You are on page 1of 39

Precipitacin

116
CAPITULO 4

PRECIPITACIN
4.1. Generalidades

En las estadsticas meteorolgicas es frecuente agrupar sin ninguna distincin al agua recogida en
forma de lluvia, granizo y nieve, con el nombre genrico de precipitacin.

Aqu nos referiremos a la precipitacin como sinnimo de la lluvia. La cantidad de lluvia se
expresa como la altura de una capa de agua que se forma sobre un suelo completamente horizontal
e impermeable, suponiendo que sobre dicha capa no se produce ninguna evaporacin.

La medicin de la altura se expresa en milmetros y dcimos de milmetro. Para los estudios de
irrigacin es importante recordar que 1 mm de precipitacin en una ha, equivale a 10 m
3
de agua.
La lluvia se mide con pluvimetros y es una variable que no puede estimarse con otras variables
meteorolgicas, debido a que vara en el espacio y en el tiempo.

4.2. Distribucin de la Lluvia

Nivel Mundial

Los extremos absolutos de la cantidad de lluvia sobre nuestro planeta son: de 0.8 mm/ao en Arica,
Chile, hasta 11,685.0 mm/ao en Mawsynram, India, estos extremos junto con otros ejemplos se
presentan en el Cuadro 4.1. Lo cual muestra que la distribucin de la lluvia a nivel mundial es muy
irregular. Sin embargo, esa aparente complejidad, se explica con el anlisis de los 4 factores
siguientes: 1) Latitud; 2) Direccin de los vientos dominantes; 3) Distancia al mar, y; 4) Orografa
o Relieve.

Holy (1973) report datos sobre la precipitacin anual para diferentes latitudes y hemisferios, como
se muestra en el Cuadro 4.2. Donde se aprecia en forma general que a medida que la latitud
aumenta, la precipitacin disminuye.

Cuadro 4.1. Valores Extremos de Precipitacin Total Anual en mm/ao, para diferentes localidades
(NCDC, 2005)


LOCALIDAD
P anual
(mm)
Mawsynram, India
Monte Waialeale, Hawai
Bellenden Ker, Queensland, Australia

Bataques, Mexicali, Mxico
Amundsen, Estacin Scout, Polo Sur
Arica, Chile
11685.0
11500.0
8500.0

30.0
20.0
0.8


Precipitacin

117


Cuadro 4.2. Distribucin de la Precipitacin (mm/ao) en funcin de la Latitud
(Holy, 1973)


LATI TUD
HEMI SFERI O
NORTE SUR
0 10
O

10 20
O
20 30
O
30 40
O
40 50
O
50 60
O
60 70
O
70 80
O
80 90
O

1857 1441
1138 1161
814 860
886 934
912 1026
761 1066
417 459
194 85
113 18



Para explicar lo anterior en forma simple, se muestra conjuntamente el efecto de la latitud y la
direccin de los vientos dominantes, en la Figura 4.1 se ilustra la direccin de los vientos
dominantes. Al observar dicha Figura, es notorio que en el ecuador existe una especie de choque de
vientos, que provoca una circulacin como la que se ilustra en la Figura 4.2, que genera alrededor
del ecuador una zona de baja presin, es decir, una fuerza ascendente, que ayuda a la elevacin del
vapor de agua, provocando una gran nubosidad y una alta precipitacin. Una condicin similar
ocurre alrededor de los 60
o
de latitud. A los 30
o
de latitud, existe el efecto contrario, es decir, la
circulacin provoca una fuerza descendente, que impide la formacin de nubes y por lo tanto de
precipitacin. Esta zona es considerada de alta presin y es donde se ubican la mayora de los
desiertos en el mundo.
















Figura 4.1. Direccin de los Vientos Dominantes


0
o

30
o

30
o

60
o

60
o

Precipitacin

118












Figura 4.2. Zonas de Alta y Baja Presin.


La distancia al mar influye debido a que la mayor parte de las aguas de lluvia provienen de los
mares. Los vientos marinos van descargando su humedad a medida que se internan en los
continentes.

El relieve por su parte acta de la siguiente forma; cuando los vientos dominantes en una regin
chocan con una cadena montaosa, son obligados a elevarse y como toda masa de aire que aumenta
de altura disminuye su temperatura, se provoca la formacin de nubes y la precipitacin. Lo
anterior se ilustra en la Figura 4.3.

















Figura 4.3. Influencia del Relieve sobre la Precipitacin.


Nivel Nacional

En Mxico, la distribucin de la precipitacin media anual para el perodo 1941 2002 de acuerdo
con la CNA (2005), se presenta en la Figura 4.4, y con base a las Estaciones Normales del perodo
60
o
30
o
0
o
30
o

BAJA
BAJA
ALTA
Cd. Serdn Pico de Veracruz
Orizaba

Golfo
Precipitacin

119




Figura 4.4. Distribucin de la Precipitacin Promedio Anual en Mxico, correspondiente al perodo
1941 2002 (CNA, 2005).


1971 2000 (SMN, 2007), es posible indicar que la precipitacin vara de 48.7 mm/ao en la
Colonia Zacatecas, Mexicali, Baja California a 6,103.6 mm/ao en Campamento Vista Hermosa,
Oaxaca. Cabe mencionar que es conocido que en algunos lugares entre Chihuahua y Coahuila y en
Sonora, existen precipitaciones menores a la indicada, sin embargo, no se tienen estaciones
meteorolgicas que registren tal informacin.

La distribucin mensual de la precipitacin en estas estaciones extremas, se reportan en el Cuadro
4.3. En nuestro pas la mayora de las estaciones meteorolgicas cuentan con pluvimetros, pero
no con pluvigrafos, es decir, es posible conocer la cantidad y distribucin de la lluvia, pero
desconocemos su intensidad, reportada en mm/h. Lo ms cercano sera la precipitacin mxima
diaria y slo en los 73 Observatorios se reporta la precipitacin mxima en 24 h y en 1 h. En el
Campamento Vista Hermosa la precipitacin mxima en un da fue de 352 mm, el 20 de
Septiembre de 1974 y para el observatorio de Coatzacoalcos, Veracruz, que es el que reporta la
mayor precipitacin anual, de 2577.1 mm, la precipitacin mxima en una hora es de 81.3 mm.

Otros datos poco conocidos son la velocidad de cada de las gotas de lluvia y su dimetro. Lo cual
restringe el uso de metodologas en nuestro medio, que involucren ese tipo de parmetros.


Precipitacin

120

Cuadro 4.3. Valores Mensuales de la Precipitacin (mm) en dos Estaciones de la
Repblica Mexicana.

MES
ESTACI N
COL. ZACATECAS

C. VISTA H.
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
ANUAL
1.7
8.9
0.8
0.4
0.1
0.0
3.5
9.5
7.3
5.7
0.7
10.1
48.7
315.3
256.9
195.7
195.3
298.9
760.4
817.0
796.1
888.5
722.9
444.5
412.1
6,103.6

Respecto a la distribucin mensual de la lluvia, es posible indicar que en Mxico es modal y
bimodal, como los ejemplos que se ilustran en la Figura 4.5.

P ANUAL = 604.3 mm P ANUAL = 4612.7 mm
P ANUAL = 362.3 mm P ANUAL = 739.6 mm
CHAPINGO
0
20
40
60
80
100
120
140
0 5 10 15
MES
P

(
m
m
)
S. J. TENANGO
0
200
400
600
800
1000
0 5 10 15
MES
P

(
m
m
)
PACHUCA
0
10
20
30
40
50
60
70
0 5 10 15
MES
P

(
m
m
)
TONALAPA
0
20
40
60
80
100
120
140
160
180
0 2 4 6 8 10 12 14
MES
P

(
m
m
)

Figura 4.5. Ejemplos de la Distribucin Modal y Bimodal de la Precipitacin en Mxico.


Precipitacin

121

4.3. La Precipitacin y la Erosin Hdrica

Uno de los problemas ms significativos de la degradacin de los suelos en Mxico es la erosin
hdrica. La erosin se define como el desprendimiento y arrastre acelerado de partculas del suelo,
causados por el agua o el viento. En relacin a la erosin hdrica tericamente se le considera
como:

Erosin =f (erosividad, erodabilidad)

La erosividad es la capacidad potencial de la lluvia para causar erosin y la erodabilidad es la
susceptibilidad del suelo a erosionarse.

Wischmeier (1972) estableci una ecuacin conocida como, la ecuacin universal de prdidas de
suelo, de la forma:

A = R x K x LS x C x P
donde:
A = Erosin hdrica, ton/ha;
R = Factor de erosividad, basado en la intensidad
de la lluvia (mm/hr);
K = Erodabilidad del suelo, basado en datos de materia
orgnica, permeabilidad, estructura y textura;
LS = Factor de pendiente;
C = Factor de cultivo, y;
P = Factor de la prctica de conservacin del
suelo.

En el pasado, se mencionaba que al calcularse el factor R (tambin conocido como EI
30
) de esta
ecuacin con datos de intensidad de lluvia, provocaba que su aplicacin fuera muy restringida, sin
embargo, actualmente existen trabajos que hacen posible su uso a mayor escala, como se explicara
posteriormente.

Esta situacin provoc que se propusieran otras metodologas diferentes a la de Wischmeier (1972),
como la de la FAO (1979) Provisional Methodology of Soil Degradation Assessment, en donde
con la precipitacin se estableca un ndice de agresividad de la lluvia (R
1
), incorrectamente
denominado como ndice de Fournier modificado.

ndice de Fournier

Antes de mencionar al ndice de la FAO, es interesante describir el trabajo original de Fournier
(1960) denominado Climat et Erosion, por su carcter didctico.

Ante la escasez de datos sobre erosin a nivel mundial, Fournier (1960), estableci por cuencas
fluviales una nueva variable, que la imitara a la que denomin Degradacin Especfica (DS), en
ton/km
2
/ao, la cual se refiere a la cantidad de sedimentos que salen anualmente de una cuenca.
Precipitacin

122
Esta nueva variable se consider como la dependiente, siendo obtenida para 96 cuencas en
diferentes partes del mundo, a Mxico le correspondi la cuenca del Ro San Juan, ubicado en el
Estado de Tamaulipas.

Primero se efectu una homogenizacin de cuencas, agrupndolas de acuerdo al Sistema Climtico
de Kppen y como variables independientes se consider a:

1) P, Precipitacin media anual, en mm;
2) P/n, donde n es el nmero de das lluviosos al ao;
3) S/P, donde S es la precipitacin de la estacin (primavera, verano, otoo o invierno)
de mxima pluviometra, en mm;
4) S
2
/P;
5) E/P, donde E es la precipitacin de los tres meses ms lluviosos, en mm;
6) E
2
/P;
7) p/P, donde p es la precipitacin del mes ms lluvioso, en mm, y;
8) p
2
/P.

La relacin entre DS y cada una de estas variables fue estudiada en forma grfica, para valores
normales y logartmicos. De todas ellas, la que mostr mayor correspondencia fue la ltima, sin
llegar a ser estadsticamente significativa.

A pesar de esta falta aparente de ajuste, Fournier introdujo otra variable, el Coeficiente Orogrfico,

o tan - H
donde H era la altitud media de la cuenca y tano la pendiente media de la cuenca. Obteniendo
finalmente el modelo:

Log DS =2.65 Log (p
2
/P) +0.46 Log ( H * tano) - 1.56

Que result altamente significativo.

En el trabajo de Fournier existen tres situaciones que son muy significativas para quienes tratan de
realizar investigaciones: La primera es que ante la ausencia de datos de un fenmeno, propone una
variable que los imite; La segunda es el mtodo de trabajo que va de lo general a lo particular, y;
La tercera es que al no encontrar una relacin entre las variables bajo estudio, aumenta su mbito
de anlisis a otras variables.

Lo anterior nos ha servido como una gua, debido a que en muchas ocasiones al tratar de establecer
relaciones entre diferentes variables, los resultados no han sido satisfactorios, resultando alentador
que personajes de reconocido prestigio internacional pasen por las mismas situaciones, pero la gran
diferencia es que en lugar de abandonar su propsito, continan en esa lnea de trabajo. Esperamos
que como con nosotros ha sucedido, estos comentarios sirvan para motivar a los jvenes
investigadores de nuestro pas en la bsqueda de nuevos conocimientos.



Precipitacin

123
ndice de Agresividad de la Lluvia

Arnoldus (1977), trabajando en frica encontr una relacin entre Epi
2
/ P y el valor de R (o EI
30
)
de la ecuacin de Wischmeier con una correlacin de 0.80.

Este resultado fue incorporado por la FAO (1979), dentro de su propuesta metodolgica para
estimar a la erosin hdrica en pases en vas de desarrollo. Denominndolo ndice de agresividad
de la lluvia (R1), as:
P
p
R
i
i
2
12
1

=

donde:
R
1
= ndice de Agresividad de la Lluvia;
p
i
= Precipitacin Mensual, mm;
P = Precipitacin Anual, mm.

Este ndice en su poca, ofreci una alternativa interesante, para reas donde se careca de
informacin sobre la intensidad de lluvia. Inclusive, exista una clasificacin para sus valores, como
sigue:

R
1
: 0-50 50-500 500-1000 > 1000
CLASE: Ligera Moderada Alta Muy Alta

Generndose un mapa de erosividad de la lluvia para la Repblica Mexicana, como se muestra en
la Figura 4.6.

De igual forma como se ha mencionado en otros temas, es necesario probar la bondad de este
ndice antes de recomendar su uso. Ortiz y Anaya (1984) con informacin de 15 estaciones
pluviogrficas de la Cuenca del Ro Texcoco, Mxico, trataron de comprobar la relacin
encontrada por Arnoldus en frica, es decir entre E p
2
/P y el valor de R (EI
30
, ms propiamente)
de Wischmeier, sus resultados mostraron una correlacin muy baja (r = -0.24). Sin embargo, esto es
tan slo una evidencia, que tendr que repetirse en diferentes localidades para obtener una
conclusin general.

Estimacin del EI
30


Uno de los trabajos ms significativos sobre este tema, es el realizado por Cortes Torres (1991),
denominado Caracterizacin de la Erosividad de la Lluvia en Mxico, quien estudio los
pluviogramas de 53 estaciones meteorolgicas, distribuidas por Estados de la siguiente forma:

Aguascalientes, 1; Baja California Sur, 4; Chiapas, 3; Coahuila, 3; Colima, 1; Distrito Federal, 1;
Durango, 2; Guanajuato, 2; Guerrero, 2; Hidalgo, 2; Jalisco, 4; Mxico, 1; Michoacn, 1;
Morelos, 1; Nayarit, 1; Nuevo Len, 1; Oaxaca, 2; Puebla, 1; San Luis Potos, 3; Sinaloa, 3;
Sonora, 3; Tabasco, 1; Tamaulipas, 1; Tlaxcala, 1; Veracruz, 5; Yucatn, 2; y Zacatecas, 1.

Precipitacin

124



80
80
80
80
80
80
80
80
100
100
100
100
100
100
200
200
200
200
300
300
100
200
200
200
200
300
300
200
100 200
300
400
300
300
300
400 400
200
200 200
200
100
100
80
80


Figura 4.6. Mapa de Erosividad de la Lluvia de la Repblica Mexicana


Para generar la informacin anual, se requiere analizar evento por evento, es decir, lluvia por lluvia.
En este trabajo fueron considerados 36,164 eventos, que representaron 395 aos completos.

Con los valores medios de Cortes (1991), se generaron modelos de EI
30
en funcin de la
precipitacin total anual (PTA), quedando como sigue:

EI
30
= 9.2728 (PTA) - 2007.99 con R
2
= 0.8311

EI
30
= 0.0013 (PTA)
2
+ 6.197 (PTA) 848.1 con R
2
= 0.8414

EI
30
= 856.38 exp [0.0017 (PTA)] con R
2
= 0.7618

ndice de
Agresividad
de la
Lluvia
Precipitacin

125
el intervalo de variacin de la PTA fue de 95.9 a 2693.2 mm, siendo dentro de estos valores
extremos el rango en el cual se pueden hacer las estimaciones de la EI
30
, expresada en
MJ.mm/ha.h/ao. La grfica del primer modelo se presenta en la Figura 4.7.


-5000
0
5000
10000
15000
20000
25000
30000
0 1000 2000 3000
PTA
E
I
3
0

Figura 4.7. Relacin entre la Precipitacin Total Anual (PTA) y el ndice
EI
30
de Wichmeier (Cortes, 1991).


Con este estudio, actualmente es posible aplicar la ecuacin universal de prdidas de suelo en la
mayor parte del pas, siendo conveniente que los especialistas en erosin, realizaran estudios
similares para los otros factores de la ecuacin.

4.4. Necesidades de Agua para Diferentes Cultivos

Doorenbos y Kassam (1979) publicaron informacin sobre las necesidades de agua para diferentes
cultivos que por su importancia se reproduce en el Cuadro 4.4.

A partir del Cuadro 4.4 y conociendo la duracin del ciclo del cultivo de inters, es posible saber si
puede o no desarrollarse bajo condiciones de secano. Por ejemplo, para la produccin de frjol en el
rea de Chapingo, se necesitara una precipitacin entre 300 y 500 mm concentrada en los tres
meses que dura su ciclo. El frjol en esta zona se cultiva en los meses de Julio, Agosto y Septiembre
y si nos remitimos a la informacin climtica notaremos que las precipitaciones mensuales,
respectivamente son: 125.0, 110.9 y 89.2 mm. Por lo que, durante ese perodo se tiene una
disponibilidad de 325.1 mm, concluyndose que desde el punto de vista hdrico es posible producir
frjol, bajo condiciones de secano.

Una conclusin contraria se obtendra para el Maz, debido a que entre los meses de Mayo a
Septiembre, ciclo de 5 meses, se acumula una precipitacin de 481.2 mm, ya que el cultivo
requiere de 500 a 800 mm.

Precipitacin

126

Cuadro 4.4. Necesidades de Agua para Diferentes Cultivos (Doorenbos y Kassam,1979).


Cultivo
Necesidades de agua
(mm/Perodo
Vegetativo)

Cultivo
Necesidades de agua
(mm/Perodo
Vegetativo)
Alfalfa
Algodn
Arroz
Cacahuate
Caa de Azcar
Crtamo
Cebolla
Ctricos
Col
Frjol
Girasol
Maz
Olivo
800 1600
700 1300
350 700
500 700
1500 2500
600 1200
350 550
900 1200
380 500
300 500
600 1000
500 800
600 800
Papa
Pimiento
Pia
Pltano
Remolacha Azuc.
Sandia
Sorgo
Soya
Tabaco
Tomate
Trigo
Vid
500 700
600 900
700 1000
1200 2000
550 750
400 600
450 650
450 700
400 600
400 600
450 650
500 1200


Para cultivos donde se desconoce su adaptabilidad en una zona, es recomendable realizar un
anlisis trmico, fotoperidico e hdrico, para concluir sobre su establecimiento.

4.5. Relacin Precipitacin Produccin de Maz

Como un ejemplo de la forma como se ha estudiado la relacin entre la precipitacin y el
rendimiento de cultivos, a continuacin, se presenta el caso del Maz.

En estudios del factor clima, la variable precipitacin es a la que se le ha dado mayor atencin con
respecto a la produccin de maz.

Smith (1903) mostr que existan algunas relaciones entre las precipitaciones totales de los meses
de Junio, Julio y Agosto con la produccin de maz por acre, en Illinois, Indiana, Iowa, Kansas,
Kentucky y Nebraska.

En 1914, Smith indicaba que la precipitacin de mediados de Julio a mediados de Agosto era de
importancia crtica para el xito o el fracaso de la produccin. Posteriormente, varios
investigadores indicaron diversos perodos crticos para diferentes lugares.

Con el trabajo de Shaw (1955), se introduce a la fenologa en este tipo de investigaciones,
indicando que para el maz existan cinco perodos crticos, los cuales eran: 1) Desarrollo
vegetativo de la siembra a la floracin; 2) Desarrollo vegetativo rpido, de los 50 cm al sombreado
total; 3) Polinizacin; 4) Produccin del grano, y; 5) Maduracin o secamiento del grano y olote.

Surgiendo un buen nmero de investigaciones para determinar el perodo ms crtico, dando
diferentes autores a la floracin como el de ms importancia. Un ejemplo de ellos es el trabajo
clsico de Runge y Odell (1958).
Precipitacin

127

De los aos 60s a la fecha, la precipitacin deja de estudiarse de manera aislada y aparecen los
estudios donde se le combina con otras variables como con la evaporacin y la evapotranspiracin.

Resumiendo, podemos indicar que los estudios para relacionar a la precipitacin con la produccin
de maz han tenido cuatro niveles, el primero fue a nivel mensual; el segundo a nivel quincenal; el
tercero fue el fenolgico, y; el cuarto, con balances de humedad.

Al tratar de generar ejemplos de estas cuatro variantes, al menos para el rea de influencia de
Chapingo, se ha podido constatar que todos son significativos, es decir, existen relaciones a nivel
mensual, quincenal, fenolgica y de los balances con la produccin de maz. Lo anterior es
importante, debido a que en muchos trabajos de investigacin se busca estar a la moda ms que el
establecer relaciones funcionales que resuelvan problemas.

4.6. Probabilidades de Lluvia

Calidad de los Datos

En general se puede indicar que cuando se investiga la variabilidad de la lluvia y la estimacin de
probabilidades para su aplicacin en la agricultura, se trata de conocer la frecuencia con la que se
presentar una determinada cantidad de lluvia. Convencionalmente, las probabilidades se calculan
para eventos mayores o iguales a un valor determinado. Los resultados se expresan como
fracciones o porcentajes.

No tiene utilidad prctica para fines agrcolas el especificar probabilidades inferiores al 10% (1 de
cada 10 aos) o superiores al 90% (9 de cada 10 aos). Con frecuencia, los niveles de probabilidad
que se adoptan dependen de consideraciones econmicas, por ejemplo se puede aceptar que un
cultivo fracase en 1 de cada 5 aos, es decir, una probabilidad de xito del 80% en 1 de cada 10
aos, probabilidad del 90%.

Las consecuencias de estos anlisis son evidentes en las prcticas agrcolas. Una vez que se conoce
la demanda mnima de la lluvia de determinado cultivo, se puede evaluar rpidamente los riesgos
de establecer dicho cultivo en una regin. Lo anterior constituye la primera medida que debe
adoptarse, para despus, investigar la distribucin de la lluvia durante el perodo de crecimiento
del cultivo y la capacidad de almacenamiento del agua en el suelo.

La seguridad del anlisis tiene dos restricciones: a) Su validez en cuanto a extensin es limitada,
sobretodo en reas montaosas, y; b) Las series de observaciones de lluvia de menos de 10 o 15
aos no contienen suficientes datos para llegar a conclusiones definitivas.

Antes de calcular las probabilidades de lluvia es importante verificar la calidad de los datos. De las
muchas pruebas que existen, aqu se mencionaran a dos, la asimetra y la homogeneidad de los
registros.

Precipitacin

128
Cuando existe asimetra, los valores de la mediana (m) y de la media ( p ), difieren y esta diferencia
se evala a travs del ndice de Asimetra (IA), como sigue:

IA = [(m - p )/ p ] * 100

Por ejemplo, para la estacin de Pnjamo, Guanajuato, durante el perodo de 1951-1959, se
reportaron para el mes de Agosto los datos de precipitacin que aparecen en el Cuadro 4.5.

Cuadro 4.5. Datos de Precipitacin de la Estacin de Pnjamo, Guanajuato para el mes de
Agosto en mm, durante el Perodo 1951 1959.


Ao
Precipitacin
(mm)
1951
1952
1953
1954
1955
1956
1957
1958
1959
370
105
191
82
203
82
122
211
216.5


Para obtener el valor de la mediana, m, se ordenan los datos de menor a mayor o viceversa. Para
Pnjamo, Guanajuato, se tendra:

82, 82, 105, 122, 191, 203, 211. 216.5, 370

la mediana es el valor que esta exactamente a la mitad del grupo de datos, en este caso corresponde
a:
m = 191
y la media, p , se calcula como:

8 . 175
9
5 . 1582
12
1
= = =

=
n
pi
p
i


para finalmente obtener el ndice de asimetra:

IA = [(191 - 175.8)/ 175.8]*100 = (15.2/175.8)*100 = 8.64%

En general la asimetra no influye en las pruebas de homogeneidad y segn Thom (1966), para una
serie asimtrica de datos de lluvia se puede suponer que se distribuye como una normal, sobre todo
para datos anuales. Con otro tipo de datos, la informacin sobre la asimetra, es til para
Precipitacin

129
seleccionar la distribucin probabilstica que puede emplearse, como se indicar posteriormente, al
referirnos a las distintas distribuciones.

En muchos casos se tiene que averiguar la causa de las anormalidades, que pueden originarse por
datos muy bajos o muy altos, perturbando la simetra. Aceptndose, la omisin de un dato extremo,
para obtener un mejor ajuste con la distribucin normal y por consiguiente de sus probabilidades.
Que para fines agrcolas, provocar obtener estimaciones o probabilidades ligeramente inferiores,
con un mayor margen de seguridad.

Con los datos de Pnjamo, Guanajuato, s se elimina al dato ms alto, 370 mm, la mediana se
calcula como el promedio de 122 y 191, esto es:

m = (122 + 191)/ 2 = 156.5

y la media resulta como p = 151.5, obtenindose un ndice de asimetra de 3.3%, que es inferior
al anterior.

Para la comprobacin de la homogeneidad de los registros, existe el mtodo de Sved Eisenhart. En
el cual se usan los datos en orden cronolgico y despus de haber determinado el valor de la
mediana, m, se cuenta el nmero de veces en que la serie de datos cambia de valores superiores a
inferiores de m y viceversa. El nmero total de cambios S se aumenta en una unidad y se compara
con los lmites de la distribucin Normal a partir de:

Lmite Superior: 1 + 1.1(n/2)
Lmite Inferior: -1 + 0.9(n/2)

con n = nmero de aos de la serie. Tambin es posible hacer uso de tablas como la que se muestra
en el Cuadro 4.6.

Si el valor de S + 1 cae dentro de los intervalos, lmite superior e inferior, se dice que los datos son
homogneos y se pueden ajustar a una distribucin Normal para el clculo de probabilidades.

Para los datos de Pnjamo, Guanajuato, con n = 9, tenemos un lmite superior de 6 y un lmite
inferior de 3, y la mediana es de 191 mm. Al ordenar cronolgicamente los datos, tenemos:


370 Cambios
Cambios 105
1

191 de > m a
de < m a 82

1
203 < m
> m 82
2


122
2 211
216.5
Precipitacin

130


Cuadro 4.6. Lmites de los Intervalos de Confianza para la Pruebas de
Sved Eisenhart.

Longitud del
Registro
N (Aos)
Lmites

Superior


I nferior
10
15
20
25
30
35
40
45
50
7
9
12
15
18
20
23
26
29
4.
6
8
10
13
15
17
19
22


A partir de estos datos, como se muestra, se tiene que establecer el nmero de veces en los que la
mediana cambia de un valor ms alto a uno ms bajo y viceversa. As los cambios de mayor a
menor son; de 370 a 105 y de 203 a 82, es decir 2. Mientras que los de menor a mayor son; de 82 a
203 y de 122 a 211, otros 2 cambios. Con lo cual se establece que S es igual a 4, 2 + 2, y el
parmetro S + 1, es 5. Como S + 1, esta entre los lmites de 3 y 6, se concluye que la serie de datos
es homognea.

Distribuciones Probabilsticas

Es conveniente hacer notar, que la informacin reportada en el Cuadro 4.5, no es adecuada para el
clculo de probabilidades por su nmero tan reducido de aos, sin embargo, con fines didcticos la
utilizaremos para explicar los procedimientos. Recuerde el lector que se requieren de ms de 15
aos, como se indic anteriormente.

Estadsticamente, en la actualidad existe un buen nmero de distribuciones que pueden utilizarse
para el clculo de probabilidades de lluvia, en este captulo mencionaremos tres de las ms
comunes, es decir, la Normal, la Galton y la Gamma incompleta.

No estudiaremos sus teoras y supondremos que el lector esta familiarizado con el clculo de
probabilidades, en caso contrario se recomienda la consulta previa de algn texto de Estadstica.

La probabilidad que tradicionalmente se calcula es la que se refiere a la ocurrencia de un evento
mayor o igual a una cantidad prefijada, simblicamente:

) (
0
p p P >




Precipitacin

131

Distribucin Normal

La distribucin normal, es una de las funciones probabilsticas ms sencillas, cuyos principales
parmetros son:

La media aritmtica:
n
p
i
=
y
La desviacin estndar:
n
p
i

=
2
) (
o

con los cuales se calculan los valores de z:
o

=
i
p
z

En el Cuadro 4.7 se muestran los valores de z y de sus probabilidades para los datos de
precipitacin del mes de Agosto de Pnjamo, Guanajuato, y en la Figura 4.8, su grfica. Siendo
conveniente indicar que tienen una = 175.83 y una o = 86.33.

La primera lnea del Cuadro 4.7, se interpreta, como ejemplo, de la siguiente forma, la probabilidad
de tener una precipitacin mayor o igual a 370 mm en Agosto y en Pnjamo, Guanajuato, es de
0.0122 o del 1.22%, o bien para 122 mm, es de 0.7324 o del 73.24%.

Distribucin Galton

La distribucin de Galton se aplica comnmente a datos asimtricos, usando una z que se calcula a
partir de la transformacin de los datos originales a logaritmos. Razn por la cual, tambin se le
conoce como Log-Normal. As los parmetros de esta distribucin son los siguientes:

y
y i
y
z
o

=
donde:
y
i
= Log p
i
, transformacin logartmica de los datos originales;




n
y
n
p
i i
y

= =
) (log
, logaritmo de la Media Geomtrica




Precipitacin

132
Cuadro 4.7. Probabilidades con la Distribucin Normal para
los datos de Pnjamo, Guanajuato.

P
(mm)

z

) (
0
z z P >
370
216.5
211
203
191
122
105
82
82
2.25
0.47
0.41
0.31
0.17
-0.62
-0.82
-1.08
-1.08
0.0122
0.3192
0.3409
0.3783
0.4364
0.7324
0.7939
0.8599
0.8599

DISTRIBUCIN NORMAL
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 100 200 300 400
P (mm)
P
r
o
b
.

Figura 4.8. Grfica de las Probabilidades de Lluvia con la
Distribucin Normal.



n
y
y i
y


=
2
) (
o , Desviacin estndar de los datos logartmicos.

Para los datos de Pnjamo, Guanajuato, en el Cuadro 4.8, se muestran los valores de las
probabilidades de lluvia con la distribucin de Galton y en la Figura 4.9 su grfica. Como en el
caso anterior, es conveniente indicar que:



Precipitacin

133
Cuadro 4.8. Probabilidades con la Distribucin de Galton para
los datos de Pnjamo, Guanajuato.
Precipitacin
(mm)

y
i
= log
10
p
i


Z

) (
0
z z P >
370
216.5
211
203
191
122
105
82
82
2.5682
2.3354
2.3242
2.3074
2.2810
2.0863
2.2011
1.9138
1.9138
1.78
0.67
0.62
0.54
0.41
-0.51
-0.82
-1.34
-1.34
0.0375
0.2514
0.2676
0.2946
0.3409
0.5950
0.7939
0.9099
0.9099

.

DISTRIBUCIN LOG - NORMAL
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 100 200 300 400
P (mm)
P
r
o
b
.

Figura 4.9. Grfica de las Probabilidades de Lluvia con la
Distribucin de Galton.

y
= 2.1945 y o
y
= 0.2097

Adems, se requiere aclarar que por trabajar con logaritmos no se puede trabajar con valores de 0.

Considerando los mismos ejemplos que para la normal, se indicara que con la distribucin de
Galton, la probabilidad de tener una precipitacin mayor o igual a 370 mm en Agosto y en
Pnjamo, Guanajuato, sera de 0.0375 o del 3.75% y para 122 mm, de 0.5950 o del 59.50%.
Resulta obvio que al cambiar de distribucin, cambia tambin el valor probabilstico de un evento.


Precipitacin

134


Distribucin Gamma-Incompleta

Cuando alguna serie de datos asimtricos no puede corregirse logartmicamente, con la
distribucin de Galton, se pueden emplear otras distribuciones como la Gamma-Incompleta.

Existen diferentes procedimientos para calcular los parmetros de la distribucin Gamma-
Incompleta, de los ms usados son el denominado como el mtodo de los momentos, o sea el que se
realiza a travs de la media y la varianza, y otro es el procedimiento de mxima verisimilitud
propuesto por Thom (1966).

Las probabilidades, P(p > p
o
), para esta distribucin se pueden determinar a travs de una hoja de
clculo como la de EXCEL, requirindose para ello, el estimar a los parmetros o y |.

Con el mtodo de los momentos la estimacin se realiza de la siguiente manera:


2
2
s
p
= o y
p
s
2
= | con:
p = precipitacin promedio de la muestra, y
s
2
= varianza de la muestra, calculada con n-1
grados de libertad.

Las restricciones para la aplicacin de este procedimiento son: 1) Los valores de la precipitacin
necesitan ser mayores de cero, y; 2) o debe ser un nmero entero y positivo.

El procedimiento de Thom por su parte se efecta como sigue:

|
|
.
|

\
|
+ + =
3
4
1 1
4
1 A
A
o
y
o
|
x
=
donde:
n
x Ln
x Ln A

=
) (
) (
y
x = valor de la precipitacin;
n = nmero de observaciones.

Para los datos de Pnjamo, Guanajuato, se sabe que p = 175.83 y al calcular la varianza (recuerde
con n-1 g.l.), se tiene que s
2
= 8385.5, por lo que, los valores de o y | con el mtodo de los
momentos son:
Precipitacin

135

o = (175.83) /8385.5 = 3.6868 = 4 y | = 8385.5 /175.83 = 47.69

En el Cuadro 4.9, se muestran los valores de las probabilidades de lluvia con la distribucin
Gamma-Incompleta, para la estacin de Pnjamo, Guanajuato con los valores de o y | obtenidos
con el mtodo de los momentos y en la Figura 4.10 su grfica.


Cuadro 4.9. Probabilidades con la Distribucin Gamma - Incompleta para
los datos de Pnjamo, Guanajuato.
Precipitacin
(mm)

F(p)
370
216.5
211
203
191
122
105
82
82
0.0498
0.3356
0.3552
0.3850
0.4325
0.7451
0.8190
0.9039
0.9039


DISTRIBUCIN GAMMA
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 100 200 300 400
P (mm)
P
r
o
b
.

Figura 4.10. Grfica de las Probabilidades de Lluvia con la
Distribucin de Gamma Incompleta.

Es conveniente mencionar que al cambiar de distribucin probabilstica, cambian sus valores.
Cuando no se realizan pruebas de la calidad de los datos, es decir, no se sabe de la asimetra y de su
homogeneidad, surge la pregunta de cual de las distribuciones calculadas es la mejor. Para
contestarla es necesario realizar una o varias pruebas de bondad de ajuste.
Precipitacin

136

Prueba de Bondad de Ajuste

Existen varias pruebas que nos permiten elegir la distribucin ms adecuada para calcular las
probabilidades de lluvia. Las ms usadas son la Prueba de Kolmogorov-Smirnov y la Prueba de
Smirnov.

La Prueba de Kolmogorov-Smirnov, conocida tambin como la prueba de la distancia mxima,
consiste en establecer la mayor diferencia entre los valores de probabilidad calculados con la
distribucin que se desea ajustar con el parmetro de Kolmogorov-Smirnov, S
N
(x), que se define
posteriormente. El valor absoluto de esa diferencia o distancia mxima, Dmx, se compara con el
valor de tablas, Dtab, que se presenta en el Cuadro 4.10 y si resulta menor, se dice que tiene buen
ajuste. As la prueba consiste de:
) ( ) (
0
x S x F mx Dmx
N
=

Cuadro 4.10. Tabla de Valores Crticos para D en la Prueba de Kolmogorov Smirnov
(Siegel, 1976).

Tamao de
Muestra
(N)
Nivel de Significancia para D =mxima,F
o
(x) S
N
(x),

0.10 0.05 0.01
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
> 35
0.950 0.975 0.995
0.776 0.842 0.929
0.642 0.708 0.828
0.564 0.624 0.733
0.510 0.565 0.669
0.470 0.521 0.618
0.438 0.486 0.577
0.411 0.457 0.543
0.388 0.432 0.514
0.368 0.410 0.490
0.352 0.391 0.468
0.338 0.375 0.450
0.325 0.361 0.433
0.314 0.349 0.418
0.304 0.338 0.404
0.295 0.328 0.392
0.286 0.318 0.381
0.278 0.309 0.371
0.272 0.301 0.363
0.264 0.294 0.356
0.24 0.27 0.32
0.22 0.24 0.29
0.21 0.23 0.27

N
22 . 1

N
36 . 1

N
63 . 1



Precipitacin

137
donde:
F
o
(x) = valor probabilstico de la funcin que se desea ajustar, y;
S
N
(x) = k/N, con k = nmero de orden y
N = nmero total de observaciones.


En el Cuadro 4.11, se reportan los datos para la aplicacin de la prueba de Kolmogorov-Smirnov a
la estacin de Pnjamo, Guanajuato.


Cuadro 4.11. Valores de las Desviaciones para Diferentes Distribuciones de Probabilidad
con datos de Lluvia para la Estacin de Pnjamo, Guanajuato.


Observacin
(k)
Precipitacin
(mm)
x
i


S
N
(x)
,F
0
(x)

Normal
S
N
(x),

Galton


Gamma
Inc.
1
2
3
4
5
6
7
8
9
370
216.5
211
203
191
122
105
82
82
0.1111
0.2222
0.3333
0.4444
0.5555
0.6666
0.7777
0.8888
0.9999
0.0989
0.0970
0.0075
0.0661
0.1191
0.0657
0.0161
0.0290
0.1401
0.0736
0.0291
0.0657
0.1498
0.2146
0.0716
0.0161
0.0210
0.0901
0.0613
0.1134
0.0219
0.0594
0.1230
0.0785
0.0413
0.0151
0.0960
Dmx ,F
0
(x) S
N
(x), 0.1401 0.2146 0.1230

D
tab
(con o = 5% y N = 9) 0.432



Si examinamos la primera hilera del Cuadro 4.11, encontramos que para la columna relativa a
observaciones, el nmero que aparece es equivalente al valor de k, nmero de orden; la segunda
columna sobre P (mm), se estableci con fines de identificacin del dato de precipitacin que se
esta analizando; la tercera columna es el valor del parmetro de Kolmogorov-Smirnov, S
N
(p), que
se calcula a travs de:
S
N
(x) = k/N = 1/9 = 0.1111

para la primera hilera; las siguientes tres columnas son las diferencias, [F
o
(x) - S
N
(x)], para datos
probabilsticos provenientes de la distribucin normal (Cuadro 4.7), de la Galton (Cuadro 4.8) y
de la Gamma-Incompleta (Cuadro 4.9). As tenemos que para la distribucin:

[F
o
(x) - S
N
(x)]

Normal: , 0.0122 0.1111, = , - 0.0989 , = 0.0989
Galton: , 0.0375 0.1111, = , - 0.0736 , = 0.0736
Gamma Inc.: , 0.0498 0.1111, = , - 0.0613 , = 0.0613
Precipitacin

138

De forma similar se repiten las operaciones hasta concluir con todos los datos, siendo necesario
recordar que se trata de valores absolutos. Al final del Cuadro 4.11 aparecen dos hileras, una
relativa a la Dmx [F
o
(x) - S
N
(x)], para la Normal, la mxima diferencia corresponde al noveno
dato; para la Galton, al quinto y para la Gamma-Incompleta, tambin al quinto dato. Finalmente se
establece el Dtab, generado a partir del Cuadro 4.10, considerando un nivel de significancia de
0.05, esto es o =5% y un tamao de muestra, N = 9, resultando que Dtab = 0.432. Con lo cual
resulta que en todos los casos:

Dmx < Dtab

Por lo tanto se concluye que las tres distribuciones se ajustan a los datos.

La Prueba de Smirnov, por su parte, consiste en calcular el estadstico no-paramtrico, ne
2
. Cuya
frmula es:
2
1
2
2
2
1 2
) (
1
12
1

=
(


+ =
n
i
i
n
i
x F
n n
e

o bien:
2
1
2
2
1 2
) (
12
1

=
(


+ =
n
i
i
n
i
x F
n
n
e

donde:
n = nmero de observaciones;
i = nmero de orden;
F(x
i
) = valor probabilstico de la distribucin que
se desea probar, para la observacin i.

Tambin, se indica que la esperanza matemtica del estadstico de Smirnov es:

E(ne
2
) = 1/6 = 0.1666

Con la cual se establece la regla de decisin para aprobar o rechazar el ajuste. Especficamente, se
establece que: S el parmetro de Smirnov, calculado con los datos de la distribucin de inters es
menor a 0.1666, la distribucin propuesta se ajusta, simblicamente:

S (ne
2
)
calc
< 0.1666, la distribucin se ajusta

En el Cuadro 4.12, se reportan los datos calculados para la aplicacin de la prueba de Smirnov a la
estacin de Pnjamo, Guanajuato.

El procedimiento para la generacin del Cuadro 4.12, se explica haciendo referencia a su primera
hilera. En la primera columna, se reporta al nmero de observacin, con el cual se genera el valor
del nmero i, utilizado en otras frmulas; En la segunda columna, donde se presenta el dato de la
precipitacin, en mm, y sirve para que el usuario determine el dato que se esta analizando; La


Precipitacin

139
Cuadro 4.12. Prueba de Smirnov para tres Distribuciones Probabilsticas con Datos de la
Estacin de Pnjamo, Guanajuato.



Observacin
(i)

Precipitacin
(mm)
x
i


n
i
2
1 2





Normal

| ) (
i
x F


Galton
2
2
1 2
(

(
n
i



Gamma-Inc.
1
2
3
4
5
6
7
8
9
370
216.5
211
203
191
122
105
82
82
0.0555
0.1666
0.2777
0.3888
0.5000
0.6111
0.7222
0.8333
0.9444
0.00188
0.02327
0.00398
0.00011
0.00404
0.01474
0.00514
0.00071
0.00715
0.00033
0.00718
0.00010
0.00889
0.02531
0.00026
0.00514
0.00586
0.00119
0.00003
0.02855
0.00600
0.00002
0.00456
0.01794
0.00937
0.00498
0.00165
Suma 0.06099 0.05426 0.07309
1/12n 0.00926
(ne
2
)
calc
0.07024 0.06352 0.08235
E(ne
2
) =0.1666



tercera columna es el parmetro de referencia de Smirnov, que en este caso, se obtiene con el
respectivo valor de i y con n = 9, as, el primer clculo es:

0555 . 0
) 9 ( 2
1 ) 1 ( 2
2
1 2
=

n
i


En las siguientes tres columnas se reporta el cuadrado de las diferencias, [F(x
i
) {(2i -1)/2n}],
para los datos probabilsticos provenientes de la distribucin Normal (Cuadro 4.7), de la Galton
(Cuadro 4.8) y de la Gamma-Incompleta (Cuadro 4.9), particularmente para la Distribucin:

Normal: [F(x
i
) {(2i -1)/2n}]
2
= (0.0122-0.0555)
2
= 0.00188
Galton: [F(x
i
) {(2i -1)/2n}]
2
= (0.0375-0.0555)
2
= 0.00033
Gamma - Incompleta: [F(x
i
) {(2i -1)/2n}]
2
= (0.0498-0.0555)
2
= 0.00003


De forma similar se repiten las operaciones hasta concluir con todos los datos. Al final del Cuadro
4.12 aparecen tres hileras, con las cuales se calcula al parmetro ne
2
, de acuerdo con la frmula
descrita anteriormente. El valor de dicho parmetro se compara con 0.1666, resultando que para las
tres distribuciones resultan menores. Por lo cual se concluira que cualquiera de las distribuciones
se ajusta a los datos de Pnjamo, Guanajuato.




Precipitacin

140
Ejemplo de Aplicacin de las Probabilidades de Lluvia

La aplicacin ms comn de las probabilidades es para conocer la frecuencia con la que se
presentar una cantidad de lluvia en un determinado lugar. Sin embargo, en estos prrafos
queremos mostrar un mayor alcance, es decir, aplicar las probabilidades de lluvia con un objetivo
ms concreto.

Por ejemplo, si nos interesara aplicar las probabilidades de lluvia en la estimacin de rendimientos
o en el establecimiento de la cantidad de erosin de un suelo, el requisito previo sera el contar con
un modelo o ecuacin que relacionara a dichas variables, simblicamente:

Rendimiento = f(lluvia)
o
Erosin = f(lluvia)

con fines didcticos, nos referiremos nicamente a la primera.

Una vez que se cuenta con el modelo que relaciona al rendimiento con la lluvia, se procede a
buscar la distribucin probabilstica que se ajusta mejor a los datos de lluvia, como se present
anteriormente.

Posteriormente se pueden seguir dos procedimientos: 1) Estimar el rendimiento con una cantidad
de lluvia a una probabilidad determinada o 2) Conocer la cantidad de lluvia necesaria para alcanzar
un rendimiento prefijado.

Para ilustrar lo anterior, se parti del trabajo desarrollado por Ortiz (1974), generndose un modelo
que relaciona al rendimiento mximo de maz con la precipitacin del cuarto mes a partir de la
siembra, en el rea de Influencia de Chapingo, el cual es:

R
MAX
= 1.5608 + 0.01904(P
IV
)
donde:
R
MAX
= Rendimiento Mximo de Maz, ton/ha;
P
IV
= Precipitacin del cuarto mes a partir de
la siembra (91 - 120 das).

Con una R
2
= 0.8794 que es altamente significativa.

Para el ejemplo, se seleccion a la estacin meteorolgica de Texcoco, Estado de Mxico,
considerando que la siembra se realizaba en el mes de Mayo, con lo cual resulta que el cuarto mes
le corresponde al mes de Agosto, los datos de precipitacin de varios meses de esa estacin se
reportan en el Cuadro 4.13.

Una vez recabada la informacin de la precipitacin, se busc la distribucin probabilstica que
tuviera el mejor ajuste con la Prueba de Smirnov, resultando que las Distribuciones de Galton y
Gamma Incompleta fueron las ms satisfactorias.


Precipitacin

141
Cuadro 4.13. Precipitacin en mm, para diferentes meses y aos en la Estacin Texcoco,
Estado de Mxico.

Ao Mayo J unio J ulio Agosto Septiembre Octubre
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
22.8
31.4
61.1
97.1
40.9
14.2
44.4
40.8
14.5
49.8
65.1
63.1
65.2
79.1
71.9
38.5
24.5
49.3
25.9
61.9
201.6
113.0
85.1
174.0
94.4
64.5
30.2
139.0
37.0
145.7
80.2
54.0
114.1
136.9
56.4
68.3
218.1
89.4
63.6
154.9
117.0
73.8
191.4
99.1
104.2
186.7
62.2
116.4
145.0
96.3
98.6
111.7
194.4
88.8
179.3
148.7
109.3
113.4.
84.6
154.1
82.4
110.2
130.0
74.2
158.1
124.6
187.7
94.3
238.1
69.3
66.7
172.9
97.4
73.3
84.6
69.2
84.0
116.3
104.4
93.2
59.7
110.7
134.0
106.3
79.7
53.4
134.5
89.3
89.3
92.2
84.6
80.4
87.6
45.6
82.8
124.5
104.4
188.4
54.2
86.2
12.2
79.3
31.6
35.5
55.4
46.0
60.1
63.0
63.0
42.5
59.1
47.3
19.9
14.5
70.2
32.7
55.2
0.1
52.6
50.7



La variacin de la precipitacin del mes de Agosto para el perodo estudiado fue de 66.7 a 238.1
mm y los parmetros de la Distribucin de Galton fueron:

y
= 2.0182 y o
y
= 0.1535

y para la Distribucin Gamma Incompleta:

o = 7.5794 y | = 14.7168

A pesar de que es posible trabajar con las dos distribuciones, es siempre conveniente seleccionar a
una para generar los resultados. En nuestro ejemplo trabajaremos con la Distribucin Galton.

S se desea estimar el R
MAX
a una probabilidad prefijada se procedera de la siguiente manera:

1) Se fija la probabilidad deseada, supongamos al 10%, lo cual nos permitira conocer el
rendimiento mximo de maz que puede obtenerse en uno de cada diez aos;

2) Se calcula el valor de z en su tabla de probabilidades,
P(z > z
o
) = 10% = 0.1000, en tablas genera un valor de z =1.28;

Precipitacin

142
3) Con los valores de z,
y
y o
y
se obtiene el valor de la y

correspondiente, a travs del despeje
de la frmula:
z = ( y -
y
)/ o
y

con lo que:
y = zo
y
+
y
= 1.28 (0.1535) + 2.0182 = 2.2147

para obtener el valor de la precipitacin, p, recordando que y = log
10
(p) y por lo tanto

p = antilog (y) = antilog (2.2147) = 164 mm (redondeado);

4) Se establece el valor del R
MAX
, sustituyendo el valor de P
IV
en el modelo, esto es:

R
MAX
= 1.5608 + 0.01904 (P
IV
) = 1.5608 + 0.01904 (164)

R
MAX
= 4.68 ton/ha

Pudindose repetir el proceso para cualquier probabilidad, con el inters de generar tablas como la
reportada en el Cuadro 4.14.

Cuadro 4.14. Rendimiento Mximo de Maz en Texcoco, Estado de Mxico, Sembrado en el
Mes de Mayo a Diferentes Probabilidades.

Probabilidad
(%)

Log P
P
I V

(mm)
R
MAX

(Ton/ha)
10
20
30
40
50
60
70
80
2.2147
2.1474
2.0987
2.0571
2.0182
1.9793
1.9377
1.8890
164.0
140.4
125.5
114.0
104.3
95.3
86.6
77.4
4.68
4.23
3.95
3.73
3.55
3.38
3.21
3.04


A partir del Cuadro 4.14 se puede seleccionar un nivel de probabilidad, para la planeacin agrcola
de esa rea. Por ejemplo si se desea tener gran seguridad se podra escoger un nivel de 80 o 90%
de probabilidad, es decir, referirse al rendimiento mximo que se tendra en 8 o 9 de cada 10 aos.

Tambin se puede aplicar el proceso en diferentes estaciones para conocer a diferentes niveles de
probabilidad la variacin espacial del rendimiento, y con ello establecer los lugares que tienen un
mayor potencial productivo.

S se desea proceder al contrario, es decir, prefijar un rendimiento y obtener la probabilidad de la
precipitacin necesaria para alcanzarlo, el proceso sera el inverso. Con el rendimiento prefijado, a
travs del modelo se generara la precipitacin necesaria; la precipitacin se transformara a una y,
recordando que y = log(p) y junto con la media (
y
) y la desviacin (o
y
), se establece el valor de z
Precipitacin

143
y en su tabla se determina finalmente la probabilidad. En el Cuadro 4.15, se presentan los
resultados con los datos del mes de Agosto.

Cuadro 4.15. Probabilidades de ocurrencia de Rendimientos Mximos de Maz
Prefijados en Texcoco, Estado de Mxico, Sembrado en el Mes de Mayo.

R
MAX

(Ton/ha)
P
I V

(mm)

Log P
Probabilidad
(%)
6.0
5.0
4.0
3.0
2.0
233.1
180.6
128.1
75.6
23.1
2.3676
2.2567
2.1075
1.8784
1.3629
0.0114
0.0601
0.2804
0.8188
1.0000


Otra aplicacin de las probabilidades de lluvia es la relacionada con los requerimientos de agua
durante el ciclo de un cultivo, como los que se reportaron en el Cuadro 4.4. S consideramos
nuevamente a la Estacin Texcoco, desde una perspectiva agrcola, son de inters los cultivos de
Maz y de Frjol, en condiciones de secano. Se sabe que el Maz, durante su ciclo que requiere un
mnimo de 500 mm y ocurre de Mayo a Septiembre, el del frjol, por su parte, necesita 300 mm, y
su ciclo es de Junio a Agosto. La pregunta obligada es s ambos cultivos se pueden producir sin
problemas en el rea.

Los 500 mm, necesarios para producir maz se deben satisfacer durante cinco meses, de Mayo a
Septiembre, de tal forma que ahora en lugar de trabajar con un solo mes se necesita calcular una
probabilidad para la suma de cinco, los datos se pueden generar a partir del Cuadro 4.13.

Como los datos se ajustan a una Distribucin Normal, la media de ese tiempo es 483.83 y la
desviacin de 62.9485, con los cuales procedemos a calcular la probabilidad de los 500 mm
requeridos. Necesitamos primero calcular una z y despus su probabilidad, como sigue:

2569 . 0
9485 . 62
83 . 483 500
=

=
o
P
z
y
3986 . 0 ) 2569 . 0 ( ) (
0
= > = > z P z z P
Realizando los mismos clculos para los 300 mm del frjol, primero se establece el promedio de la
precipitacin de los tres meses, de Junio a Agosto, es de 341.42 y la desviacin estndar de
53.7467, con lo que:

7688 . 0
7467 . 53
32 . 341 300
=

=
o
P
z
y
7790 . 0 ) 7688 . 0 ( ) (
0
= > = > z P z z P

Precipitacin

144
A partir de esos resultados se puede indicar que para el maz slo en el 40% de los aos tendran
satisfechos los requerimientos mnimos de humedad y el frjol en el 78% de los casos.
4.7. Estimacin de Datos de Precipitacin

Existen procedimientos para estimar a la precipitacin para un rea y para un sitio en particular, los
cuales se describen a continuacin:

Mtodos para calcular la Precipitacin Promedio de un rea

Actualmente, se tiene un gran inters por conocer con precisin la distribucin de la precipitacin
por reas. Para ello se han desarrollado varios mtodos dentro del campo de la variabilidad
espacial, aunque no existe uno que represente en forma exacta a la evolucin espacial de la lluvia
en un perodo de tiempo dado. Uno de los factores de ms peso en estos procedimientos es el
nmero de estaciones de observacin que se disponen.

La precipitacin de un rea (h
N
) se define como la cantidad de precipitacin promediada en un
rea especfica o el agua disponible de la precipitacin atmosfrica en una localidad especfica,
expresada como la cantidad de agua sobre una superficie horizontal durante un perodo de tiempo.

De acuerdo con Giesecke, et al. (1983), los mtodos ms simples son:


1. Promedio Aritmtico
N1
N2
N3
N4
N5 N6
N7 N8
N9

Cada estacin en este procedimiento tiene la misma influencia. Para una red de estaciones con
una distribucin equilibrada es un mtodo muy simple y exacto.

=
=
n
i
i N
h
n
h
1
1



donde:

h
N
= Precipitacin media
del rea;
n = Nmero de la estacin
considerada (N
1
, N
2
, ...)
h
i
= Precipitacin de la
estacin i



Precipitacin

145
2. Mtodo de las Isoyetas

N1
N2
N3
N4
N5 N6
N7 N8
N9

Es un mtodo muy subjetivo, muy exacto cuando lo usan expertos pero requiere de mucho
trabajo manual.

3. Mtodo del Bisector Perpendicular (Mtodo del Polgono, Thiessen ponderado)
N1
N2
N3
N4
N5 N6
N7 N8
N9

Este mtodo es muy usado donde existen estaciones irregularmente distribuidas, pero no
considera a las influencias orogrficas.

=
=
n
i
i i N
h W h
1

donde:
h
N
= Precipitacin media del
rea;

=
=
n
i
i
i
i
A
A
W
1

W
i
= Factor de ponderacin
Para una estacin;
A
i
= Subrea atribuida a
una estacin;
n = no. de estaciones

Precipitacin

146

4. Mtodo de Triangulacin
N1
N2
N3
N4
N5 N6
N7 N8
N9

Se trata de un mtodo ponderado por superficie. Al igual que los otros mtodos este procedimiento
no incorpora la influencia orogrfica.


Estimacin de la Precipitacin a Nivel de Sitio

A nivel de sitio uno de los mtodos ms recomendados para la estimacin de la precipitacin, es el
empleado por el U. S. National Weather Service, citado por Trueba (1990), tambin conocido
como el Mtodo de la Distancia Inversa.

Este procedimiento es empleado para la estimacin de datos de precipitacin anual, mensual y
diario y tambin se recomienda para la temperatura.

Este mtodo emplea la frmula:


=
i
i i
x
W
W P
P
donde:
Px = precipitacin de la estacin x;
Pi = precipitacin observada de la estacin i;
Wi = factor de ponderacin, calculado como:
Wi = (1/Di)
Di = distancia de la estacin x a la
estacin i.


=
=
=
m
j
i
ij
j
N
N
h
A
A
h
1
3
1
3
1


donde:
h
N
= Precipitacin media del
rea;
m = no. de tringulos;
A
j
= rea del tringulo j;
A
N
= rea total cubierta por los
tringulos;
h
ij
= Precipitacin de la
estacin i, relacionada con
el tringulo j.
Precipitacin

147

Se considera que la forma ms eficiente de la aplicacin de este procedimiento es cuando el sitio de
inters se encuentra rodeado de 4 estaciones.

Como ejemplo, supongamos que se desea estimar la precipitacin anual de Rincn de Romos,
Aguascalientes, donde no existe una estacin meteorolgica. La primera accin que se tendra que
realizar sera el establecer la ubicacin de las cuatro estaciones circundantes ms cercanas, como
se muestra en la Figura 4.8.



Estaciones
11 11: Mesillas
12: Pabelln de Arteaga
88 mm 17: Presa Potrerillos
17 73 mm 23: Tepezala
X: Rincn de Romos
X
102 mm
23
60 mm

12


Figura 4.8. Localizacin de las Cuatro Estaciones Meteorolgicas Circundantes a
Rincn de Romos, Aguascalientes.


Una vez ubicadas las estaciones se determina la distancia de cada una de ellas al lugar de inters,
que puede ser el dato real o a escala, en este ejemplo se emplean los valores obtenidos en mm,
directamente sobre un mapa y sus respectivos valores de la precipitacin que se desea estimar, para
finalmente aplicar la frmula indicada. En el Cuadro 4.16 se reportan los valores usados en la
estimacin.

Cuadro 4.16. Estaciones y Datos Utilizados en la Estimacin de la Precipitacin Anual de
Rincn de Romos, Aguascalientes.
No. Estacin Distancia Wi P anual P.Wi
11
12
17
23
Mesillas
Pabelln de Arteaga
Presa Potrerillos
Tepezala
88
60
73
102
0.0114
0.0167
0.0137
0.0098
373.9
435.1
490.7
432.8
4.2489
7.2517
6.7219
4.2431
Sumas: 0.0515 22.4656


Al analizar la primera hilera del Cuadro 4.16, tenemos en las primeras columnas el nmero y el
nombre de la estacin considerada, en la tercera columna su distancia a escala, en este caso 88 mm,
que al obtener su inverso, genera la cuarta columna, esto es:
Precipitacin

148

W
1
= (1/D
1
) = (1/88) = 0.0114

en la quinta columna, se reportan los datos de la precipitacin anual, 373.9 mm para la estacin
Mesillas y la sexta columna es el producto de la cuarta y de la quinta:

P
1
* W
1
= 0.0114*373.9 = 4.2489

Se repite el mismo proceso para las estaciones restantes y al final del Cuadro aparecen las sumas
que se emplean en la frmula, quedando:
9 . 435
0515 . 0
4656 . 22
= =

i
i i
x
W
W P
P

Concluyendo que en Rincn de Romos, Aguascalientes, la precipitacin anual estimada es de
435.9 mm. En la actualidad se cuenta ya con una estacin meteorolgica normal en Rincn de
Romos y el dato real de su precipitacin anual es de 386.3 mm, que nos da una idea de la precisin
con la cul se realiz la estimacin. Es necesario insistir que los datos meteorolgicos siempre se
reportan con una sola cifra decimal, resultando innecesario un dato con un nmero mayor de cifras
decimales.

Tambin es conveniente indicar que existen variantes al mtodo anterior, uno de ellos emplea el
inverso de la distancia al cuadrado, esto es: Wi = (1/Di
2
). Que al aplicarlo a los mismos datos
produce como resultado una precipitacin anual de 438.4 mm, para Rincn de Romos.

Como ejercicios de clase, se han realizado estimaciones con dos y con tres estaciones circundantes
al lugar de inters e inclusive el lugar ha sido una estacin meteorolgica con datos reales, con lo
cual se ha podido comprobar el error cometido al efectuar dichas estimaciones, los resultados han
sido variables, por lo que se recomienda como en todos los temas su evaluacin antes de aplicar el
procedimiento a grandes extensiones.

Adems actualmente, se realizan intentos por aplicar otros procedimientos de interpolacin de
datos, buscando aquellos que consideren el efecto del relieve.

4.8. Sequa

Un tema de gran inters para la agricultura nacional que en su mayora es de secano, es el relativo a
la sequa. Al realizar una breve revisin sobre el tema en el pas, es notoria la existencia de pocos
trabajos.

La sequa que tiene una diversidad de definiciones y que aqu la conceptualizaremos como la falta
de agua, puede definirse a nivel diario, mensual o anual, por ejemplo se establece en la literatura
que existe sequa cuando durante 10 das se tiene una precipitacin menor a 5 mm, o bien se
presenta sequa a nivel mensual cuando la precipitacin de ese mes es menor al 60% de lo normal,
o hay sequa en un ao cuando la precipitacin anual es menor de 75% de la normal. El trmino
normal es equivalente al promedio.
Precipitacin

149

Con del Tratado de Libre Comercio (TLC) entre Canad, Estados Unidos y Mxico han surgido
una serie de acciones complementarias como la creacin de redes para el monitoreo de la sequa, un
ejemplo de uno de sus reportes se presenta en la Figura 4. 9. Para ello se emplea un ndice, el SPI
por sus siglas en ingls (Standard Precipitation Index) o ndice de Precipitacin Estandarizada. Que
resulta conveniente conocer su obtencin.




Figura 4.9.Un reporte de la Sequa de Amrica del Norte



El ndice de precipitacin estndar o SPI fue propuesto por McKee en la Universidad del Estado de
Colorado en el ao de 1993.

El SPI se elabor con el fin de cuantificar el dficit de las precipitaciones a diferentes escalas de
tiempo, que varan de 1, 2, 3, 6, 12, 24 y 48 meses. Para todas las escalas de tiempo, el SPI se
reporta a nivel mensual desde Enero hasta Diciembre, pero se reporta de la siguiente manera: Por
ejemplo el SPI de Febrero en la escala de dos meses, corresponde a valores que provienen de sumar
Precipitacin

150
las precipitaciones de los meses de Enero + Febrero; el SPI para Abril en la escala de tres meses
estara analizando las precipitaciones conjuntas de Febrero + Marzo + Abril o el SPI para el mes de
Mayo a la escala de seis meses evaluara las precipitaciones provenientes de Diciembre del ao
anterior mas las correspondientes a Enero + Febrero + Marzo + Abril + Mayo del ao de inters y
as sucesivamente, ntese que el mes en el cual se reporta el ndice corresponde siempre al ltimo
del perodo estudiado. Tambin, varios autores no contemplan a la escala de 1 y 2 meses.

Para calcular el SPI se aplica el siguiente procedimiento:

1. Se generan series de datos de precipitacin a nivel mensual a la escala requerida (3, 6, 12, 24 o
48 meses) y bajo las normas establecidas;

2. A la serie mensual obtenida se le ajusta a una distribucin probabilstica, cuando se tienen
valores (sumas) mayores a cero en todos los casos, se acostumbra trabajar con la distribucin
Gamma Incompleta y sus parmetros o y |, se calculan con el procedimiento de Thom
(1966), anteriormente descrito;

3. Se establece para cada valor de precipitacin su valor de probabilidad acumulativa, Prob.(P<Po),
con la distribucin seleccionada, y;

4. Se calcula para cada probabilidad acumulativa su valor correspondiente con la distribucin
normal estndar inversa (con media 0 y varianza 1), que es el valor del SPI.

Con lo cual deber entenderse que el SPI corresponde al nmero de desviaciones estndar que un
dato de precipitacin se desva del promedio histrico. En ese contexto, los valores positivos del
SPI se interpretaran como aos con condiciones hmedas a la escala de tiempo estudiada y los
negativos como indicativos de condiciones de sequa o de dficit de humedad. McKee y su grupo,
propusieron el sistema de clasificacin para el SPI que se reporta en el Cuadro 4.17 .

Cuadro 4.17. Caracterizacin de las Sequas segn el Valor del SPI (McKee, et. al, 1993)

Valor del SPI Intensidad de la Sequa
2.0 y ms
1.5 a 1.99
1.0 a 1.49
-0.99 a 0.99
-1.0 a -1.49
-1.5 a -1.99
-2.0 y menos
Extremadamente hmedo
Muy hmedo
Moderadamente hmedo
Normal
Moderadamente seco
Muy seco
Extremadamente seco


De esta forma un evento de sequa se inicia cuando se observa a travs del tiempo una tendencia
marcada de valores negativos continuos.

Es conveniente mencionar que en el monitoreo que se hace de la sequa para Norte Amrica,
Mxico participa con varias estaciones y resulta interesante apreciar que algunas de ellas cuentan
Precipitacin

151
con informacin desde 1920 hasta lo que va del 2005, como es el caso de Aguascalientes, sin
embargo dicha informacin no esta disponible para todo publico.

Como ejemplo se presenta la precipitacin mensual de la Estacin Chapingo, Mxico para el
perodo 1961 1988, obtenida a partir del ERIC2 (Extractor Rpido de Informacin Climtica,
versin 2), la cual se presenta en el Cuadro 4.18.

Cuadro 4.18. Precipitacin Mensual de la Estacin Chapingo, Mxico para el perodo 1961 1988
(CNA, 2000).

AO E F M A M J J A S O N D
1961 5.5 0.4 7.7 5.6 22.3 174.7 149 94 67 17.8 7 4.8
1962 0 2.7 6.7 76.2 22.2 82.7 48.3 84.6 104.3 78.7 1.9 3.5
1963 0.2 0 32.6 37.8 55.8 86.4 160.7 125.5 114.7 24.9 1.8 18.7
1964 22.1 0 18.2 13.3 110 173.9 82.6 55.3 126.3 34.3 8.1 8.2
1965 2.8 27.2 0 16.6 44.4 71.7 85.1 146.5 81.2 70.7 1.8 7.5
1966 10.4 6.3 61.6 31.6 7.1 80.2 176.6 141.4 65.2 54.6 0 4
1967 65.8 0.4 14.4 13.6 62.8 42.7 93.3 160.1 117.9 58.3 3.6 3.3
1968 9.7 21.2 0.5 42.4 37.2 136.3 161 88.3 113.1 81.1 5.2 17.7
1969 * 13.4 16.5 10.3 18.7 37.8 161.5 236.9 82.4 7.2 * 0
1970 4.1 4.4 0.4 15.9 46.2 139.5 100.6 106.6 113.4 40.5 0.2 0
1971 9.3 0 11.2 28.6 25.4 158.7 87.3 59.2 85.9 61 8.5 7.7
1972 0 0 16.8 39.1 68.7 92.4 89.2 64.4 86.5 49.8 8.9 0
1973 0 5 7.9 30 56.1 81.9 129.8 197 72.9 53.6 22.9 1
1974 5.2 3.7 11.7 64.1 62.2 112.3 224.8 129 91.1 22 3 0
1975 36.8 11.3 7.8 35.9 88.7 127.4 155.1 91.9 36.4 14.2 0 0
1976 0 3.5 9.1 44.9 81.9 57.8 170.8 117.5 95.5 77.5 3.6 20.8
1977 0.6 5.1 0 7.6 47 95.6 129.4 59.5 112 31.6 27.8 4.3
1978 * * * * * * * 89 91 62.1 30.2 0.7
1979 0.3 27.6 31 7.9 65.7 89 122 102.2 189.9 1 5.1 28.8
1980 45.7 7.8 3.7 33.8 32.5 83 69.5 122.9 69.6 46.5 30.3 0
1981 * * * * 49 178 140.2 102.8 104.2 54.4 22.7 4.3
1982 0 6.9 20.3 39.1 55.5 64 85.7 38.5 16.5 50.2 0 2.7
1983 19.4 10.3 9.5 0 21 83.2 111.5 115.7 89.7 41.9 * 0.5
1984 28 13.5 1.3 0.5 32.3 126.7 224.6 90.1 110.6 35.2 0 4.2
1985 8.5 0.3 9 70.1 35.8 163.1 64.4 153.3 82 22 7.1 0
1986 0 0 0 27.3 77.1 87.8 78.7 126.6 34.2 49.8 3.6 0
1987 0 0.3 13.7 18.8 40.2 134.1 134.1 150.8 75.3 0 6.2 0
1988 0 8.9 52 19.5 34.6 104.2 112.1 61.5 117.9 13.2 7.5 0


Supngase que estamos interesados en la escala de tiempo de 3 meses, entonces el primer paso es
generar una nueva serie de datos, sumando valores de tres meses consecutivos y reportando la suma
en el lugar correspondiente al ltimo mes considerado. Los resultados se presentan en el Cuadro
4.19.

Como podr apreciarse, el mes inicial en el Cuadro 4.19 es Marzo, debido a que es el ltimo de la
primera suma correspondiente a 3 meses, la escala seleccionada, esto es: 5.5 + 0.4 + 7.7 = 13.6, ni
Enero, ni Febrero tienen datos de dos meses previos, por ese motivo no son reportados. El resultado
Precipitacin

152
de Enero de 1962, corresponde a la suma de las precipitaciones de Noviembre y Diciembre de
1961, junto con la de Enero de 1962, es decir. 7.0 + 4.8 + 0.0 = 11.8, el dato de Febrero de 1962 se
genera a partir de: 4.8 + 0.0 + 2.7 = 7.5 y as sucesivamente, hasta Enero de 1969, donde no se


Cuadro 4.19. Precipitacin de la Estacin Chapingo, Mxico del perodo 1961 1988, para
Ciclos de 3 meses.

AO E F M A M J J A S O N D
1961 * * 13.6 13.7 35.6 202.6 346 417.7 310 178.8 91.8 29.6
1962 11.8 7.5 9.4 85.6 105 181.1 153.2 215.6 237.2 267.6 185 84.1
1963 5.6 3.7 32.8 70.4 126 180 302.9 372.6 400.9 265.1 141 45.4
1964 42.6 40.8 40.3 31.5 141 296.9 366.2 311.8 264.2 215.9 169 50.6
1965 19.1 38.2 30 43.8 61 132.7 201.2 303.3 312.8 298.4 154 80
1966 19.7 24.2 78.3 99.5 100 118.9 263.9 398.2 383.2 261.2 120 58.6
1967 69.8 70.2 80.6 28.4 90.8 119.1 198.8 296.1 371.3 336.3 180 65.2
1968 16.6 34.2 31.4 64.1 80.1 215.9 334.5 385.6 362.4 282.5 199 104
1969 * * * 40.2 45.5 66.8 218 436.2 480.8 326.5 * *
1970 * 8.5 8.9 20.7 62.5 201.6 286.3 346.7 320.6 260.5 154 40.7
1971 9.5 9.3 20.5 39.8 65.2 212.7 271.4 305.2 232.4 206.1 155 77.2
1972 16.2 7.7 16.8 55.9 125 200.2 250.3 246 240.1 200.7 145 58.7
1973 8.9 5 12.9 42.9 94 168 267.8 408.7 399.7 323.5 149 77.5
1974 29.1 9.9 20.6 79.5 138 238.6 399.3 466.1 444.9 242.1 116 25
1975 39.8 48.1 55.9 55 132 252 371.2 374.4 283.4 142.5 50.6 14.2
1976 0 3.5 12.6 57.5 136 184.6 310.5 346.1 383.8 290.5 177 101.9
1977 25 26.5 5.7 12.7 54.6 150.2 272 284.5 300.9 203.1 171 63.7
1978 * * * * * * * * * 242.1 183 93
1979 31.2 28.6 58.9 66.5 105 162.6 276.7 313.2 414.1 293.1 196 34.9
1980 79.6 82.3 57.2 45.3 70 149.3 185 275.4 262 239 146 76.8
1981 * * * * * * 367.2 421 347.2 261.4 181 81.4
1982 27 11.2 27.2 66.3 115 158.6 205.2 188.2 140.7 105.2 66.7 52.9
1983 22.1 32.4 39.2 19.8 30.5 104.2 215.7 310.4 316.9 247.3 * *
1984 * 42 42.8 15.3 34.1 159.5 383.6 441.4 425.3 235.9 146 39.4
1985 12.7 13 17.8 79.4 115 269 263.3 380.8 299.7 257.3 111 29.1
1986 7.1 0 0 27.3 104 192.2 243.6 293.1 239.5 210.6 87.6 53.4
1987 3.6 0.3 14 32.8 72.7 193.1 308.4 419 360.2 226.1 81.5 6.2
1988 6.2 8.9 60.9 80.4 106 158.3 250.9 277.8 291.5 192.6 139 20.7


reporta el resultado de la suma, al igual que para los meses de Febrero y Marzo, debido a que no
existe informacin de la lluvia reportada para el mes de Enero, lo cual repercute en los otros dos
por estar involucrados en sus sumas. Una situacin similar va a ocurrir con los datos de Noviembre
y Diciembre de 1969 y Enero de 1970, porque para ellos se carece de informacin del mes de
Noviembre. La falta de datos y sus influencias se vuelven a notar en varios mese de 1978 y de
1981.

En este ejemplo, los meses (sumas de tres meses) con datos de precipitacin de 0.0 mm se ajustaron
con la Distribucin Normal y con valores mayores a cero con la Distribucin Gamma Incompleta,
en forma especfica los tres primeros meses (Enero, Febrero y Marzo) se estudiaron con la normal y
Precipitacin

153
los nueve restantes, de Abril a Diciembre, con la Gamma Incompleta. Al aplicarles la Prueba de
Smirnov, el mes de Enero (sumas) no se ajusto a la Normal, por lo cual sus datos debern
considerarse con reserva y el mes de Noviembre no se ajusto a la Gamma, pero si a la Normal.
En relacin a la Gamma se estimaron sus parmetros con el mtodo de Thom, generando primero el
valor del parmetro auxiliar A y despus los de o y |.

Las probabilidades acumulativas para las sumas correspondientes a cada mes se presentan en el
Cuadro 4.20 y a partir de ellas se establece datos de z con la Inversa de la Distribucin Normal
Estndar, que corresponden a los valores del SPI, que se presentan en el Cuadro 4.21 para
Chapingo.

Cuadro 4.20.Probabilidad Acumulativa para la Precipitacin Trimestral de la Estacin Chapingo,
Mxico para el perodo 1961 1988

AO E F M A M J J A S O N D
1961 ##### ##### 0.210 0.038 0.035 0.697 0.849 0.849 0.448 0.119 0.103 0.196
1962 0.288 0.234 0.160 0.907 0.697 0.551 0.013 0.028 0.125 0.689 0.858 0.831
1963 0.192 0.183 0.523 0.814 0.841 0.542 0.671 0.682 0.826 0.674 0.492 0.426
1964 0.840 0.793 0.653 0.279 0.904 0.975 0.902 0.363 0.226 0.335 0.747 0.499
1965 0.425 0.757 0.473 0.490 0.227 0.191 0.111 0.318 0.462 0.838 0.614 0.804
1966 0.436 0.519 0.982 0.952 0.655 0.114 0.443 0.787 0.772 0.650 0.287 0.602
1967 0.991 0.985 0.986 0.227 0.561 0.115 0.103 0.281 0.729 0.939 0.827 0.675
1968 0.376 0.696 0.498 0.758 0.443 0.771 0.811 0.739 0.694 0.769 0.924 0.921
1969 ##### ##### ##### 0.430 0.089 0.003 0.181 0.894 0.960 0.920 ##### #####
1970 ##### 0.248 0.155 0.111 0.243 0.691 0.579 0.554 0.502 0.646 0.618 0.357
1971 0.250 0.260 0.310 0.423 0.272 0.754 0.490 0.328 0.110 0.269 0.630 0.783
1972 0.368 0.236 0.254 0.666 0.832 0.682 0.359 0.084 0.134 0.235 0.530 0.603
1973 0.241 0.200 0.201 0.475 0.594 0.451 0.467 0.822 0.823 0.913 0.572 0.785
1974 0.623 0.269 0.312 0.876 0.893 0.866 0.956 0.943 0.919 0.523 0.257 0.136
1975 0.803 0.876 0.863 0.654 0.870 0.905 0.913 0.691 0.314 0.021 0.011 0.034
1976 0.124 0.181 0.198 0.686 0.885 0.576 0.709 0.550 0.774 0.806 0.806 0.914
1977 0.543 0.561 0.123 0.031 0.163 0.313 0.493 0.225 0.402 0.250 0.768 0.660
1978 ##### ##### ##### ##### #### ##### ###### ###### ##### 0.523 0.849 0.878
1979 0.663 0.600 0.891 0.781 0.693 0.408 0.522 0.370 0.860 0.817 0.911 0.271
1980 0.998 0.997 0.876 0.514 0.326 0.306 0.062 0.185 0.217 0.501 0.542 0.780
1981 ##### ##### ##### ##### #### ##### 0.904 0.858 0.629 0.652 0.837 0.813
1982 0.582 0.289 0.423 0.779 0.772 0.377 0.126 0.007 0.002 0.001 0.029 0.530
1983 0.484 0.666 0.635 0.100 0.019 0.056 0.170 0.355 0.483 0.559 ##### #####
1984 ##### 0.809 0.694 0.051 0.030 0.384 0.935 0.904 0.885 0.478 0.536 0.337
1985 0.304 0.319 0.269 0.876 0.772 0.941 0.439 0.719 0.396 0.626 0.218 0.189
1986 0.213 0.141 0.078 0.209 0.691 0.630 0.319 0.266 0.132 0.299 0.086 0.536
1987 0.166 0.144 0.215 0.302 0.358 0.636 0.699 0.852 0.685 0.408 0.064 0.003
1988 0.200 0.254 0.906 0.881 0.706 0.375 0.363 0.195 0.354 0.187 0.464 0.088


En la actualidad con el uso de la hoja de clculo EXCEL todo el procedimiento se realiza fcil y
rpidamente.

Precipitacin

154
A partir del Cuadro 4.21, es posible indicar que periodos trimestrales Extremadamente Secos
ocurrieron en los aos: 1962, 1969, 1975, 1982 y 1983. El de mayor sequa fue en Octubre de 1982,
es decir, Agosto Septiembre Octubre y el perodo mas crtico fue tambin en 1982,
prcticamente desde Junio hasta Octubre.

Cuadro 4.21.ndice de Precipitacin Estandarizada, SPI, para Perodos de Tres meses de la Estacin
Chapingo, Mxico para el perodo 1961 1988

AO E F M A M J J A S O N D
1961 * * -0.81 -1.78 -1.81 0.52 1.03 1.03 -0.13 -1.18 -1.26 -0.86
1962 -0.56 -0.73 -0.99 1.32 0.52 0.13 -2.21 -1.92 -1.15 0.49 1.07 0.96
1963 -0.87 -0.90 0.06 0.89 1.00 0.11 0.44 0.47 0.94 0.45 -0.02 -0.19
1964 0.99 0.82 0.39 -0.59 1.31 1.95 1.29 -0.35 -0.75 -0.43 0.67 0.00
1965 -0.19 0.70 -0.07 -0.03 -0.75 -0.88 -1.22 -0.47 -0.10 0.99 0.29 0.85
1966 -0.16 0.05 2.10 1.67 0.40 -1.21 -0.14 0.80 0.74 0.39 -0.56 0.26
1967 2.37 2.18 2.20 -0.75 0.15 -1.20 -1.27 -0.58 0.61 1.55 0.94 0.45
1968 -0.32 0.51 -0.01 0.70 -0.14 0.74 0.88 0.64 0.51 0.74 1.43 1.41
1969 * * * -0.18 -1.35 -2.77 -0.91 1.25 1.75 1.41 * *
1970 * -0.68 -1.02 -1.22 -0.70 0.50 0.20 0.13 0.00 0.37 0.30 -0.37
1971 -0.67 -0.64 -0.50 -0.19 -0.61 0.69 -0.03 -0.45 -1.23 -0.62 0.33 0.78
1972 -0.34 -0.72 -0.66 0.43 0.96 0.47 -0.36 -1.38 -1.11 -0.72 0.08 0.26
1973 -0.70 -0.84 -0.84 -0.06 0.24 -0.12 -0.08 0.92 0.93 1.36 0.18 0.79
1974 0.31 -0.62 -0.49 1.16 1.24 1.11 1.70 1.58 1.40 0.06 -0.65 -1.10
1975 0.85 1.16 1.09 0.40 1.13 1.31 1.36 0.50 -0.48 -2.03 -2.30 -1.83
1976 -1.15 -0.91 -0.85 0.48 1.20 0.19 0.55 0.13 0.75 0.86 0.86 1.37
1977 0.11 0.15 -1.16 -1.87 -0.98 -0.49 -0.02 -0.76 -0.25 -0.68 0.73 0.41
1978 * * * * * * * * * 0.06 1.03 1.17
1979 0.42 0.25 1.23 0.78 0.50 -0.23 0.06 -0.33 1.08 0.90 1.35 -0.61
1980 2.86 2.74 1.15 0.03 -0.45 -0.51 -1.54 -0.90 -0.78 0.00 0.11 0.77
1981 * * * * * * 1.31 1.07 0.33 0.39 0.98 0.89
1982 0.21 -0.56 -0.19 0.77 0.75 -0.31 -1.15 -2.45 -2.92 -3.08 -1.89 0.07
1983 -0.04 0.43 0.34 -1.28 -2.08 -1.59 -0.95 -0.37 -0.04 0.15 * *
1984 * 0.87 0.51 -1.63 -1.89 -0.29 1.51 1.31 1.20 -0.05 0.09 -0.42
1985 -0.51 -0.47 -0.62 1.15 0.75 1.56 -0.15 0.58 -0.26 0.32 -0.78 -0.88
1986 -0.80 -1.08 -1.42 -0.81 0.50 0.33 -0.47 -0.63 -1.12 -0.53 -1.37 0.09
1987 -0.97 -1.06 -0.79 -0.52 -0.37 0.35 0.52 1.05 0.48 -0.23 -1.52 -2.73
1988 -0.84 -0.66 1.32 1.18 0.54 -0.32 -0.35 -0.86 -0.37 -0.89 -0.09 -1.36