ANLISIS ESTADSTICO DE LAS PRECIPITACIONES
MXIMAS EN AMRICA.
Barahona, Julio. Gonzlez Lpez, Jos. Palacios, Luis. Toledo Arcos, Guillermo.
RESUMEN
Partiendo de los datos de las alturas de
precipitacin mensuales del Banco Mundial
que proporciona 112 aos de estudio, en
este artculo se eligen 12 pases de los
cuales se desarrolla un anlisis de sus
precipitaciones mximas, empezando por
observaciones generales de los datos.
Luego se realiza el respectivo
procesamiento de los datos, por medio de
distribuciones estadsticas. Para este
artculo se utiliz el anlisis de frecuencias,
el mismo que es una herramienta que ayuda
a determinar la precipitacin mxima de
cada pas asociado a un determinado
periodo de retorno. Trabajamos con cuatro
tipos de distribuciones: Log Pearson,
Pearson tipo III, Gumbel y Log Normal.
Una vez obtenidas las estimaciones, se
observ grficamente cules de estas
convergen en cada caso, y cules de estas
difieren mucho del resto. Por medio de
estas grficas se espera obtener valiosas
conclusiones.
Los resultados obtenidos muestran en base
al procesamiento de datos realizado, qu
distribuciones estadsticas son ms idneas
para cada escenario estudiado, y hasta qu
periodo de retorno se considera factible su
uso.
Palabras clave: Precipitacin, periodo de
retorno, distribucin estadstica,
probabilidad, frecuencia.
ABSTRACT
Beginning with monthly precipitation
height data from the World Bank which
provides 112 years of study, in this article
are chosen 12 countries from where a
maximum precipitation analysis is
developed, starting by general observations
of the data.
Then, the respective data process is realized
through statistic distributions. In this article
is used the frequency analysis, a tool that
helps at determining maximum
precipitation of each country associated to a
return period. The four kinds of
distributions are: Log Pearson, Pearson
Type III, Gumbel and Log Normal.
Once the estimates are obtained,
graphically is observed which converge in
each case and which differ a lot from the
rest. Through this graphs is expected to
obtain valuable conclusions.
The obtained results show, based in the data
prosecution, which statistics distributions
are better in each studied scenario and until
which return period is feasible its use.
Keywords: Precipitation, return period,
statistic distribution, probability, frequency.
3.-INTRODUCCION
Uno de los factores climticos ms
importantes que intervienen en el ciclo
hidrolgico a nivel mundial es la altura de
precipitacin. Esta, segn su localidad,
puede variar siendo casi nula en ciertos
pases y muy elevada en otros.
Geogrficamente, la precipitacin se ve
afectada por la altitud y latitud de la zona
que se analice. Dependiendo de esos
factores el aire en donde se condensen las
nubes ser ms clido o hmedo. As, la
lluvia ser menos abundante en los polos,
por ejemplo donde el aire es ms seco y
fro. Adems, las corrientes marinas
favorecen a que se presente mayores
precipitaciones donde son clidas.
Con intensidades de precipitaciones muy
altas y baja frecuencia podra provocar
desastres como: inundaciones, colapsos de
sistemas de alcantarillado, deslizamientos
de tierra, entre otras. Este fenmeno
interviene de manera negativa en el diario
vivir de los pobladores.
Con los datos recopilados de distintas
estaciones de Amrica se procede a utilizar
los modelos estadsticos como: Gumbel,
Pearson Tipo III, log Pearson Tipo III. El
uso de ellos nos ayuda a realizar ajustes de
distribucin emprica de variables
hidrolgicas como precipitaciones mximas
anuales, mensuales entre otras.
En el presente documento se pretende
realizar un anlisis comparativo del
fenmeno de precipitacin mxima. Se
relacionar los factores antes mencionados
con los datos que se tengan de estaciones
meteorolgicas y sus consecuencias. Para
ello se recurre a un anlisis estadstico con
datos disponibles de diferentes estaciones
en distintos pases. De tal forma que se
pueda explicar las situaciones
meteorolgicas y climticas en la que
dichas localidades viven.
MARCO TERICO
Se denomina precipitacin a cualquier tipo
de agua que cae desde las nubes hacia la
superficie terrestre; es una variable muy
importante en la hidrologa porque tiene un
papel fundamental en el balance hdrico; su
debido control nos dar una prediccin de
inundacin o sequia; y tener un diseo de
alcantarillado y acueductos. Hay distintas
formas de precipitaciones entre estas
tenemos: lluvia, llovizna, nieve, granizo,
agua nieve, roco. (Gua de Practicas
HidrolgicasOMN-N.168, p.320, 1994;
Casas, Higueras, p.54, 55, 1977; Petterseen,
1976).
El cambio climtico (CC) y la variabilidad
climtica hoy en da estn causando
frecuentes modificaciones en las
precipitaciones, por lo cual afecta
principalmente a ecosistemas y sectores
socioeconmicos, prdidas de vidas
humanas, migracin de especies entre otras
consecuencias. Es por ello necesario hacer
un estudio de las precipitaciones mximas a
escala diaria, y mediante las mediciones
realizar la mayor cantidad de los estudios
sobre el control y uso del agua. (Cceres,
L., Meja, R., & Ontaneda, G. 1998; Gitay,
Suarez, Watson y Dokken, p 1-2,2002).
Se necesita que los registros histricos sean
coherentes y continuos para establecer un
estudio que de a conocer la variabilidad de
los elementos meteorolgicos, reduciendo
las posibilidades de tener resultados
errneos, por ende es requerido calcular los
datos faltantes para no sesgar los resultados.
(Massetti, 2013; Alfonso, A. P. y A.
Florido, 1992)
Para el propsito de esta investigacin, las
series de datos deben someterse a un
control de su calidad despus de la
recopilacin y antes del anlisis. Dicho
control incluye diferentes aspectos tales
como: homogeneidad de los datos,
identificacin de valores aberrantes, falta de
datos o estrategias de sustitucin de las
brechas (WMO 2008; Bianchi, A. Yaez C.
,1992).
Existen aparatos los cuales ayudan a tomar
medidas de precipitaciones. Podemos
nombrar al pluvigrafo el cual tiene por
funcin registrar de forma continua la
cantidad y duracin de la precipitacin en
milmetros; a diferencia del pluvimetro
que solo mide la cantidad de la lluvia en un
periodo de tiempo. (Len. A, Hernndez. A,
Monagas. M, Andalia. A.2013; Aparicio,
Francisco Javier .1997).
Estos dispositivos nos proveen datos, con
ellos procedemos a graficar la curva masa o
tambin el respectivo hietograma, la curva
masa es una grfica de precipitacin
acumulada en un determinado tiempo, en
cambio el hietograma es un grfico de
intensidad en tiempo determinado.Se
emplea este tipo de curvas para representar
las caractersticas de las tormentas como
cambio de altura de lluvia o de su
intensidad en caso de ser
necesario.(Hidrologa 1,Unidad 5.Segeder
C, Villodas.R; Garca, O. y Susana,
G.1989; Garca, Enriqueta .2003; Searcy, J.
K. and Hardison, C. H. 1960)
Es lgico pensar que la lluvia no tiene la
misma altura incluso si los datos se toman
en lugares cercanos. Y de hecho es as. Es
por eso que al momento de hacer anlisis se
utilizan mtodos, que pueden ser grficos y
estadsticos, para estimar la precipitacin
promedio, mxima, probabilidad de lluvia,
homogeneidad y otras variables que puedan
hacer falta.
Ahora, al momento de analizar datos de
alguna estacin podemos encontrar una
gran problemtica la falta de
informacin, donde para solucionarlo
encontramos metodologas que con ayuda
de estaciones aledaas podemos completar
estos datos para continuar nuestros
estudios. Antes de empezar con esta
actividad debemos verificar la
homogeneidad e independencia de los
mismos. Para considerar una muestra
homognea observamos la media,
desviacin estndar, coeficiente de
correlacin del muestreo donde los mismos
se alteran con el tiempo, esto es atribuible a
actividades antrpicas. Para empezar con
los anlisis de frecuencias se requiere que la
muestra contenga variables aleatorias. (
Gandin, L. S. and Kagan, R. L. 1970; Karl,
T. R., and R. W. Knight, 1998)
Para el diseo y la planeacin de obras
hidrulicas se debe recurrir al estudio de
probabilidad para predecir eventos
hidrolgicos futuros. La probabilidad
relaciona dos conceptos, el periodo de
retorno, el cual se define como el tiempo en
que transcurre dos sucesos iguales; y la
probabilidad de excedencia, que es la
probabilidad asociada a un periodo de
retorno. (Pizarro y Novoa ,1986)
El anlisis de frecuencias es un estudio de
mucha importancia donde su objetivo es
estimar la cantidad de lluvia que cae en un
sitio determinado o en un tiempo especfico
y en un periodo de retorno. Se han
propuesto diversas funciones estadsticas de
las cuales vamos a usar: Distribucin Log
Normal, Pearson Tipo III y Gumbel. Uno
de los grandes problemas es la eleccin de
un modelo apropiado, esto depende en gran
parte de las caractersticas del sitio a tratar.
(Gregow, E., Pessi, A., Mkel, A., and
Saltikoff, E, 2007)
La distribucin Pearson Tipo III tanto como
la Gumbel se la utiliza como referencia para
comparar varias distribuciones tericas de
ajuste con una distribucin emprica y para
realizar ajustes de distribucin emprica de
variables hidrolgicas de precipitacin,
caudales, temperatura, etc., tales como
valores anuales, mensuales o valores
acumulados. ( Sevruk, B. and Geiger, H.
1981)
La distribucion Log Normal es de gran
importancia en el calculo de valores
extremos de caudales y precipitaciones, por
otro lado la distribucion Pearson Tipo III es
una de las mas utilizadas en lo referente a
Hidrologia ,dado que cuando se efectuan
prediccion con grandes periodos de
retorno,esta es la mas conifable. (Haan,
C.T. 1986)
Son de gran inters las estadsticas de La probabilidad de que un evento no ocurra
precipitaciones extremas ya que sirven para el siguiente ao se la denota con q, la
diferentes propsitos en la ingeniera. cual la obtenemos de la Ecuacin 1.
Normalmente se manejan en trminos de
periodo de retorno promedio, = 1 ( 2)
convencionalmente derivados de los datos
= 1 1 ( 3)
de una distribucin de probabilidad
paramtrica que se ajuste a los mayores
Tomando la Ecuacin 3, obtenemos la
valores en el registro climatolgico. Debido
probabilidad de que un evento no ocurra en
a que se suele desear extrapolaciones ms
N aos:
all de los datos disponibles, las
distribuciones se utilizan para suavizar
(1 1) = ( 4)
las distribuciones volviendo dichas
extrapolaciones viables. (Wilks, 1993; Tomando la ecuacin 4, obtenemos la
Tukey, J. W. 1977) probabilidad que si ocurra el evento al
menos una vez en N aos:
Weibull (1939) establece que por medio de
su mtodo grfico se puede predecir los
= 1 (1 1) ( 5)
eventos de precipitacin en funcin del
periodo de retorno de estos eventos.
A continuacin enunciaremos los distintos
tipos de distribuciones que vamos a usar
METODOLOGIA
Log Pearson Tipo III
En el presente artculo se parte de la
recopilacin de los datos, que fueron
Usaremos la Distribucin Log Pearson Tipo
obtenidos del banco mundial, y consiste en
III, en la misma aplicaremos logaritmo de
las precipitaciones mensuales de distintos
los datos, las cuales nos dar predicciones
pases desde el ao 1901 hasta 2012, es
con grandes periodos de retorno.
decir 112 aos de estudio.
Su funcin es la siguiente:
Los pases elegidos para su respectivo
procesamiento de datos y anlisis son ( )1 ()
() = (Ecuacin 8)
Canad, Estados Unidos, Mxico, ()
Guatemala, Honduras, Puerto Rico,
Panam, Colombia, Venezuela, Guyana, =
Ecuador y Per, todos pertenecientes al
Donde sus 3 parmetros:
continente americano.
2
2
Periodo de Retorno =( ) (Ecuacin 7)

El periodo de retorno T es el intervalo
= (Ecuacin 8)
medio de tiempo durante el cual existe una
probabilidad en el que un valor extremo
supere un valor ya prefijado =
(Ecuacin 9)

As la probabilidad de que un evento sea =Es el coeficiente de asimetra de los

superado es el inverso de su periodo. logaritmos de datos

= 1 ( 1)
A continuacin usaremos la frmula de (Ecuacin 12)
Chow transformada logartmicamente:
Coeficiente de asimetra:
log() =
log() + log()
3
=1[log( )
log()]
(Ecuacin 10) = 3
( 1) ( 2) (log() )
Donde:
(Ecuacin 13)
El valor medio:
El valor de , se obtiene tabulando, de
=1 log( ) acuerdo a la probabilidad de ocurrencia y al

log() = (Ecuacin 11)
tiempo de retorno; en la siguiente tabla
presentada, se obtiene dicho coeficiente
Desviacin Estndar: ( = )

2
=1[log( )
log()]
log() =
1

Coeficiente Periodo de retorno en aos

de 1,0101 1,25 2 5 10 25 50 100
asimetra Probabilidad en porcentaje
99 80 50 20 10 4 2 1
3,0 -0,667 -0,636 -0,396 0,420 1,180 2,278 3,152 4,051
2,8 -0,714 -0,666 -0,384 0,460 1,210 2,275 3,114 3,973
2,6 -0,769 -0,696 -0,368 0,499 1,238 2,267 3,071 3,889
2,4 -0,832 -0,725 -0,351 0,537 1,262 2,256 3,023 3,800
2,2 -0,905 -0,752 -0,330 0,574 1,284 2,240 2,970 3,705
2,0 -0,990 -0,777 -0,307 0,609 1,302 2,219 2,912 3,605
1,8 -1,087 -0,799 -0,282 0,643 1,318 2,193 2,848 3,499
1,6 -1,197 -0,817 -0,254 0,675 1,329 2,163 2,780 3,388
1,4 -1,318 -0,832 -0,225 0,705 1,337 2,128 2,706 3,271
1,2 -1,449 -0,844 -0,195 0,732 1,340 2,043 2,542 3,022
1,0 -1,588 -0,852 -0,164 0,580 1,340 2,043 2,542 3,022
0,8 -1,733 -0,856 -0,132 0,780 1,336 1,993 2,453 2,891
0,6 -1,880 -0,857 -0,099 0,800 1,328 1,939 2,359 2,755
0,4 -2,029 -0,855 -0,066 0,816 1,170 1,880 2,261 2,625
0,2 -2,178 -0,850 -0,033 0,830 1,301 1,818 2,159 2,472
0,0 -2,326 -0,842 0,000 0,842 1,281 1,751 2,054 2,326
-0,2 -2,472 -0,830 0,033 0,850 1,258 1,680 1,945 2,178
-0,4 -2,615 -0,816 0,066 0,855 1,231 1,606 1,834 2,029
-0,6 -2,755 -0,800 0,099 0,857 1,200 1,528 1,720 1,880
-0,8 -2,891 -0,780 0,132 0,856 1,166 1,448 1,606 1,733
-1,0 -3,022 -0,758 0,164 0,852 1,128 1,366 1,492 1,588
-1,2 -3,149 -0,732 0,195 0,844 1,086 1,282 1,379 1,449
-1,4 -3,271 -0,705 0,225 0,832 1,041 1,198 1,270 1,318
-1,6 -3,388 -0,675 0,254 0,817 0,994 1,160 1,166 1,197
-1,8 -3,499 -0,643 0,282 0,799 0,945 1,035 1,069 1,087
-2,0 -3,605 -0,609 0,307 0,777 0,895 0,959 0,980 0,990
-2,2 -3,705 -0,574 0,330 0,752 0,844 0,888 0,900 0,905
-2,4 -3,800 -0,537 0,351 0,725 0,795 0,823 0,830 0,832
-2,6 -3,889 -0,499 0,368 0,696 0,747 0,764 0,768 0,769
-2,8 -3,973 -0,460 0,384 0,666 0,702 0,712 0,714 0,714
-3,0 -4,051 -0,420 0,396 0,636 0,660 0,666 0,666 0,667
Tabla 1: Constante k para Log Pearson
El coeficiente K, se lo puede obtener con logaritmos y la variable normalizada z, la
la siguiente formula, la misma que depende cual depende del periodo de retorno.
del coeficiente de asimetra de los

2.51557 + 0.802853 + 0.010328 2

= (Ecuacin 14)
1 + 1.432788 + 0.189269 2 + 0.001308 3

Donde:

1 1/2
= [ ] ; 0 < 0.5
2
Siendo:
(Ecuacin 15)
:
1/2
1 :
= [ ( )] ; > 0.5
(1 )2
: ()
(Ecuacin 16)

De los parmetros z y Coeficiente de Asimetra

1 3 2 3 4 1 5
+ ( 2 1) + ( 6) ( 2
) ( 1) ( ) +( ) + ( )
6 3 6 6 6 3 6

(Ecuacin 17)

Pearson Tipo III Donde:

La distribucin Pearson tipo 3 es una de las 2 = 12 1 (Ecuacin 19)

ms usadas en hidrologa. La funcin = 1 1 + 1 (Ecuacin 20)
Pearson se la usa para ajustar la distribucin
de frecuencia de variables como valores de El valor de y se obtiene como:
precipitacin extremas y volmenes de
lluvia de corta duracin. 1
= (Ecuacin 21)
1
El coeficiente de sesgo se lo calcula con:
Y
=1(( )2 )3/2
= (Ecuacin 18) 21 = (Ecuacin 22)
3
 Distribucin Chi-Cuadrado (X^2)=2*y
Grados 0,995 0,99 0,975 0,95 0,9 0,75 0,25 0,1 0,05 0,025 0,01 0,005
de
libertad
1 7,9 6,6 5,0 3,8 2,7 1,3 0,1 0,0 0,0 0,0 0,0 0,0
2 10,6 9,2 7,4 6,0 4,6 2,8 0,6 0,2 0,1 0,1 0,0 0,0
3 12,8 11,3 9,3 7,8 6,3 4,1 1,2 0,6 0,4 0,2 0,1 0,1
4 14,9 13,3 11,1 9,5 7,8 5,4 1,9 1,1 0,7 0,5 0,3 0,2
5 16,7 15,1 12,8 11,1 9,2 6,6 2,7 1,6 1,1 0,8 0,6 0,4
6 18,5 16,8 14,4 12,6 10,6 7,8 3,5 2,2 1,6 1,2 0,9 0,7
7 20,3 18,5 16,0 14,1 12,0 9,0 4,3 2,8 2,2 1,7 1,2 1,0
8 22,0 20,1 17,5 15,5 13,4 10,2 5,1 3,5 2,7 2,2 1,6 1,3
9 23,6 21,7 19,0 16,9 14,7 11,4 5,9 4,2 3,3 2,7 2,1 1,7
10 25,2 23,2 20,5 18,3 16,0 12,5 6,7 4,9 3,9 3,2 2,6 2,2
11 26,8 24,7 21,9 19,7 17,3 13,7 7,6 5,6 4,6 3,8 3,1 2,6
12 28,3 26,2 23,3 21,0 18,5 14,8 8,4 6,3 5,2 4,4 3,6 3,1
13 29,8 27,7 24,7 22,4 19,8 16,0 9,3 7,0 5,9 5,0 4,1 3,6
14 31,3 29,1 26,1 23,7 21,1 17,1 10,2 7,8 6,6 5,6 4,7 4,1
15 32,8 30,6 27,5 25,0 22,3 18,2 11,0 8,5 7,3 6,3 5,2 4,6
16 34,3 32,0 28,8 26,3 23,5 19,4 11,9 9,3 8,0 6,9 5,8 5,1
17 35,7 33,4 30,2 27,6 24,8 20,5 12,8 10,1 8,7 7,6 3,4 5,7
18 37,2 34,8 31,5 28,9 26,0 21,6 13,7 10,9 9,4 8,2 7,0 6,3
19 38,6 36,2 32,9 30,1 27,2 22,7 14,6 11,7 10,1 8,9 7,6 6,8
20 40,0 37,6 34,2 31,4 28,4 23,8 15,5 12,4 10,9 9,6 8,3 7,4
21 41,4 38,9 35,5 32,7 29,6 24,9 16,3 13,2 11,6 10,3 8,9 8,0
22 42,8 40,3 36,8 33,9 30,8 26,0 17,2 14,0 12,3 11,0 9,5 8,6
23 44,2 41,6 338,1 35,2 32,0 27,1 18,1 14,8 13,1 11,7 10,2 9,3
24 45,6 43,0 39,4 36,4 33,2 28,2 19,0 15,7 13,8 12,4 10,9 9,9
25 46,9 44,3 40,6 37,7 34,4 29,3 19,9 16,5 14,6 13,1 11,5 10,5
26 48,3 45,6 41,9 38,9 35,6 30,4 20,8 17,3 15,4 13,8 12,2 11,2
27 49,6 47,0 43,2 40,1 36,7 31,5 21,7 18,1 16,2 14,6 12,9 11,8
28 51,0 48,3 44,5 41,3 37,9 32,6 22,7 18,9 16,9 15,3 13,6 12,5
29 52,3 49,6 45,7 42,6 39,1 33,7 23,6 19,8 17,7 16,0 14,3 13,1
30 53,7 50,9 47,0 43,8 40,3 34,8 24,5 20,6 18,5 16,8 15,0 13,8

Tabla 2: Distribucin Chi-Cuadrado


Gumbel ( )
= (Ecuacin 30)

La funcin de densidad acumulada (cdf) = =1
probabilidad de NO excedencia:
()
( < ) = = () = 1/2
(ln( ) )
= [ ] (Ecuacin 31)
(Ecuacin 23) 1
=1

Tomando la Ecuacin obtuvimos la ln()

probabilidad de excedencia: = (Ecuacin 32)

( ) = = 1 ()
() ANALISIS DE RESULTADOS
= 1

(Ecuacin 24 ) Al analizar los valores de las

Para una muestra de tamao infinito o muy
grande los parmetros de la distribucin se
definen de la siguiente manera:
1 esta. De esta forma Estados Unidos y
= (Ecuacin 25)
0.779696
= 0.4506 (Ecuacin 26)
Existe tambin una manera de calcular la
probabilidad de excedencia para las
precipitaciones usando una ecuacin
propuesta por Gringerton. Dicha ecuacin
se define de la siguiente manera:
0.44
=1=1 (Ecuacin 27)
+ 0.12
Donde m es el orden de las ocurrencias
mximas ordenados de mayor a menor y N
es el total de datos.
Log-Normal
La probabilidad de no excedencia:
P(x X) = q = F(x)
x
= f(x)dx (Ecuacin 28)
0 excedencia de la lluvia mxima ocurrida
La funcin de densidad probabilstica (pd):
()
2 Gumbel.
1 1 12(ln()
)
= (Ecuacin 29)
2
precipitaciones mensuales de diferentes 12
pases de Amrica se logran apreciar en
primer plano cmo los pases ms cercanos
a la lnea ecuatorial poseen precipitaciones
mayores que los pases ms alejados de
Canad fueron los pases con menores
alturas de precipitacin al mismo tiempo
que los ms alejados de la zona ecuatorial
de los pases analizados.
Luego hallando para distintos periodos de
retorno las correspondientes alturas de
lluvia se observa que en los pases de la
zona intertropical tienen mayores
probabilidades de presentarse eventos
extremos de este tipo.
Como un claro ejemplo de lo anteriormente
mencionado se puede observar que para un
periodo de retorno de aproximadamente 60
aos a Estados Unidos le corresponde una
altura de precipitacin mensual de 84 mm
mientras que Ecuador para dicho periodo de
retorno tiene una altura de precipitacin de
550 mm.
Se tiene calculada la probabilidad de
durante 112 aos en varios pases mediante
las distribuciones log Pearson, Gumbel y
mediante la frmula de Gringerton para
 Revisando datos se concluye que
Gringerton debe ser descartada. Da como
resultado probabilidades muy diferentes a
las otras dos distribuciones. Esto ocurre
porque Gringerton basa su anlisis en un
ranking y dos constantes propuestas por el
mtodo. No relaciona datos de ninguna
manera.
Comparacin respecto a pases de la
misma zona tropical o que se encuentre
en latitudes cercanas.
Se agrupa Estados Unidos, Canad y
Mxico, pases de Norteamrica que no
900
Precipitaciones (mm)
800 654.825
700
600 456.25165
500
400
300
200 85.237816
100
0
Ilustracin 1: Precipitaciones mximas de pases de Amrica (1901-2012)
De acuerdo al grfico, se observa que los
pases mientras se encuentren ms lejos de
la lnea ecuatorial las precipitaciones
disminuyen. Algunos de los factores
importantes que inciden en esta variacin
son: proximidad al mar y las corrientes
marinas clidas, la altitud, latitud (en el
ecuador el aire es ms clido y hmedo y
lluvias ms abundantes que en los polos
donde el aire es frio y seco).
Las mayores precipitaciones en 112 aos de
estudio tomando datos mensuales se dieron
en Panam, Guatemala, Puerto Rico y
Honduras todos ellos pases de Amrica
central. A medida que nos vamos para
Venezuela, Ecuador y Colombia las
estn situados en latitudes cercanas pero
comparten la misma zona por encima del
trpico de Cncer; Honduras, Guatemala y
Puerto Rico estn a 1500, 1530 y 18 de
latitud, por lo que tambin se los agrupa;
Panam, Venezuela y Per se encuentran a
9, 8 y 10 sobre la lnea ecuatorial
respectivamente de manera que se espera
condiciones climatolgicas similares;
finalmente Guyana y Colombia que estn a
5 y 4 al Norte con Ecuador que est a 2
Sur se forman un cuarto grupo para el
anlisis por zona iso-meteorolgicas.
787.8163 781.9821
611.0304
559.4041 562.27045
425.2665
329.73935
222.69987
66.439545
tiempo (mes)
precipitaciones comienzan a disminuir, pero
si nos vamos an ms hacia el sur o hacia el
norte las precipitaciones disminuyen
notablemente.
Comparacin de distribuciones
La buena eleccin de una distribucin de
probabilidades nos permite llevar acabo un
adecuado anlisis de frecuencia. El anlisis
de frecuencia es un proceso en el cual se
obtienen valores de variable hidrolgica
para un periodo de retorno. Estos valores se
utilizan para el diseo de obras de control y
mitigacin de eventos extremos sean estos
mximos o mnimos.
Una distribucin es ms confiable en distribuciones para cada pas. De esta forma
medida que pronostique mejor la variable se puede apreciar hasta que tiempo tienen
deseada. Las siguientes grficas comparan orientacin similar.
la precipitacin observada con la calculada
a travs de los mtodos Gumbel y Pearson En total se hizo este anlisis con 14 pases
Tipo III. Tambin se muestra la curva de de Amrica, pero por motivos de espacio se
Precipitacin vs Periodo de Retorno de 4 presentan los resultados de los
representantes de cada grupo.

Norte Amrica

140

120
Precipitaciones (mm)

100 Distribucion Gumbel

80
Precipitaciones
60

40
Distribucion Pearson
20 tipo III

0
0.01 0.1 1 10 100 1000
Probabilidad (%)

Ilustracin 2: Curvas de distribuciones Estados Unidos - ao (1901-2012)

La curva de precipitaciones, se ajusta de Por otro lado la distribucin Gumbel solo

mejor forma a la distribucin Pearson tipo se ajusta del 3% al 100% por lo que para
III para probabilidades de 0.6% a 100% En probabilidades ms pequeas y mayores
probabilidades menores del 0.6% y periodos de retornos realiza una mala
periodos de retornos grandes los datos proyeccin de las alturas de precipitacin.
calculados se alejan un poco de la
orientacin de Pearson pero an sigue
siendo la distribucin de mayor ajuste.

140
120
Precipitaciones (mm)

100
80 Gumbel
60 Log pearson
40 Pearson
20 Log normal
0
0.1 1.0 10.0 100.0 1000.0 10000.0
T (aos)

Ilustracin 3: Curva de distribuciones, Estados Unidos (1901-2012)

Para periodo de retorno hasta 14 aos los
cuatro tipos de distribuciones se comportan
de forma muy similar, de ah en adelante la
distribucin Gumbel y log-Normal se
incrementan. Este cambio indica que
podran no ser de buen ajuste para periodos
de retornos ms grandes. Las otras dos
Centro Amrica
distribuciones se comportan de manera
similar. Ambas se podran usar para realizar
proyecciones muy profundas. Al momento
de realizar un proyecto como represa, se
usar la distribucin de mejor ajuste para no
sobredimensionar y aumentar costos.

1200

1000
Precipitaciones (mm)

800 Distribucion
Gumbel
600 Precipitaciones

400 Distribucion
Pearson tipo III
200

0
0.01 0.1 1 10 100 1000
-200
Probabilidad (%)

Ilustracin 4: Curva de distribuciones Panam - ao (1901-2012)

La curva de precipitaciones, se ajustan de pequeas y periodos de retornos grandes

forma similar a las distribuciones Pearson hay un cambio en el ajuste de las
tipo III y Gumbel para probabilidades de distribuciones.
0.7% a 100%.En probabilidades ms
3000

2500
Precipitaciones (mm)

2000 Gumbel

1500 Log pearson

Pearson
1000
Log normal
500

0
0.1 1.0 10.0 100.0 1000.0 10000.0
-500
T (aos)

Ilustracin 5: Curva de distribuciones, Panam - ao (1901 - 2012)

Para periodo de retorno hasta 10 aos los
cuatro tipos de distribuciones se comportan
de forma muy similar, de ah en adelante la
distribucin log normal se incrementa casi
exponencialmente por lo que no sera de
buen ajuste por su poca linealidad. Las
otras distribuciones se crecen de forma
parecida entre s pero la que predomina en
mejor ajuste son las distribuciones Gumbel,
y log Pearson.
Las distribuciones Gumbel, Pearson y log Al momento de realizar un proyecto como
Pearson se ajustan de forma muy similar represa, se usar la distribucin de mejor
hasta periodos de retornos 100 aos ajuste para no sobredimensionar y aumentar
mientras que la distribucin log Pearson no costos.
es buena para proyectar las precipitaciones.

Sur Amrica

700

600
Precipitaciones (mm)

Distribucion Gumbel
500

400
Precipitaciones
300

200 Distribucion Pearson

tipo III
100

0
0.01 0.1 1 10 100 1000
Probabilidad (%)

Ilustracin 6: Curvas de distribuciones Ecuador - (1901-2012)

La curva de precipitaciones, se ajustan de retornos grandes los datos de

igual forma tanto la distribucin Pearson precipitaciones pegan un salto podra ser
tipo III y Gumbel para probabilidades de causa de un fenmeno natural. Hay que
0.2% a 100%. Probabilidades menores del tener en consideracin estos saltos ya que
0.2% es decir ms pequeas y periodos de esto ocasionara el colapso de un proyecto.

900
800
700
Precipitaciones (mm)

600
Gumbel
500
Log pearson
400 Pearson
300 Log normal
200
100
0
0.1 1.0 10.0 100.0 1000.0 10000.0

T (aos)

Ilustracin 7: Curvas de distribuciones, Ecuador - (1901-2012)

Para periodo de retorno hasta 70 aos los
cuatro tipos de distribuciones se comportan
de forma muy similar, de ah en adelante la
distribucin log normal sera la de mejor
ajuste ya que hay un evento natural que
provocara el colapso de alguna estructura.
Las distribuciones log Pearson, Pearson y
Gumbel se comportan muy similares debido
a ese salto en las precipitaciones no son de
buen ajuste al momento de realizar
proyecciones.

Proyeccin de T=200
Extrapolacin Gumbel Log Pearson Pearson Log
de los datos Normal

Canad 72 78 77 70 76
Estados Unidos 88 94 83 83 89
Mxico 241 242 457 226 446
Guatemala 886 800 1179 734 1422
Puerto Rico 746 511 434 498 673
Honduras 717 570 627 505 1106
Panam 834 696 736 630 1135
Colombia 445 486 412 406 534
Venezuela 492 509 557 443 806
Guyana 583 598 622 495 818
Ecuador 681 426 420 415 462
Per 384 293 264 257 319

Tabla 3: Comparacin de valores de las proyecciones de eventos de precipitaciones mensuales

por extrapolacin de los datos y distintas distribuciones al periodo de retorno de 200 aos para
los 12 pases estudiados.

La extrapolacin de los datos usada, es
nicamente la proyeccin de un nuevo
valor al periodo de retorno de 200 aos,
considerando los incrementos anteriores
entre periodos de retorno conocidos, de
manera que nos da un valor de referencia
que puede ser comparado con los valores
que arrojan las distribuciones.
Segn la similitud en los resultados
obtenidos, observamos cmo en la mayora
de casos la distribucin Log Normal ofrece
el valor ms elevado para el periodo de
retorno dado. Segn la similitud de
resultados se pueden dividir en distintos
grupos:
Canad y Estados Unidos: No hay un
resultado que sea extremadamente diferente
de los otros.
que los valores obtenidos por las
distribuciones. En el caso de Ecuador y
Per incluso resultan ser mayores las
precipitaciones mensuales al periodo de
retorno de 112 aos (562mm y 329mm
respectivamente), que las precipitaciones
dadas por las distribuciones al T de 200
aos, dada esta situacin es probable que
las condiciones en las que se encuentran
estos dos ltimos pases sean desfavorables
para la prediccin de precipitaciones
mensuales por las distribuciones usadas en
este artculo.
Guatemala, Honduras y Panam: En todos
estos casos la distribucin Log normal
arroja valores muchos mayores al dado por
el resto de distribuciones, por lo cual no se
considerara viable en dichas localidades.

Puerto Rico, Ecuador y Per: La

extrapolacin de los datos resulta ser mayor
CONCLUSIONES En lugares con precipitaciones muy bajas,
si, en caso de requerirse la construccin de
Remitindonos a la grfica (el diagrama de una obra civil se eligiera la distribucin que
barras), entre ms alejado se encuentre un arroje los resultados ms conservadores de
pas de la lnea ecuatorial, sus la probabilidad de una precipitacin a cierto
precipitaciones disminuirn. periodo de retorno, comnmente incidir
menos en el costo que si se toma el
Comparando las distribuciones usadas se
resultado ms conservador en un lugar de
pudo comprobar que no existe un modelo
abundantes precipitaciones, ya que una
que pronostique a la perfeccin los datos
variacin de cierto porcentaje en un lugar
reales. Durante el anlisis tuvimos casos
de muchas precipitaciones significar una
donde Pearson Tipo III se ajustaba mejor a
gran diferencia de altura, en comparacin la
la precipitacin real, mientras que en otros
misma variacin respecto a precipitaciones
era Gumbel el mtodo ms preciso. Esto
muy bajas.
significa que el modelo matemtico que se
use depende de la variabilidad del evento
RECOMENDACIONES
analizado.
Obtener la mayor cantidad de datos de una
Se concluye que las cuatro distribuciones
fuente confiable, con los mismos se puede
revisadas trabajan de manera similar hasta
obtener una mejor precisin de eventos
perodos de retorno hasta de 10 aos. Esto
futuros.
significa alcanzar probabilidades de 0.1%.
Es tiempo suficiente para garantizar la
seguridad de una obra civil, lo que los hace
mtodos eficientes.
9.-BIBLIOGRAFIA Garca, O. y Susana, G(1989): Anlisis de
las lluvias torrenciales de junio en la
Yarleque,C. Posadas,A. Quiroz,R. regin oriental. Rev. Cubana Meteorol,
Reconstruccin de datos de precipitacin 2(1): 86-90.
pluvial en series de tiempo mediante Prof. Dr. Alcides Juan Len Mndez, Ing.
transformadas de wavelet con los niveles Arturo Hernndez Gonzlez, Inv. Maray
de composicin,ISBN 978-92-9060-315-
Garrido Monagas, Ing. Arlex Israel
3)
Gua de Prcticas Hidrolgicas. Andalia Gilbert, Captacin de lluvia con
Adquisicin y Procesos de datos, anlisis, pluvigrafos de cubeta y su
prediccin y otras aplicaciones.OMN. postprocesamiento, ISSN 1680-0338.
N.168.ISBN 92-63-30168-9 Recuperado el 19 de diciembre del 2016
Jos Manuel Casas Torres y Antonio Garca, Enriqueta (2003). Distribucin
Higueras Arnal. Compendio de Geografa de la precipitacin en la Repblica
General pginas 54 y 55. Ediciones Mexicana Investigaciones Geogrficas.
Instituto de Geografa, Boletn 50.
RIALP Madrid (1977) ISBN 84-321-
Searcy, J. K. and Hardison, C. H. 1960.
0249-0
Double Mass Curves, U, S. Geological
Petterseen S. (1976). Introduccin a la
Survey, Water-Supply Paper 1541-B, p.
Meteorologa. Ed. Espasa-Calpe
66.
Petterseen S. (1976).
Gandin, L. S. and Kagan, R. L. 1970.
Cceres, L., Meja, R., & Ontaneda, G.
Statistical Methods for the Interpretation
(1998). Evidencias del cambio
of Meteorological Data (in Russian).
climtico. Bull. Inst. fr. tudes
Leningrad.
andines, 27(3), 547-556.
Karl, T. R., and R. W. Knight, 1998:
Gitay,H.,Suarez,A.,Watson,R.,Dokken,D,
Secular trends of precipitation amount,
(2002)Cambio Climatico y Biodiversidad
frequency, and intensity in the United
ISBN: 92-9169-104-7
States. Bull. Amer. Meteor. Soc., 79,
Alfonso, A. P. y A. Florido (1992): Las
231 242
grandes precipitaciones en Cuba.
Tukey, J. W. 1977. Exploratory Data
Aspectos fundamentales. Trabajo
Analysis. AddisonWesley.
presentado al Tercer Congreso sobre
IPCC 2001: Climate Change 2001: The
Desastres, La Habana, 7.
Scientific Basis. Houghton, et al., Eds.,
Bianchi, A. Yaez C. (1992) Las
Cambridge University Press, Cambridge,
Precipitaciones en el Noroeste
United Kingdom, 881 pp.
Argentino. INTA Estacin Experimental
Gregow, E., Pessi, A., Mkel, A., and
Agropecuaria Salta. 2 Edicin. Salta.
Saltikoff, E.: Improving the precipitation
Guide to Meteorological Instruments and
accumulation analysis using lightning
Methods of Observation, WMO,2008
measurements and different integration
Len. A, Hernndez. A, Monagas. M,
periods, Hydrol. Earth Syst. Sci., 21, 267-
Andalia. A. Captacin de lluvia con
279, doi:10.5194/hess-21-267-2017,
fluvigrafos de cubeta y su
2017.
postprocesamiento. 2013
Haan, C.T. 1986. Statistical methods in
Aparicio, Francisco Javier
Hydrology. Ames, Iowa, USA: 128 -160
(1997). Fundamentos de Hidrologa de
Sevruk, B. and Geiger, H. 1981. Selection
superficie., Mxico D.F: Limusa-Noriega
of distribution types for extremes of
Editores.
precipitation. World Meteorological
Hidrologa 1, Unidad 5. Segeder C,
Organization, Operational Hydrology
Villodas.R
Report, No. 15, WMO-No. 560, Geneva