rechazo, Ho debe rechazarse, si el valor cae fuera de la regin de
rechazo, Ho no puede rechazarse al nivel de significancia escogido.
5.6.1 La hiptesis de nulidad
El primer paso en el proceso de hacer decisiones es enunciar la hiptesis de nulidad (Ho). La
hiptesis de nulidades una hiptesis de diferencias nulas. Se formula generalmente con la intencin
expresa de ser rechazada. Si se rechaza, puede aceptarse entonces la hiptesis alterna (H1). La
hiptesis alterna es la aseveracin operacional de la hiptesis de investigacin del experimentador.
La Hiptesis de investigacin es la prediccin que se deriva de la teora que se est probando.
Al efectuar una decisin acerca de diferencias, se somete a prueba a Ho frente a H1. H1 constituye la
afirmacin aceptada cuando Ho es rechazada.
5.6.2 La eleccin de la prueba estadstica
El campo de la estadstica se ha desarrollado hasta el grado en que actualmente se cuenta para casi
todos los propsitos de investigacin con pruebas estadsticas susceptibles de usarse alternativamente
para tomar decisiones acerca de hiptesis. Al comparar las pruebas, se requiere de una base racionalpara escoger entre ellas. Uno de los aspectos cruciales en la eleccin de la prueba estadstica es
decidir si se escogern pruebas paramtricas o no paramtricas.
5.6.2.1 Pruebas Estadsticas Paramtricas y No Paramtricas
Una prueba estadstica paramtrica es aquella cuyo modelo especifica ciertas condiciones acerca de
los parmetros de la poblacin de la que se obtuvo la muestra investigada, que no se prueban
ordinariamente, y se supone que se mantienen. La significacin de los resultados de una prueba
paramtrica depende de la validez de estas suposiciones. A medida que las suposiciones que definen
un modelo particular sean ms escasas, o ms vagas, se necesitan de menos limitaciones para llegar a
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
40/133
24
una decisin lograda por la prueba estadstica asociada con el modelo. Es decir, a menores o ms
dbiles suposiciones, habr conclusiones ms generales.
Las condiciones de las pruebas paramtricas son, de manera general, las siguientes:
1. Las observaciones deben ser independientes entre s. La seleccin de un caso cualquiera de la
poblacin con miras de inclusin en la muestra no debe afectar las posibilidades de incluir
cualquier otro, y el puntaje que se asigne a un caso cualquiera no debe influir en el puntaje
que se asigne a cualquier otro.
2. Las observaciones deben hacerse en poblaciones distribuidas normalmente.
3. Estas poblaciones deben tener la misma varianza.
4. Las variables correspondientes debern haberse medido por lo menos en una escala de
intervalo, de manera que sea posible usar las operaciones aritmticas con los puntajes.
5. Para el caso de anlisis de varianza (prueba F), se agrega la siguiente: Las medias de estas
poblaciones normales y homocedsticas (iguales varianzas) debern ser combinaciones
lineales de efectos debidos a las columnas y a los renglones o a ambos. Por tanto, los efectos
deben ser aditivos.
Una prueba estadstica no paramtrica es aqulla cuyo modelo no especifica las condiciones de los
parmetros de la poblacin de la que se obtuvo la muestra. Hay algunas suposiciones que se asocian
con la mayora de las pruebas estadsticas no paramtricas: observaciones independientes y variable
de continuidad bsica; pero estas suposiciones son pocas y mucho ms dbiles que las asociadas con
las pruebas paramtricas. Adems, las no paramtricas no requieren mediciones tan fuertes; la
mayora de las pruebas no paramtricas se aplican a datos de una escala ordinal y algunas a los de
una escala nominal.
5.6.2.2 Ventajas de las pruebas estadsticas no paramtricas
1. Las declaraciones de probabilidad obtenidas de la mayora de las pruebas estadsticas no
paramtricas son probabilidades exactas (excepto en el caso de muestras grandes, que
proporcionan excelentes aproximaciones), independientemente de la forma de la distribucin
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
41/133
25
de la poblacin de la que se tom la muestra. La exactitud de la declaracin de probabilidad
no depende de la forma de la poblacin, aunque algunas pruebas no paramtricas supongan
identidad de forma de dos o ms distribuciones de poblacin. En ciertos casos, las pruebas
no paramtricas suponen que la distribucin de base es continua, suposicin que comparten
las pruebas paramtricas.
2. Si los tamaos de las muestras son tan pequeos como N = 6, no hay alternativa de eleccin
de una prueba estadstica no paramtrica a menos que se conozca exactamente la naturaleza
de la distribucin de la poblacin.
3. Hay pruebas estadsticas no paramtricas adecuadas para observaciones hechas en
poblaciones diferentes. Ninguna prueba paramtrica puede manejar tales datos sin exigir
suposiciones aparentemente irreales.
4. Los mtodos no paramtricos son tiles para los datos simplemente clasificatorios, medidos
en una escala nominal. Ninguna tcnica paramtrica se aplica a tales datos.
5. Las pruebas estadsticas no paramtricas son tpicamente mucho ms fciles de aplicar que
las pruebas paramtricas.
5.6.2.3 Desventajas de las pruebas estadsticas no paramtricas
Si todos los supuestos del modelo estadstico paramtrico son satisfechos realmente por los datos y si
la medida tiene la fuerza requerida, las pruebas estadsticas no paramtricas disipan los datos. El
grado de desperdicio se expresa por la potencia-eficiencia de la prueba no paramtrica. Si una
prueba estadstica no paramtrica tiene una potencia eficiencia de por ejemplo, el noventa por
ciento, esto significa que al ser satisfecha todas las condiciones de la prueba paramtrica, el mtodo
paramtrico apropiado ser tan efectivo con una muestra menor en un diez por ciento que la utilizada
en el anlisis no paramtrico.
Hasta el momento no hay mtodos no paramtricos para probar las interacciones dentro del modelo
de anlisis de varianza, a menos que se hagan suposiciones especiales acerca de la aditividad.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
42/133
26
5.6.3 El nivel de significancia y el tamao de la muestra
Cuando se enuncian la hiptesis de nulidad (Ho) y la hiptesis alterna (H1) y cuando la prueba
estadstica apropiada a la investigacin fue seleccionada, el paso siguiente consiste en especificar el
nivel de significancia () y seleccionar un tamao de muestra (N).
En general el procedimiento para tomar decisiones es el siguiente: antes de recopilar datos, se
especifica el conjunto de todas las posibles muestras que se encuentran si Ho es verdadera. De este
conjunto se extrae un subconjunto de muestras de caractersticas tan extrema que reducen mucho la
probabilidad, si Ho es verdadera, de que la muestra est entre ellas. El procedimiento es rechazar
Ho para aceptar H1 si una prueba estadstica produce un valor cuya probabilidad asociada de
ocurrencia bajo Ho es igual o menor que alguna pequea probabilidad simbolizada por. Esta
pequea probabilidad se llama nivel de significancia. Valores comunes de son 0.05 y 0.01.
Puesto que el valor de juega un papel para determinar el rechazo de Ho o su aceptacin, se
requiere que se defina antes de colectar los datos. El nivel que el investigador escoge para deber
determinarse por la estimacin que haga de la importancia o del posible significado prctico de sus
descubrimientos.
5.6.3.1 Tipos de errores
Hay dos tipos de errores que pueden cometerse al decidir acerca de Ho. El primero, el error Tipo I,
es rechazar Ho siendo verdadera. El segundo, el error tipo II, es aceptar Ho siendo falsa.
La probabilidad de cometer el error tipo I est dada por . Cuando mayor sea , tanto ms probable
es que Ho sea rechazada equivocadamente, es decir, tanto ms probable es que se cometa el error
tipo I. El error tipo II se suele representar por ; y indican tanto el tipo de error como la
probabilidad de cometerlo, esto es:
P(error tipo I) =
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
43/133
27
P(error tipo II) =
En condiciones ideales, los valores de y deberan ser especificados por el experimentador antes
de iniciar la investigacin. Estos valores determinarn el tamao de la muestra (N) que deber usarse
para el clculo de la prueba estadstica. En la prctica, es comn que y N queden especificados por
adelantado. Una vez que y N se han especificado, queda determinada . Como existe una relacin
inversa entre las probabilidades de cometer ambos tipos de errores, al decrecer se incrementar
para cualquier N dada. Si se desea reducir la posibilidad de ambos tipos de errores, se debe
incrementar N.
Lapotencia de una prueba se define como la probabilidad de rechazar Ho cuando es realmente falsa,
esto es:
Potencia = 1probabilidad del error tipo II = 1 - .
5.6.4 La Distribucin Muestral
Cuando se ha escogido una prueba estadstica para aplicarla a los datos, se debe determinar cul es la
distribucin muestral del estadstico de la prueba. La distribucin muestral es una distribucin
terica. Se obtendra al tomar al azar todas las muestras posibles de un mismo tamao extradas de
una misma poblacin. Expresado de otra forma, la distribucin muestral es la distribucin, conforme
a Ho, de todos los valores posibles que un estadstico (por ejemplo, la media muestral) puede tomar
cuando se calcula con muestras de igual tamao tomadas al azar.
La distribucin muestral de un estadstico seala las probabilidades conforme a Ho que estn
asociadas con los diferentes valores numricos posibles de la estadstica. La probabilidad asociada
con la ocurrencia de un valor particular de la estadstica conforme a Ho no es la probabilidad exacta
de precisamente ese valor. La expresin las probabilidades asociadas con la ocurrencia conforme a
Ho se refiere a la probabilidad de un valor particular ms la probabilidad de todos los valores ms
extremos posibles.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
44/133
28
5.6.5 La Regin de Rechazo
La regin de rechazo es una regin de la distribucin muestral. Consiste de un conjunto de valores
posibles tan extremos que, cuando Ho es verdadera, es muy pequea la probabilidad () de que la
muestra observada produzca un valor que est entre ellos. La probabilidad asociada con cualquier
valor de la regin de rechazo es igual o menor que .
El tamao de la regin de rechazo queda expresado por , que es el nivel de significancia. Si =
0.05, entonces el tamao de la regin de rechazo es del cinco por ciento del rea total comprendida
bajo la curva de la distribucin muestral.
5.6.6 La Decisin
Si la prueba estadstica da un valor que est en la regin de rechazo, se rechaza Ho. Esto puede
suceder debido a dos situaciones: suponiendo que la hiptesis de nulidad es falsa o que un evento
raro e improbable ha sucedido. En este proceso de decisin, se escoge la primera explicacin. La
probabilidad de que la segunda explicacin sea la correcta est dada por , pues el rechazo de Ho
cuando es verdadera es el error tipo I.
Cuando la probabilidad asociada con un valor observado de una prueba estadstica es igual o menor
que el valor previamente determinado de , se concluye que Ho es falsa. El valor observado se llama
significativo. La hiptesis en prueba, Ho, se rechaza siempre que ocurra un resultado significativo.
Por tanto, se llama valor significativo a aquel cuya probabilidad asociada de ocurrencia de acuerdo
con Ho, es igual o menor que .
5.7 Fundamento hidroqumico de la calidad de las aguas subterrneas
En un agua subterrnea natural, la mayora de las sustancias disueltas se encuentran en estado inico.
Unos cuantos de estos iones se encuentran presentes casi siempre y su suma representa casi la
totalidad de los iones presentes; estos son los iones fundamentales.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
45/133
29
Estos iones fundamentales son
Aniones Cationes
Cloruro Cl- Sodio Na+
Sulfato SO4-- Calcio Ca++
Bicarbonato CO3H- Magnesio Mg++
Es frecuente que los aniones nitrato (NO3-) y carbonato (CO3
-- ) y el catin potasio (K+) se
consideren dentro del grupo de iones fundamentales aun cuando en general su proporcin es
pequea. Otras veces se incluye adems el ion ferroso (Fe++).
Entre los gases deben considerarse como fundamentales el anhdrido carbnico (CO2) y el oxgeno
disuelto (O2), aunque no es frecuente que se analicen en aguas subterrneas.
Entre las sustancias disueltas poco ionizadas o en estado coloidal son importantes los cidos y
aniones derivados de la slice (SiO2).
El resto de iones y sustancias disueltas se encuentran por lo general en cantidades notablemente ms
pequeas que los anteriores y se llaman iones menores a aquellos que se encuentran habitualmente
formando menos del 1% del contenido inico total y elementos traza a aquellos que aunque presentes
estn por lo general en cantidades difcilmente medibles por medios qumicos usuales.
Los iones menores ms importantes son, adems de los ya citados NO 3-, CO3
--, K+ y Fe++, el NO2-, F-
, NH4+ y Sr++. Suelen estar en concentraciones entre 0.01 y 10 ppm. En concentraciones entre 0.0001
y 0.1 ppm, suelen estar los iones menores:
aniones: Br-, S
--, PO4
-3, BO3H2
-, NO2
-, OH
-, I
-, etc.
cationes: Fe+++
, Mn++
, NH4+, H
+, Al
+++, etc.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
46/133
30
Los iones metlicos derivados del As, Sb, Cr, Pb, Cu, Zn, Ba, V, Hg, U, etc., a veces estn en
cantidades medibles, pero en general son elementos traza. El resto de posibles iones estn casi
siempre en cantidades menores que 0.0001 ppm.
Las aguas subterrneas llamadas dulces contienen como mximo 1,000 o quiz 2,000 ppm de
sustancias disueltas; si el contenido es mayor, por ejemplo hasta 5000 ppm se llaman aguas salobres
y hasta 40,000 aguas saladas. No es raro encontrar aguas que superen los 40,000 ppm de sustancias
disueltas llegando a veces hasta 300,000 ppm. A estas aguas se les llama salmueras y estn asociadas
con frecuencia a depsitos salinos, aguas de yacimientos petrolferos o bien aguas muy antiguas
situadas a gran profundidad.
5.7.1 Caractersticas qumicas de los iones y sustancias disueltas ms importantes
5.7.1.1 Aniones y sustancias aninicas
1. ION CLORURO, Cl-
a) Caractersticas qumicas. Sales en general muy solubles. Muy estable en disolucin y muy
difcilmente precipitable. No se oxida ni reduce en aguas naturales.
b) Concentraciones. Entre 10 y 250 ppm en aguas dulces. El agua de mar tiene entre 18000 y 21000
ppm. Las salmueras naturales pueden llegar a tener 220000 ppm (saturacin).
c) Nocividad y toxicidad. Ms de 300 ppm comunican sabor salado al agua de bebida, pero no es
perjudicial por lo menos hasta algunos miles de ppm. Es esencial para la vida. Contenidos elevados
son perjudiciales para muchas plantas y comunican corrosividad al agua.
d)Anlisis en laboratorio. Valoracin con NO3Ag usando como indicador cromato potsico (viraje
de amarillo a naranja).
e)Anlisis de campo. Igual que en laboratorio, con bureta porttil o cuentagotas.
f) Toma de muestras. No se precisan precauciones especiales.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
47/133
31
2. ION SULFATO, SO4--
a) Caractersticas qumicas. Sales moderadamente solubles a muy solubles, excepto las de Sr (60
ppm) y de Ba (2 ppm). Es difcilmente precipitable qumicamente ya que las sales solubles de Sr y
Ba son muy escasas en la naturaleza, pero puede separarse de la solucin por concentracin si existe
un evaporacin importante.
b) Concentraciones. Entre 2 y 150 ppm en aguas dulces pudiendo llegar a 5000 ppm en aguas salinas
si existe Ca y hasta 200000 si est asociado a Mg y Na en ciertas salmueras. El agua del mar
contiene alrededor de 3000 ppm.
c) Nocividad y toxicidad. Las aguas sulfatadas no quitan la sed y tienen sabor poco agradable y
amargo. Por s mismo o si va asociado a Mg o Na en cantidades importantes puede comunicar
propiedades laxantes. En cantidades elevadas puede ser perjudicial a las plantas. Ms de algunos
centenares de ppm perjudican a la resistencia del hormign y cemento.
d) Anlisis en laboratorio. Se analiza mediante el mtodo turbidimtrico midiendo la turbidez que
produce el precipitado de sulfato de bario a 420 nm en un espectrofotmetro o en un turbidmetro.
e)Anlisis de campo. No realizado habitualmente, excepto por turbidimetra.
f) Toma de muestras. No se precisan precauciones especiales.
3. IONES BICARBONATO Y CARBONATO, CO3 H- y CO3
--
a) Caractersticas qumicas. Estos iones comunican alcalinidad al agua en el sentido que dan
capacidad de consumo de cido al producir una solucin tampn. Se pueden precipitar con mucha
facilidad como CO3Ca.
b) Concentraciones. El ion bicarbonato vara entre 50 y 350 ppm en aguas dulces pudiendo llegar a
veces hasta 800 ppm. El agua del mar tiene alrededor de 100 ppm. El ion carbonato est en
concentraciones mucho menores que el ion bicarbonato y si el pH < 8.3 se le considera cero. En
aguas alcalinas con pH > 8.3 puede haber cantidades importantes, hasta 50 ppm en algunas aguas
naturales. El agua del mar tiene menos de 1 ppm.
c)Nocividad y toxicidad. No presenta problemas de toxicidad. Las aguas bicarbonatadas sdicas son
malas para riego, debido a la fijacin del Na en el terreno y creacin de un medio alcalino.
-
8/14/2019 Tesis Optar Titulo Maestro Ing Amb German Padilla
48/133
32
d) Anlisis en laboratorio. Se determinan en funcin de la alcalinidad del agua mediante una
titulacin volumtrica con cido sulfrico al 0.02 N.
e)Anlisis de campo. Se realiza a veces determinando la alcalinidad del agua.
f) Toma de muestras.