PUNO

NDICE
I. RESUMEN ...................................................................................................... vi
II. INTRODUCCIN............................................................................................ 1
2.1. Hiptesis ......................................................................................................................................... 2
2.1.1. Hiptesis general
2.1.2. Hiptesis especficas
2.2. Objetivos del estudio ...................................................................................................................... 2

2.2.1. Objetivo general
2.2.2. Objetivos especficos
III. REVISIN DE LITERATURA .................................................................... 4

3.1. Estimacin de las precipitaciones mximas .................................................................................... 4
3.2. Relaciones intensidad duracin frecuencia .............................................................................. 7
3.3. Anlisis de informacin hidrolgica ................................................................................................ 7
3.4. Funciones de distribucin de probabilidad usadas en hidrologa .................................................. 7
3.4.1. Distribucin Log-normal
3.4.2. Distribucin de Gumbel y Log Gumbel
3.4.3. Distribucin Pearson III y Log Pearson III
3.5. Regionalizacin hidrolgica .......................................................................................................... 10

3.6. Proceso de regionalizacin ........................................................................................................... 10
3.6.1. Hiptesis de partida
10
3.6.2. Distribucin regional de las lluvias mximas
11
3.7. Regresin lineal mltiple .............................................................................................................. 11

3.8. El error estndar de la regresin mltiple (Sxy)............................................................................. 12
3.9. El coeficiente de determinacin r2................................................................................................ 12
3.10. Sistema hidrolgico..................................................................................................................... 13
3.11. Modelo del sistema hidrolgico ................................................................................................. 13
3.12. Modelos ...................................................................................................................................... 13
3.13. Modelos estocsticos.................................................................................................................. 13
3.14. Modelo determinstico ............................................................................................................... 14
IV. METODOLOGA ......................................................................................... 15

4.1. Extensin y Ubicacin ................................................................................................................... 15
4.2. Geologa ........................................................................................................................................ 16
i
4.3. Topografa ..................................................................................................................................... 16

4.4. Climatologa .................................................................................................................................. 17
4.5. Materiales ..................................................................................................................................... 18
4.5.1. Informacin Meteorolgica
18
4.5.2. Informacin Cartogrfica
18
4.5.3. Equipos
18
4.6. Mtodos ........................................................................................................................................ 18

4.6.1. Diseo Estadstico
18
4.6.2. Calibracin de la relacin
19
4.6.3. Validacin de la relacin
19
4.6.4. Anlisis de Variancia
19
4.6.5. Estimacin de parmetros
19
V. RESULTADOS Y DISCUSIN.................................................................... 21
4.1. Prueba de bondad de ajuste de precipitacin mxima a distribuciones de probabilidad ........... 21
4.2. Influencia de los factores climticos en la regionalizacin de precipitaciones mximas ............. 23
4.2.1. Modelo regional de frecuencia de precipitacin mxima para las estaciones
23
4.2.2. La prueba de normalidad de Anderson Darling y estadstica descriptiva
23
4.2.2. Determinacin grupos homogneos de estaciones a travs del anlisis clster
27
4.3. Influencia de los elementos climticos en la regionalizacin de precipitaciones mximas ......... 37

4.3.1. Influencia de la oscilacin de temperatura media y humedad relativa
37
4.3.2. Modelo de Regresin no lineal entre factores, elementos climticos y precipitacin mxima
38
4.3.3. Modelo de Regresin no lineal 1 entre factores, elementos climticos y precipitacin mxima
39
4.3.4. Modelo de Regresin no lineal 2 entre elementos climticos y precipitacin mxima
40
41
4.4. Discusin de resultados ................................................................................................................ 41

4.4.1. Influencia de los factores climticos en la regionalizacin de precipitacin mxima
41
4.4.2. Influencia de los elementos climticos en la regionalizacin de precipitacin mxima
42
4.4.3. Modelos empricos de precipitacin mxima en funcin de factores y elementos climticos

43
VI. CONCLUSIONES ........................................................................................ 44

VII. RECOMENDACIONES ............................................................................. 45
VIII. BIBLIOGRAFA O REFERENCIAS ..................................................... 46
ii
ANEXOS .............................................................................................................. 48
iii
LISTA DE TABLAS
Tabla 1. Ubicaciones geogrficas de las estaciones meteorolgicas estudiadas ......................................... 15
Tabla 2. Resultados de la prueba de bondad de ajuste a las distribuciones ................................................ 22
Tabla 3. La prueba de normalidad de Anderson Darling y estadstica descriptiva .................................... 23
Tabla 4. Coeficiente de asimetra de las variables originales ..................................................................... 24
Tabla 5. Transformaciones realizadas de las variables ............................................................................... 24
Tabla 6. Coeficiente de asimetra de las variables transformadas ............................................................. 25
Tabla 7. Resultados del modelo regresin lineal mltiple .......................................................................... 25
Tabla 8. Anlisis de variancia de la regression de valores transformados ................................................. 25
Tabla 9. Estaciones meteorolgicas con variables para la aplicacin del anlisis clster .......................... 27
Tabla 10. Grupos homogneos de estaciones por anlisis clster ............................................................. 28
Tabla 11. Transformaciones de precipitacin mxima y periodo de retorno ............................................ 29
Tabla 12. Anlisis de regresin del modelo para la regin I ....................................................................... 29
Tabla 13. Anlisis de variancia del modelo para la region I ........................................................................ 29
Tabla 14. Transformaciones realizadas ....................................................................................................... 30
Tabla 15. Resultados del anlisis de regresin del modelo para la regin II .............................................. 31
Tabla 16. Anlisis de varianza de regresin del modelo para la regin II ................................................... 31
Tabla 18. Resultados del anlisis de regresin del modelo para la regin III ............................................. 33
Tabla 19. Anlisis de varianza de regresin del modelo para la regin III .................................................. 33
Tabla 21. Resultados del anlisis de regresin del modelo para la regin IV ............................................. 35
Tabla 22. Anlisis de varianza de regresin del modelo para la regin IV.................................................. 35
Tabla 23. Modelo de Regresin Lineal entre factores y elementos climticos con precipitacin mxima 38
Tabla 24. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima 39
Tabla 25. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima 39
Tabla 26. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima ................. 40
Tabla 27. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima ................ 41
iv
LISTA DE FIGURAS
Figura 1. Grficos de anlisis de los residuales de regresin...................................................................... 26
Figura 2. Dendograma del anlisis clster .................................................................................................. 28
Figura 7. Ajuste del modelo potencial en la estacin Isla Taquile .............................................................. 37
LISTA DE ABREVIATURAS
IDF = Intensidad duracin frecuencia
T = tiempo de retorno
TDPS = sistema hidrogrfico Titicaca Desaguadero Poop Salar de Coipasa
SENAMHI = Servicio nacional de meteorologa e hidrologa
Alt = altitud (msnm)
Lat = latitud sur
Long = longitud oeste
Osc = oscilacin media de temperatura (C)
HR = humedad relativa (%)
I.
RESUMEN
El presente trabajo de regionalizacin de precipitaciones mximas se ha efectuado dentro de la vertiente

del lago Titicaca en el lado peruano, donde existe una carencia de datos pluviogrficos que permitan
confeccionar las relaciones IDF, por lo que se recurre al uso de alturas de precipitacin mxima de 24
horas a fin de cubrir estos vacos de informacin, basndose en la hiptesis de la similitud estadstica
regional. El objetivo del trabajo es determinar la influencia de factores y elementos climticos en la
regionalizacin de las precipitaciones mximas de 24 horas. La metodologa se basa en el uso de
informacin pluviomtrica de las estaciones, su ajuste a distribuciones de probabilidad, anlisis de
frecuencia, anlisis clster y aplicacin de regresin lineal y no lineal mltiple. Se han considerado como
factores climticos: latitud, longitud, altitud; y como elementos se han considerado: oscilacin de la
temperatura, humedad relativa y tiempo de retorno; realizado el modelamiento con variable dependiente
la precipitacin mxima y las variables independientes los factores y elementos climticos, se ha
seleccionado variables en base a las probabilidades p < 0.05 de los coeficientes de los predictores que
explican mejor la precipitacin mxima, adems se utiliz el anlisis clster para agrupar las estaciones
meteorolgicas con datos similares en 05 grupos. En los modelos generados en base a factores climticos
se obtuvieron parmetros estadsticos poco significativos; sin embargo, en los modelos generados en base
de elementos climticos se han obtenido parmetros estadsticos altamente significativos (p<0.05). La
influencia de los elementos climticos como la oscilacin de temperatura media anual y la humedad
relativa media, junto con los factores climticos sobre la precipitacin mxima en un modelo no lineal de
tipo potencial obtuvo un r2 = 47.98% y un r2ajustado = 45.00 %, un error estndar de regresin de 12.55 y un
estadstico de Durbin-Watson de 0.64, indicando que las variables independientes tienen influencia sobre
la variacin de las precipitaciones mximas de 24 horas y que la regresin no es espuria. El modelo ms
adecuado obtenido tiene como ecuacin: Pmax = 193.9512 (T)0.1586(Osc)-0.6508 dnde: Pmax =
precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc = oscilacin media de
temperatura (C); este modelo presenta coeficientes estadsticamente significativos al 95% de confianza,
un r2 = 50% y un estadstico de Durbin-Watson de 0.52 que indica que la regresin no es espuria.
Palabras claves: regionalizacin, precipitacin mxima, vertiente del lago Titicaca, anlisis de clster.
vi
ABSTRACT
This paper of regionalization of maximum precipitation was carried out within the watershed of Lake
Titicaca on the Peruvian side, where there is a lack of data to make IDF pluviographic relationships, so is
used of heigths of maximum precipitation of 24 hours to cover these gaps, based on the hypothesis of
regional statistical similarity. The aim of the study was to determine the influence of climatic factors and
elements in the regionalization of the maximum rainfall of the 24-hour. The methodology is based on the
use of rainfall information of the stations, the probability distributions adjustment, frequency analysis,
cluster analysis and application of non-linear regression and multiple. Have been considered climatic
factors: latitude, longitude, altitude, and like climatic elements have been considered: temperature
oscillation, humidity and time of return, conducted the modeling with the maximum precipitation as
dependent variable and the independent variables the factors and climatic elements has been selected
variables based on p < 0.05 of the coefficients of predictors that best explain the maximum precipitation,
also was used cluster analysis to group the meteorological stations with similar data in 05 groups. In the
generated models based on climatic factors insignificant statistical parameters were obtained, but in the
generated models based on climatic elements were obtained statistical parameters highly significant (p <
0.05). The influence of climatic elements such as the oscillation of annual average temperature and
average relative humidity, together with climatic factors on the maximum rainfall in a nonlinear model
type potential obtained an: r2 = 47.98 %, r2adj. = 45.00 %, standard error of regression of 12.55 and
Durbin-Watson statistic of 0.64, indicating that the independent variables influence the variation of
maximum precipitation of 24 hours and that the regression is not spurious. The most suitable model is
obtained as equation: Pmax = 193.9512 (T)0.1586(Osc)-0.6508 where: Pmax = maximum precipitation of 24hour (mm ), T = return period (years), Osc = average temperature oscillation (C), this model has
statistically significant coefficients at 95 % confidence, r2 = 50 % and Durbin- Watson statistic of 0.52
indicating that the regression is not spurious.
Keywords: regionalization, high rainfall, watershed of Lake Titicaca, cluster analysis
vii
II. INTRODUCCIN
En obras hidrulicas en las que se requiere de un diseo hidrolgico, se recurre al uso de curvas intensidad
duracin - frecuencia (IDF) para estimar una tormenta asociada a un tiempo de recurrencia y calcular el
caudal pico mediante simulacin del proceso lluvia-escorrenta.
Sin embargo, en muchas regiones del altiplano existe una carencia de datos pluviogrficos que permitan
confeccionar las relaciones IDF. Por lo que se recurre a la regionalizacin a fin de cubrir estos vacos de
informacin, basndose en la hiptesis de la similitud estadstica regional.
Unos de los mtodos de extrapolacin de curvas IDF es el denominado de relacin entre duraciones cuya
principal hiptesis considera que los eventos de lluvias de gran intensidad y corta duracin obedecen a
procesos atmosfricos similares, que aparentemente son independientes de la regin de estudio. Para ello
utiliza datos pluviomtricos de distintas estaciones en la zona, que son relativamente ms fciles de obtener
que los pluviogrficos (Faras & Olmos, 2007).
Uno de los problema fundamentales que se observa a nivel de la vertiente del lago Titicaca, es la ocurrencia
de eventos mximos de precipitacin, los cuales causan problemas, como inundaciones dentro de las partes
bajas de la cuenca, destruccin de obras hidrulicas y los deterioros de los suelos agrcolas por la accin de
erosin hdrica, entre otros.
Sin embargo el conocimiento del anlisis de mximas avenidas es de mucha importancia, ya que los
Ingenieros de estructuras hidrulicas aplican el tema de dimensionamiento de obras hidrulicas ya sea para
sistemas de riego, aprovechamiento de la energa hidrulica, carreteras, sistemas de drenaje agrcola,
evacuacin de aguas pluviales en las zonas urbanas, entre otras. Pero es necesario e importante indicar que,
los estudios hidrolgicos constituyen una herramienta bsica para establecer hasta qu punto es factible y
seguro un proyecto de desarrollo hidrulico, dentro de una cuenca hidrogrfica. Uno de los problemas
hidrolgicos que presenta la vertiente del lago Titicaca es la ocurrencia de mximas avenidas que causan
inundaciones, riesgo de vida til de las obras de canalizacin, erosin y transporte de sedimentos, debido al
exceso de lluvias en los meses de Enero, Febrero, y Marzo.
Los daos que causan las avenidas, son notorios en el aspecto econmico y social en las comunidades de la
vertiente, con mayor incidencia en las actividades agrcolas, pecuarias y urbanas de la zona en estudio. Por
otro lado, la seleccin correcta de una avenida de proyecto constituye un aporte esencial de los estudios de
ingeniera, para prevenir y controlar los problemas mencionados, es importante tener un criterio tcnico muy
amplio en el estudio hidrolgico del potencial de avenidas. Para ello, es necesario disponer de informacin
de series de precipitaciones mximas de mayor longitud de registro, esta nos permitir interpretar el
comportamiento hidrolgico de un evento, con el propsito de predecir el riesgo que puede sufrir los
proyectos de mayor envergadura y garantizar la vida econmica de estructuras hidrulicas.
1
La razn fundamental de la presente investigacin es realizar el estudio del efecto de las variables
geogrficas en las precipitaciones mximas de la vertiente, con de propsito de establecer un modelo
regional que permita determinar la precipitacin en cualquier punto dentro de la vertiente.
Por otra parte, los mtodos estadsticos se apoyan en la existencia de series de datos de caudales en el lugar
de inters, las cuales son sometidas a un anlisis de frecuencias usando tcnicas tradicionales de estudio.
Esto implica que la curva de frecuencia definida para un determinado lugar es vlida rigurosamente para ese
lugar; cuando generalmente la informacin que se requiere es en un lugar diferente, donde no existen datos
medidos; la regionalizacin de datos permite combinar informaciones de diversos lugares en la cuenca o
regin, para producir por ejemplo, una curva regional de frecuencias, vlida en toda la regin y lugares sin
informacin; este recurso entre tanto, est limitado a descargas de hasta 100 aos de perodo de retorno. Los
resultados podran ser confiables siempre que existan suficientes datos disponibles y no hayan ocurrido
modificaciones importantes en el rgimen del curso de agua durante el perodo de registro, o despus; se
acepta entonces, la condicin de que el comportamiento del sistema continuar siendo el mismo durante el
perodo de clculo (en el futuro).
En el presente proyecto nos planteamos las siguientes interrogantes:
Cmo es la influencia de factores climticos en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca?
2.1. Hiptesis
2.1.1. Hiptesis general
Existe influencia directa de los factores climticos en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca.
2.1.2. Hiptesis especficas
Los factores climticos tienen influencia directa en la regionalizacin de precipitaciones mximas en la
Los elementos climticos influyen directamente en la regionalizacin de precipitaciones mximas en la
2.2. Objetivos del estudio

2.2.1. Objetivo general
Determinar la influencia de factores climticos en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca
2.2.2. Objetivos especficos

Determinar la influencia de la latitud, longitud y altitud en la regionalizacin de precipitaciones mximas
en la vertiente del lago Titicaca.
Determinar la influencia de los elementos climticos en la regionalizacin de precipitaciones mximas en la
III. REVISIN DE LITERATURA

3.1. Estimacin de las precipitaciones mximas
En un trabajo abordaron un mtodo simple de estimacin de las precipitaciones mximas en 24 horas, ellos
proponen una relacin entre las alturas mensuales de precipitacin y su valor mximo en 24 horas del tipo
potencial, esto es (Morales, Casanova, Castellaro, & Mattar, 2005):

Dnde: P(i) corresponde a la precipitacin media mensual, a y b son constantes a determinar

Ellos (Morales, Casanova, Castellaro, & Mattar, 2005) consideraron la frecuencia de precipitaciones media
mensual como una combinacin lineal del lugar de presin mxima en Chile o lpm (Saavedra, Mller, &
Foppiano, 2002), de tal forma que la ecuacin que los relaciona es del tipo:

Dnde: Lat = representa a la latitud del lugar considerado y lpm(i)= es el lugar de presin mxima en Chile
para el mes i. Los coeficientes a y b dependen de la latitud (Lat) y longitud (lon) y estn dados por:
0.987 0.6850 0.1910 )
3.483 0.0862 0.0221 )
Donde el coeficiente de determinacin muestra que las relaciones explican el 87,9% de la variabilidad,
adems p < 0,01, lo que indica que las variables estn relacionadas significativamente con un 99% de
confianza.
Ellos calcularon la precipitacin mxima en 24 horas a partir de la relacin (Morales, Casanova, Castellaro,
& Mattar, 2005)

21.359495-../
Su modelo explica el 67.2% de la variabilidad, adems p < 0.01, indica que los valores de precipitacin
mxima en 24 horas y los montos medios mensuales estn relacionados significativamente con un 99% de
confianza.
As mismo en un trabajo realizaron el siguiente procedimiento en su estudio de anlisis estadstico y

regionalizacin de las precipitaciones utilizando alturas de precipitacin anual, diarias e intensidades
(Nouvelot, Le Goulven, Alemn, & Pourrut, 1995):
- Determinacin de la altura pluviomtrica promedio anual 0, ya sea utilizando una estacin de referencia o
por interpolacin en el mapa de isoyetas.
- Estimacin de las alturas anuales para diversas frecuencias, ya sea a partir de ecuaciones generales
derivadas de las leyes estadsticas o mediante las relaciones del tipo
Dnde:
-.1 2/ 0, -./ 2 -.1 ; -.-/ 2. -./
P0.5, P0.1, P0.01 = alturas de precipitacin anual para una probabilidad de 0.5, 0.1 y 0.01 respectivamente
(perodo de retorno de 2, 10 y 100 aos).
- Determinacin de la precisin de los resultados en funcin del nmero de aos de observaciones
disponible.
- Estimacin de las alturas pluviomtricas diarias H para diversos perodos de retorno, a partir de las leyes
estadsticas o mediante las relaciones:
6 , 5-./ 2 5-.1 ; 5-.-/ 2. 5-./

5-.1 2/ 5
- Estimacin de diversas frecuencias de las intensidades I ( o de las lminas precipitadas h)

correspondientes a diferentes intervalos de tiempo t, a partir de las lluvias diarias de igual frecuencia F:
78 , 58
Bell con las extrapolaciones realizadas por el USBW para los perodos de retorno de 50 y 100 aos lleg a la
siguiente ecuacin (Bell, 1969):
:;
0.21 ln > 0.52 2 ? > ? 100
:/-
Dnde: T = perodo de retorno (aos), t = duracin (min), :/- = altura de lluvia para una duracin
de t y 10 aos de perodo de retorno, en mm, :; = altura de lluvia para la duracin t y un perodo de
retorno T, en mm.
Para representar la relacin matemtica lluvia-duracin, Bell encontr que la siguiente ecuacin es
la ms conveniente (Bell, 1969)
:;
-.1
0.50 5 ? ? 120
; 0.54
@-
Dnde:
;
@= altura de lluvia para 60 minutos y un perodo de retorno T
Realizando la combinacin de las ecuaciones anteriores obtenidas por Bell se obtiene (Bell, 1969)
;
:; 0.21 ln > 0.520.54 -.1 0.50@-
Si 2 T 100 en aos y 5 t 120 en minutos.

Con la ecuacin anterior se pueden estimar la lluvia para cualquier duracin entre 5 minutos y 2
horas, siempre y cuando no se pierda de vista que es una ecuacin emprica y se respeten los rangos
indicados; la nica desventaja que se tiene en este caso es que se necesita el valor de la
precipitacin con duracin de una hora y el perodo de 10 aos, por lo cual se requiere de contar con
datos pluviogrficos.
Cheng (1983) propone la ecuacin siguiente con la cual se puede calcular la precipitacin para
cualquier duracin y perodo de retorno.
5
:;
/ //- log10C > C/

E F
D
60
Vlida para T 1ao y 5min t 24h

Dnde:
:; = precipitacin, en milmetros para una duracin t y un perodo de retorno T, T = perodo de
retorno (aos), t= duracin (min).
:/-G /:
Los valores de a, b y c = Parmetros de la tormenta que pueden variar segn el factor de

convectividad
/;
H ;

Cheng presenta un nomograma en el cual grfica los parmetros de tormenta contra R (Cheng,
1983).
La desventaja de esta ltima frmula es que requiere dos valores ms que la propuesta por Bell,
pero tambin se toma en cuenta que tiene menos suposiciones (Bell, 1969).
Segn Cheng las suposiciones de Bell no responden a las variaciones geogrficas que toma en
IK
cuenta la relacin H IKJ , ni aquellas medidas por la relacin G

LM
INJOO
INJO
(Cheng, 1983).
Si, tomando en cuenta las consideraciones que realizo Bell, para las relaciones de duracin y
IK
perodo de retorno se supone un IKJ 40% y G

LM
:;
INJOO
INJO
1.48 la ecuacin se reduce a (Bell, 1969):
22.57//- log10-.1 > -. Q

E F
7.48-.R.Q
60
De esta manera slo se requiere el valor de //- , los valores de a1 = 22.57, b1 = 7.48 y
IK
c1 = 0.738 se obtienen de acuerdo a la relacin de IKJ 40% , segn el nomograma de

LM
Cheng (Cheng, 1983).
De acuerdo con los resultados anteriores, se pueden usar varias opciones: si slo se tienen el valor
/de //- , se emplear la ecuacin de Bell, aunque es ms fcil tener valores de
y mediante un
;
anlisis regional se puede obtener el valor de H /; /
, para deducir //- . Por otra parte, si se
tiene un buen registro de aos en 24 h, se puede obtener directamente el valor de x, en caso

contrario, se puede utilizar el valor de 1.48 propuesto por Bell (Bell, 1969).
3.2. Relaciones intensidad duracin frecuencia

En muchos proyectos de diseo hidrolgico, como el diseo de un drenaje urbano, es la determinacin del
evento o los eventos de lluvia que deben usarse. La forma ms comn de hacerlo es utilizar una tormenta de
diseo o un evento que involucre una relacin entre la intensidad de lluvia, la duracin y las frecuencias o
perodos de retorno apropiados para la obra y el sitio. En muchos casos existen curvas estndar de
intensidad-duracin-frecuencia (IDF) disponibles para el sitio, luego no hay que llevar a cabo este anlisis.
Sin embargo es conveniente entender el procedimiento utilizado para desarrollar estas relaciones.
Usualmente los datos se presentan en forma grfica, con la duracin en el eje horizontal y la intensidad en el
eje vertical, mostrando una serie de curvas, para cada uno de los perodos de retorno de diseo (Chow,
Maidment, & Mays, 1994).
3.3. Anlisis de informacin hidrolgica

Los datos hidrolgicos en general, estn constituidos por una larga secuencia de observaciones de alguna
fase del ciclo hidrolgico obtenidas para un determinado lugar. No obstante que un registro largo sea lo
deseable, se debe reconocer que cuanto ms largo es el perodo de registro, mayor ser la posibilidad de
error. Una serie generada en esas condiciones, si los errores o cambios fueran apreciables, es inconsistente, o
carece de homogeneidad.
Para verificar ste tipo de inconsistencia, se usa el mtodo de la curva de doble masa, basado en el hecho de
que un grfico de una cantidad acumulada ploteada contra otra cantidad acumulada durante el mismo
perodo, debe ser una lnea recta siempre que las cantidades sean proporcionales, la inclinacin de la recta
representa la constante de proporcionalidad. Una alteracin en la pendiente de la recta, indicar que ocurri
un cambio en la constante de proporcionalidad entre las dos variables o que tal vez la proporcionalidad no es
constante en todos los niveles de acumulacin (Mejia, 2001).
La consistencia en la determinacin de caudales de diseo por transformacin lluvia-caudal y anlisis de
frecuencia es de vital importancia para el diseo de obras hidrulicas. En la ingeniera prctica, el
dimensionamiento de distintos tipos de obras requiere el clculo de la crecida de diseo para lo cual es
necesario asociar una magnitud de crecida con la probabilidad anual de ser superada, con lo que se presenta
el riesgo hidrolgico del evento (Paoli, Caick y Morreci, 2002).
3.4. Funciones de distribucin de probabilidad usadas en hidrologa

En la estadstica existe decenas de funciones de distribucin de probabilidad tericas; De hecho, existen
tantas como se quiera, y obviamente no es posible probarlas todas para un problema particular. Por lo tanto,
es necesario escoger, de esas funciones, las que se adapten mejor al problema bajo anlisis. Entre las
funciones de distribucin de probabilidad usadas en hidrologa, se estudiarn las siguientes:
Normal, Lognormal, Pearson III y Gumbel.
Las funciones anteriores, aun cuando son las ms comnmente usadas en la hidrologa aplicada, no son
todas, pues el enfoque no es exhaustivo.
3.4.1. Distribucin Log-normal
Es una distribucin para una variable aleatoria cuyos logaritmos siguen una distribucin normal, con
parmetros y . Los datos hidrolgicos, a veces, tienen una distribucin fuertemente asimtrica y en
general en esos casos una transformacin logartmica la convierte en una distribucin normal.
As la funcin de densidad y la funcin de distribucin acumulada de probabilidad son:
f (Y ) =
1 Y

P (Y < Ydado ) = F (Y ) =
1
2
1 Y

2
dY
Dnde:
Y = ln Q o PP para precipitacin; = media poblacional. Promedio de Y.; y = desviacin estndar
de Y (Sy).
La distribucin Log Normal es de gran utilidad porque abre el amplio campo terico de aplicacin de la
distribucin Normal. Como ambas distribuciones, Normal y Log-Normal son de dos parmetros, basta
calcular la media y la desviacin estndar de los caudales o las precipitaciones y de sus respectivos
logaritmos. El grado de ajuste de una serie de datos puede, como en los dems casos, ser examinado a travs
del uso del papel de probabilidades Log Normal, donde debe resultar una recta.
3.4.2. Distribucin de Gumbel y Log Gumbel
Los valores extremos en cuestin seran las descargas o precipitaciones diarias mximas anuales, ya que cada
una es la mxima entre los 365 valores del ao. Para aplicar esa ley, se debe tener en cuenta que existen
muestras, cada una constituida de 365 elementos, del universo de la poblacin infinita de la variable aleatoria
que es el caudal o precipitacin diaria. De acuerdo con la ley de los extremos, la ley de distribucin de la
serie de n trminos constituidos por los mayores valores de cada muestra tiende asintticamente para una ley
simple de probabilidades, que es independiente de la que rige la variable aleatoria a las diferentes muestras y
en el propio universo de la poblacin infinita.
Esa es la base del mtodo de Gumbel (o distribucin de valores extremos Tipo I), en el cual se calcula P por
la siguiente relacin:
P = 1 e e
1
(Q Q + 0.45 Q )
0.7997
Y =
Dnde:
Q = la media de los n caudales o precipitaciones mximas; P= es la probabilidad de que un mximo caudal o

precipitacin media diaria de un ao cualquiera sea mayor o igual a Q, y Q= la desviacin estndar de los n
caudales mximos.
La expresin de Y muestra que existe una relacin lineal entre l y el valor de Q; esa recta puede ser
Q
diseada conocindose: Q =
n
(Q Q )
y SQ =
n 1
El eje donde estn marcados los valores de Y puede ser graduado en tiempos de retorno a travs de la
relacin T =
1
y de esta manera, a cada caudal le corresponde un perodo de retorno; conocindose a este
P
como Papel de Distribucin Gumbel.

El mtodo de Gumbel es de fcil aplicacin y se basa slo en dos parmetros, la media y la desviacin
estndar, mientras que otros mtodos incluyen el coeficiente de asimetra.
Cuando la asimetra es grande, se toma Y = ln Q y se procede al anlisis como en el caso anterior,
constituyndose una distribucin Log-Gumbel; el grfico establecido corresponde a una recta en el papel de
probabilidades correspondiente, si el ajuste es adecuado.
3.4.3. Distribucin Pearson III y Log Pearson III

La distribucin Pearson III posee las caractersticas de ser asimtrica y no negativa, lo que la hace adecuada
para describir los caudales mximos; es una distribucin de tres parmetros. La media, desviacin estndar y
el coeficiente de asimetra, son definidos por las siguientes relaciones:
Q
Q =
n
(Q Q )
=
2S (Q Q )
3
cQ
(Q Q )
SQ =
n 1
n Q 3 3n( Q ) Q 2 + 2n( Q )
n(n 1)(n 2) S Q
La funcin de densidad de y la funcin de probabilidad acumulada estn dadas por:
f (Q) =
(Q ) e
( )
(Q ) e
( )
0
P(Q < Qdado ) = F (Q ) =
dQ
Dnde:
= parmetro de posicin: Q = +
= parmetro de escala: S Q =
= parmetro de forma: cQ =
De forma anloga al caso anterior, si se hace Y = ln Q, se genera la distribucin Log Pearson III,
procedindose con un anlisis semejante (Aparicio, 1992).
3.5. Regionalizacin hidrolgica

El proceso de regionalizacin de lluvias mximas en una cuenca o regin hidrolgica involucra varios
aspectos relacionados con la orografa, con los fenmenos meteorolgicos que inciden en la ocurrencia de las
lluvias, con la presencia de barreras montaosas y con algunos otros ms (Cortes, 2003)
En trminos generales, el proceso de regionalizacin equivale a obtener frmulas o procedimientos factibles
de aplicarse a una regin hidrolgica, aprovechando las caractersticas que son comunes para todos los
puntos de la regin y sealando las particularidades que no son comunes.
3.6. Proceso de regionalizacin

El procedimiento implementado para llevar a cabo de regionalizacin de tormentas convectivas implica
relacionar, en forma integral, varios conceptos asociados con las hiptesis de partida, la distribucin regional
de las lluvias mximas, los factores de ajuste asociados con cortas y largas duraciones, el factor de reduccin
por periodo de retorno, el factor de reduccin por rea (FRA) y la distribucin temporal de la lluvia (Cortes,
2003).
3.6.1. Hiptesis de partida
Las hiptesis establecidas son el punto de inicio del proceso de regionalizacin, ya que se formulan para
analizar el comportamiento de las lluvias de algn tipo. En otras cuencas hidrolgicas ocurren
precipitaciones de tipo orogrfico o ciclnicas y en otras de tipo convectivo, y en estos casos especficos las
10
hiptesis que se formulen deben realizarse para analizar el comportamiento de la lluvia que ocurre con
mayor frecuencia (Cortes, 2003).
3.6.2. Distribucin regional de las lluvias mximas
La distribucin regional de las lluvias mximas se estructura con el apoyo de la hiptesis establecida y para
tal efecto se estipula que los atributos que diferencian un rea de otra, se reflejan en un mapa de isoyetas,
construido con datos de precipitaciones medias anuales y las ventajas obtenidas son: El mapa de isoyetas se
ha construido con informacin obtenida en un gran nmero de estaciones de la cuenca de estudio, registrada
durante un periodo de tiempo grande, lo cual garantiza su confiabilidad; El valor de la variancia de los datos
de precipitacin media anual, es menor que los valores asociadas con duraciones menores; y La hiptesis
establecida, como punto de partida, puede ser aceptada o rechazada de acuerdo con los resultados obtenidos.
Sin embargo, el proceso de la distribucin regional de lluvias mximas debe realizarse para precipitaciones
mximas asociadas a cortas y largas duraciones, y para llevar a cabo tal procedimiento se construyen tres
planos de isoyetas, uno de base y dos de apoyo, con las caractersticas siguientes:
El plano base se construye con datos de precipitacin media anual y se elabora con datos de precipitacin
mxima anual asociada a una duracin de 30 minutos y un periodo de retorno de 5 aos.
El segundo base se construye para el mismo periodo de retorno y con datos de lluvia mxima anual
asociados a una duracin de 24 horas (Cortes, 2003).
3.7. Regresin lineal mltiple

En el caso ms general de la regresin mltiple, existen dos o ms variables independientes
Y$ = b0 + b1 X 1 + b2 X 2 +...
La estimacin de los coeficientes de una regresin mltiple es un clculo bastante complicado y laborioso,
por lo que se requiere del empleo de programas de computacin especializados.
Sin embargo, la
interpretacin de los coeficientes es similar al caso de la regresin simple: el coeficiente de cada variable
independiente mide el efecto separado que esta variable tiene sobre la variable dependiente. El coeficiente
de determinacin, por otro lado, mide el porcentaje de la variacin total en Y que es explicado por la
variacin conjunta de las variables independientes (COLE, 2002).
El anlisis de regresin mltiple, dispone de una ecuacin con dos variables independientes adicionales:
T , , +/ X1 + b2X2
Se puede ampliar para cualquier nmero m de variables independientes:
T , , +/ X1 + b2X2 + +bnXn
11
Para poder resolver y obtener los parmetros en una ecuacin de regresin mltiple el clculo se presenta
muy tedioso porque se tiene que atender 3 ecuaciones normales que se generan por el mtodo de mnimo de
cuadrados:
Para poder resolver se puede utilizar programas informticos como AD+, SPSS, Minitab y Excel (Robles,
2009).
3.8. El error estndar de la regresin mltiple (Sxy)

Es una medida de dispersin, la estimacin se hace ms precisa conforme el grado de dispersin alrededor
del plano de regresin se hace ms pequeo (Robles, 2009).
Para medirla se utiliza la frmula:
UV

YT TZ[
W

1
Dnde:
Y=Valores observados en la muestra
TZ = Valores estimados a partir a partir de la ecuacin de regresin
n=
Nmero de datos
m=
Nmero de variables independientes
3.9. El coeficiente de determinacin r2

Segn (Robles, 2009), mide la tasa porcentual de los cambios de Y que pueden ser explicados por
y
x3
x1 , x 2
simultneamente.
\
U]^_^ a
U]::
12
3.10. Sistema hidrolgico

(Chow, Maidment, & Mays, 1994) Indican, que los fenmenos hidrolgicos son extremadamente complejos
y es posible que nunca se les entienda en su totalidad. Sin embargo, en ausencia de un conocimiento
perfecto, pueden representarse en forma simplificada por medio del concepto de sistema. Un sistema es un
conjunto de partes conectadas entre s, que forman un todo. El ciclo hidrolgico puede tratarse como un
sistema cuyos componentes son precipitacin, evaporacin, escorrenta y otras fases del ciclo hidrolgico.
Estos componentes pueden agruparse en subsistemas del ciclo total; para analizar el sistema total, estos
subsistemas ms simples pueden analizarse separadamente y combinarse los resultados de acuerdo con las
interacciones entre los subsistemas.
3.11. Modelo del sistema hidrolgico

(Chow, Maidment, & Mays, 1994) El objetivo del anlisis del sistema hidrolgico es estudiar la operacin
del sistema y predecir su salida. Un modelo de sistema hidrolgico es una aproximacin al sistema real; sus
entradas y salidas son variables hidrolgicas mensurables y su estructura es un conjunto de ecuaciones que
conectan las entradas y las salidas. Central a la estructura del modelo est el concepto de transformacin del
sistema.
Las entradas y las salidas pueden expresarse como funciones del tiempo, I(t) y Q(t) respectivamente, en
donde t pertenece al rango de tiempo T en consideracin. El sistema realiza una transformacin de la entrada
en la salida representada por
La cual se conoce como ecuacin de transformacin del sistema. El smbolo es una funcin de
transferencia entre la entrada y la salida. Si esta relacin puede representarse mediante una ecuacin
algebraica, entonces es un operador algebraico.
3.12. Modelos
(Ponce, 1998) En ingeniera hidrolgica, existe cuatro tipos de modelos matemticos: (1) Determinstico, (2)
Probabilstico, (3) Conceptual y (4) Paramtrico. Un modelo conceptual es una representacin simplificada
del proceso fsico, obtenida por las variaciones espacial y temporal, agregado, y descrito en trminos de
cualquiera de las ecuaciones diferenciales ordinarias o ecuaciones algebraicas. Un modelo paramtrico
representa procesos hidrolgicos por medio de ecuaciones algebraicas, este contiene parmetros claves para
ser determinados en forma emprica.
3.13. Modelos estocsticos

(Chow, Maidment, & Mays, 1994) Son modelos de variables aleatorias o probabilsticas que no tienen valor
fijo en un punto particular del espacio y del tiempo, pero que estn descritas a travs de distribuciones de
probabilidad. Estos modelos hacen predicciones. Por ejemplo la lluvia que caer maana en un lugar
particular no puede pronosticarse con exactitud.
13
3.14. Modelo determinstico

(Chow, Maidment, & Mays, 1994) No considera la aleatoriedad, una entrada dada produce siempre una
misma salida. Modelos determinsticos hacen pronsticos. Por ejemplo. Modelo determinstico para la
determinacin de evaporacin diaria en un lugar dado.
Q(t ) = I (t )
14
IV. METODOLOGA
4.1. Extensin y Ubicacin
La vertiente del Lago Titicaca, est delimitada geogrficamente entre las coordenadas 1403' y 20 00' de
Latitud Sur y entre 66 21' y 7107' de Longitud Oeste. La superficie del Sistema TDPS es de 144,590.46
Km, y abarca gran parte del departamento de Puno - Per, su extensin es equivalente al
Tabla 1. Ubicaciones geogrficas de las estaciones meteorolgicas estudiadas
Estacin
Pmax (Mm)
Altitud
Latitud
Longitud
Ananea
52.86
4660
14.67872222
69.53452778
Arapa
50.94
3830
15.13555556
70.11861111
Ayaviri
55.96
3928
14.88111111
70.59277778
Azangaro
57.16
3863
14.91472222
70.19111111
Cabanillas
56.11
3900
15.63930000
70.34638889
Capachica
54.47
3933
15.61580000
69.84430000
Capazo
44.38
4530
17.18638889
69.74555556
Chuquibambilla
57.31
3971
14.79638889
70.72833333
Cojata
54.17
4380
15.01666667
69.35555556
Crucero
63.78
4183
14.36260000
70.02380000
Desaguadero
66.94
3808
16.56880000
69.04040000
Huancane
59.84
3890
15.20333333
69.76250000
Huaraya Moho
65.62
3890
15.38972222
69.49138889
Isla Taquile
84.04
3850
15.77944444
69.69472222
Juli
70.26
3812
16.20361111
69.45972222
Lampa
54.82
3892
15.35583333
70.37277778
Laraqueri
66.21
3900
16.15250000
70.06777778
Los Uros
50.41
3808
15.79638889
69.91500000
Maazo
61.54
3920
15.81333333
70.33888889
Mazo Cruz
40.22
4003
16.74555556
69.71166667
Muani
40.5
3948
14.77944444
69.96583333
Pampahuta
45.99
4400
15.49138889
70.67750000
Pizacoma
49.76
3930
16.91500000
69.37277778
Progreso
42.46
3980
14.69472222
70.35555556
Pucara
56.53
3900
15.03361111
70.37277778
Puno
63.61
3812
15.82333333
70.01805556
Putina
48.30
3878
14.9150000
69.86805556
Tahuacoyunguyo
56.72
3891
16.3050000
69.06750000
Taraco
68.61
3849
15.3050000
69.98250000
Fuente: SENAMHI-Puno
15
33.9% del TDPS, asimismo abarca los departamentos de La Paz y Oruro - Bolivia con una extensin
equivalente al 60.8% del TDPS y una pequea parte que est en territorio chileno equivalente al 5.2% del
rea total del sistema TDPS. Por sus caractersticas fsico naturales, el lago Titicaca constituye el elemento
de mayor importancia del sistema hdrico, tiene una superficie de 8400 Km para un nivel promedio de 3810
m.s.n.m. y embalsa aproximadamente un volumen de 932 mil millones de metros cbicos.
4.2. Geologa
Segn los estudios geolgicos, durante el cuaternario, la evolucin del altiplano ha estado ligada
fundamentalmente a los c de clima. La alternancia de los perodos hmedos y secos, clidos y glaciares, han
determinado en la cuenca endorreica del altiplano el desarrollo de lagos sucesivamente ms amplios o ms
reducidos que los actuales. Los estudios existentes (SERVANT, FONTES) muestran que durante el
Pleistoceno superior se sucedieron varias fases glaciares que determinaron una progresiva reduccin de la
superficie lacustre, que al comienzo del Pleistoceno se nivelaba alrededor de 200 m por encima de su nivel
actual, con un rea de ms de 50.000 km2; contra aproximadamente 8.400 actuales.
Los lagos ms antiguos del cuaternario (Mantaro y Cabana) ocupaban todo el altiplano, el cual ya formaba
una cuenca endorreica. Los posteriores lagos Ballivian, al norte y Escara al sur, estaban separados por el
paso Ulloma-Callapa. Sin embargo, en la poca del lago Minchn todo el rea comenz a tributar hacia los
salares de Copaisa y otras depresiones meridionales. En algunos perodos del Pleistoceno, el Lago Titicaca
alcanz niveles bastante ms bajos que los actuales, de manera especial durante las glaciaciones (algunos
autores hablan de 60 m). En el Holoceno, las investigaciones arqueolgicas y los datos de espesor de
aluviones muestran que el nivel del Lago alcanz fluctuaciones cercanas a los 30 m. Hace 500 aos el nivel
del Lago era mayor que el actual, en unos pocos metros.
Durante los periodos de descenso el clima era seco y el Desaguadero no llevaba agua fuera de la cuenca
endorreica del Titicaca. La divisoria con las cuencas del sur se encontraba en la zona de Aguallamaya. Los
ros que tributaban al Titicaca presentaban lechos erosionados y formaban canales que penetraban en el lago
actual varias centenas de metros.
Evidencias de tales canales se encuentran en el fondo del lago, a profundidades de 10 y 20 metros frente a
las desembocaduras actuales (en el Lado peruano se ha encontrado una formacin arcillosa lacustre con
paleocauces colmatados a 30 m de profundidad con respecto al nivel actual, debajo de un relleno de limos,
arenas y gravas). Evidentemente, durante los periodos de bajos niveles el ro Desaguadero verta al lago
mismo, al igual que los flujos de todas las napas localizadas aguas arriba de Aguallamaya. Al sur de esta
divisoria, los flujos se dirigan hacia el Desaguadero y los lagos del sur.
4.3. Topografa
Es una tpica cuenca de montaa, donde la porcin del altiplano es reducida y en gran parte cubierta por las
aguas del Lago, rodeadas por las cordilleras oriental y occidental. Las vertientes oriental y nor-oriental son
16
muy irregulares, con pendientes moderadas a altas y estn constituidas por montaas y colinas de rocas
sedimentarias en gran parte disectadas y con importantes acumulaciones de material detrtico, especialmente
fluvioglaciar; la red hidrogrfica es bien organizada y densa.
La vertiente occidental, en su mayor parte perteneciente a la cordillera occidental, est constituida
principalmente por macizos montaosos volcnicos de laderas redondeadas y amplias intercaladas con
algunos relieves sedimentarios.
4.4. Climatologa
Todos los datos utilizados, tanto para las interpretaciones climticas como hidrolgicas, provienen de los
Servicios Nacionales de Hidrologa y de Meteorologa (SENAMHI) de La Paz y Puno, quienes efectuaron
las colecciones. En las zonas de altitud inferior a 4.000 m, las temperaturas medias anuales varan entre 7 y
10 C. Alrededor del lago mismo, las temperaturas son, sin embargo, superiores a 8 C. (Boulange y Aquize,
1981) evalan que la temperatura media anual a nivel del lago debera ser de 0 C y atribuyen la diferencia
de temperatura al efecto trmico de la masa de agua.
No obstante, el mapa de las temperaturas medias anuales de Bolivia (Roche et al., 1990) muestra tambin
valores prximos a 8 C en toda la mitad este del Altiplano boliviano (7,3 C en Uyuni) y en el lago Poop,
de influencia trmica ms reducida. Se debe tambin notar que estaciones comprendidas entre 3.900 y 4.000
m, en los extremos sur y norte de la regin del lago, tienen temperaturas del orden de 7 C. El lago tempera
el clima, sobre todo disminuyendo la amplitud de las temperaturas, pero no parece ocasionar en su contorno
un aumento de la temperatura media anual superior a 2 C.
El mapa de curvas isotermas de la hoyada fue trazado con la correlacin establecida entre temperatura y
altitud, y a partir del mapa de curvas de nivel. Los datos de algunas estaciones situadas fuera de la cuenca
fueron tambin tomados en consideracin para obtener una escala de altitudes la ms amplia posible.
El gradiente trmico es de 0,76 C/100 m. Para la zona comprendida entre 3.800 y 4.000 m, la dispersin de
las temperaturas es grande debido a los efectos de exposicin, de abrigo y de distancia al lago. En las cimas
ms altas que delimitan la cuenca, la temperatura media anual desciende bajo cero alrededor de 5.100 m., las
temperaturas medias ms bajas tienen lugar en julio, en pleno invierno, mientras que las ms elevadas se
sitan de diciembre a marzo, generalmente centradas en febrero.
Por otra parte, segn las Memorias del Simposio Internacional sobre el Sistema del Lago Titicaca (2001) la
zona de la cuenca del Lago se caracteriza por tratarse de un clima templado, diferenciado en distintas reas:
El tipo de clima lluvioso y semifrgido con otoo, invierno y primavera secos ocurre en las cabeceras de las
cuencas del ro Suchez, ro Ramis y cuenca del ro Coata a altitudes entre 4.400 y los 5.000 metros. Los das
helados son superiores a los 150 das.
17
Si bien la precipitacin tiene un carcter lluvioso, precipita entre los 700 y 1.000 mm, las caractersticas
trmicas determinan una restriccin en la utilizacin de la tierra con fines agrcolas. El rea circunlacustre,
cuenca del ro Suchez, parte media de la cuenca del ro Ramis, cuenca del ro Coata y cuenca del ro Ilave
quedan incluidos dentro del tipo climtico lluvioso y fro con otoo, invierno y primavera secos. Su carcter
lluvioso est dando precipitaciones tambin entre 700 y 1000 mm.
El tipo de climtico semilluvioso fro con otoo, invierno y primavera secos corresponde a la parte baja de la
cuenca del ro Ramis y gran parte de la cuenca del ro Huancan, y al sur del lago, hasta las zonas de
Pizacoma en el Per e Irpa Chico en Bolivia. En esta subzona la precipitacin disminuye y vara entre 600 y
800 mm. El nmero de heladas es menor y las condiciones para las actividades agrcolas son buenas
4.5. Materiales
4.5.1. Informacin Meteorolgica
Para la modelacin, se utilizar registros meteorolgicos de cinco Estaciones, dependientes de la Oficina del
Servicio Nacional de Meteorologa e Hidrologa Puno, de una longitud de registro no menor de 26 aos,
consistente en lo siguiente.
Factores climticos: Latitud, longitud, altitud, etc.
Elementos climticos: Temperatura media mensual de las mnimas, Temperatura media mensual de las
mximas, Humedad Relativa media mensual, Evaporacin mensual, Radiacin solar, Insolacin diaria media
del mes y Velocidad media del viento. Las estaciones meteorolgicas utilizadas han sido todas las estaciones
existentes de la vertiente del lago Titicaca.
4.5.2. Informacin Cartogrfica
Se utilizar como auxilio las cartas Nacionales actualizadas a escala 1:100 000. (Modelo de elevacin
digital).
4.5.3. Equipos
Equipo de cmputo, con software: Excel, CROPWAT 8.0, ArcGis 10 y Eviews 5.
4.6. Mtodos
4.6.1. Diseo Estadstico
Para este efecto se utiliz el software: MINITAB 16.0, EXCEL 2010 y SAS 9.2 (sistema para el anlisis
estadstico) para clculos estadsticos. Para los clculos de regresiones y correlaciones se utiliz el software
MINITAB 16.0 y Excel 2010. Para la solucin del modelo de regresin mltiple de ser el caso, empleando
el siguiente modelo:
b 2G, c/ , c , , ca
18
Donde
i, i=1,2,,n = parmetros del modelo.
Para la obtencin de parmetros se soluciona las ecuaciones normales de la regresin mltiple.
4.6.2. Calibracin de la relacin
La calibracin se realiz aplicando la estimacin mnimo cuadrtica de coeficientes de regresin lineal
mltiple para el perodo determinado.
4.6.3. Validacin de la relacin
La validacin se realiz comparando el modelo o relacin con los valores observados de las estaciones.
4.6.4. Anlisis de Variancia
Para efectuar los anlisis comparativos se ha utilizado el diseo completo al azar cuyo modelo estadstico se
presenta a continuacin:
be f g he
Dnde:
i= 1.2...,t; t= nmero de tratamientos (valores estimados y los valores observados); j= 1,..., n (nmero de
meses del ao); y = error experimental
4.6.5. Estimacin de parmetros
La estimacin de los parmetros se hizo empleando el mtodo de la mxima verosimilitud. Este mtodo de
estimacin se utiliza cuando se supone conocida la funcin de densidad de probabilidad (pdf) del trmino de
perturbacin del modelo de regresin mltiple.
Sea el modelo de regresin lineal general Y = X + U . Si ese tiene informacin sobre la funcin de
distribucin del error, f(u) es posible utilizar el mtodo de la mxima verosimilitud para estimar los
parmetros del modelo de manera ms eficiente. Si suponemos que los errores son variables aleatorias
independientes y normalmente distribuidas, con media cero y varianza constante, se tendra:
2
In )
u
UNID(0;
La funcin de densidad de probabilidad del error, pdf (ui):
f (u i ) =
1
2 n
2
1 u
i2
2 u
19
Si los errores, ui, son variables aleatorias independientes e idnticamente distribuidas (iid), la funcin de
densidad conjunta del vector de errores es:
n
f (u ) = f (u1 ). f (u 2 )... f (u n ) =
2 n
i =1
1
f (u ) =
2 2
n
1 2 ui 2
1
e 2 u
=
2 2
n
2
1 u
i2
2 u
1 2 U 'U
e 2 u
Si reemplazamos U = Y - X en la funcin conjunta obtendremos la funcin de verosimilitud,
L(Y ; X ; ; u ) :
2
L(Y ; X ; ; u ) = 2 u
2
n
2 2
1
2 u 2
(Y X )'(Y X )
Con fines de facilitar los clculos, podemos hallar el logaritmo de la funcin de verosimilitud o la loglikelihood function, l(.) = log (L(.))
( )
n
n
1
2
2
(Y ' Y + ' X ' X 2 ' X 'Y )
l (Y ; X ; ; u ) = log(2 ) log u
2
2
2
2 u
(Y X )' (Y X ) = Y 'Y + ' X ' X 2 ' X 'Y

El mtodo de la mxima verosimilitud consiste en maximizar la funcin de verosimilitud, L(.) o equivalente
mente la funcin de log verosimilitud l(.) con respecto de y u2, esto es:
Max l (.)
Donde
l (.)
l (.)
~ 2
= 0;
= 0 ; ~u
2
~;~u 2 son los estimadores por mxima verosimilitud de y 2, respectivamente, obtenidos de

u
resolver el sistema de ecuaciones simultaneas.
20
V. RESULTADOS Y DISCUSIN
4.1. Prueba de bondad de ajuste de precipitacin mxima a distribuciones de probabilidad
En estudios hidrolgicos el anlisis de frecuencia es una herramienta utilizada para, predecir el
comportamiento futuro de los eventos mximos en un sitio de inters, a partir de la informacin histrica de
datos hidrolgicos. Es un mtodo basado en procedimientos estadsticos que permite calcular la magnitud del
caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad de la serie
histrica, adems de la incertidumbre propia de la distribucin de probabilidades seleccionada. Cuando se
pretende realizar extrapolaciones, perodo de retorno mayor que la longitud de la serie disponible, el error
relativo asociado a la distribucin de probabilidades utilizada es ms importante, mientras que en
interpolaciones la incertidumbre est asociada principalmente a la calidad de los datos a modelar; en ambos
casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles. La extrapolacin de
frecuencias extremas en una distribucin emprica de crecientes es extremadamente riesgosa.
En el presente trabajo de investigacin, se ha visto por conveniente realizar las pruebas de bondad de ajuste
de las series histricas de datos de precipitaciones mximas de 24 horas y para las 29 estaciones que se
encuentran dentro de la vertiente del Lago Titicaca. En el cuadro 02 se presentan los resultados, de la prueba
de bondad de ajuste determinado en base del paquete estadstico de HIDROESTA, mostrando si la
distribucin se ajusta y el valor del D calculado entre parntesis, segn la prueba de bondad de ajuste de
Kolmogorov-Smirnov, en la ltima columna se presenta la distribucin que mejor se ajusta, por tener un
menor valor de D calculado.
Para el anlisis de frecuencia de precipitacin mxima, una vez escogida la distribucin de probabilidad que
mejor se ajusta, se realiz la determinacin de precipitaciones mximas para los perodos de retorno de 25,
50, 100 y 200 aos, valores usualmente utilizados en diseos para soportar caudales mximos
El valor de D calculado es la mxima diferencia entre la probabilidad acumulada emprica y terica, en valor
absoluto.
Las distribuciones de Log Normal 3 p y Log Gumbel son las que se ajustan mejor las precipitaciones
mximas de 24 horas en todas las estaciones de la vertiente del lago Titicaca.
21
Tabla 2. Resultados de la prueba de bondad de ajuste a las distribuciones

Estacin
Log Normal 3 p Log Pearson tipo III Log Gumbel Distribucin elegida
Ananea
Si (0.0490)
Si (0.05728)
Si (0.0624)
Log Normal 3 p
Arapa
Si (0.0762)
Si (0.07378)
Si (0.0639)
Log Gumbel
Ayaviri
Si (0.0628)
Si (0.07523)
Si (0.0964)
Log Normal 3p
Azangaro
Si (0.1329)
Si (0.11593)
Si (0.0806)
Log Gumbel
Cabanillas
Si (0.0527)
No
Si (0.0960)
Log Normal 3 p
Capachica
Si (0.0606)
Si (0.06643)
Si (0.0610)
Log Normal 3 p
Capazo
Si (0.0755)
Si (0.06919)
Si (0.0818)
Log Pearson tipo III
Chuquibambilla
Si (0.0929)
Si (0.09269)
Si (0.0959)
Cojata
Si (0.0793)
Si (0.07677)
Si (0.0955)
Crucero
Si (0.0818)
No
Si (0.1535)
Log Normal 3 p
Desaguadero
Si (0.0544)
No
Si (0.0981)
Log Normal 3 p
Huancan
Si (0.0718)
No
Si (0.0916)
Log Normal 3 p
Huaraya Moho
Si (0.0665)
No
Si (0.0973)
Log Normal 3 p
Isla Taquile
Si (0.0934)
No
Si (0.0658)
Log Gumbel
Juli
Si (0.0730)
No
Si (0.0696)
Log Gumbel
Lampa
Si (0.0723)
No
Si (0.1369)
Log Normal 3 p
Laraqueri
Si (0.0760)
Si (0.10361)
Si (0.0915)
Log Normal 3 p
Los Uros
Si (0.0428)
No
Si (0.1115)
Log Normal 3 p
Maazo
Si (0.0734)
No
Si (0.0950)
Log Normal 3 p
Mazo Cruz
Si( 0.0682)
No
Si (0.1179)
Log Normal 3 p
Muani
Si (0.0544)
No
Si (0.1228)
Log Normal 3 p
Pampahuta
Si (0.1094)
No
Si (0.1619)
Log Normal 3 p
Pizacoma
Si (0.0524)
No
Si (0.1109)
Log Normal 3 p
Progreso
Si (0.0737)
Si (0.06941)
Si (0.0888)
Pucar
Si (0.0693)
No
Si (0.1305)
Log Normal 3 p
Puno
Si (0.0733)
Si (0.07102)
Si (0.0618)
Log Gumbel
Putina
Si (0.0607)
No
Si (0.1192)
Log Normal 3 p
TahuacoYunguyo Si (0.0481)
Si (0.04274)
Si (0.0593)
Taraco
Si (0.09224)
Si (0.0919)
Log Normal 3 p
Si (0.0784)
Fuente: Prueba de Kolmogorov-Smirnov (HidroEsta)
22
4.2. Influencia de los factores climticos en la regionalizacin de precipitaciones mximas

La vertiente del lago Titicaca, cuyas zonas agroclimticas estn influenciadas supuestamente por los factores
y elementos climticos en las cuencas hidrogrficas que conforman ros afluentes del lago Titicaca, para el
presente trabajo se ha considerado los factores climticos ms importantes: latitud, longitud, altitud, y
considerando las precipitaciones mximas como variable dependiente.
Por otro lado, conocemos que la mayora de las estaciones meteorolgicas con que cuenta la vertiente del
lago Titicaca no estn dotadas con instrumentos
modernos para medir las intensidades mximas de
precipitacin, por estas razones se ha tenido la intencin de regionalizar las precipitaciones mximas de 24
horas las cuales se utilizan en vez de las intensidades mximas y teniendo como criterio de que los factores y
elementos climticos explican la variabilidad de la ocurrencia de las precipitaciones mximas.
4.2.1. Modelo regional de frecuencia de precipitacin mxima para las estaciones
Para determinar el modelo regional se utiliz primeramente regresin lineal mltiple, cuyo modelo planteado
es el siguiente:
2>, i, , )j, c
Dnde: Pmax = precipitacin mxima (mm) de 24 horas, T = perodo de retorno (aos), Alt = altitud
(msnm), Lat = latitud (grados), Long = longitud (grados), y i = parmetro i del modelo, i = 1, 2,, n, n =
nmero de parmetros del modelo.
4.2.2. La prueba de normalidad de Anderson Darling y estadstica descriptiva

Se evalu si los datos son normales con la prueba de bondad de ajuste grfica, cuyos valores de estadstica
descriptiva prueba de Anderson Darling se muestran en el cuadro. En la cual los valores de probabilidad de
excedencia menor al valor (P < 0.05) por lo tanto se rechaza la hiptesis nula por lo tanto existe significancia
estadsticamente.
De acuerdo a la prueba de normalidad de Anderson Darling, obtuvo la probabilidad de excedencia menor a
una significancia de 0.05, por tanto, se rechaza la hiptesis nula que los datos de periodo de retorno son
normales; la prueba de normalidad de Anderson Darling 9.351,
Tabla 3. La prueba de normalidad de Anderson Darling y estadstica descriptiva
Variables
Media
Desviacin Estndar
Observaciones
Anderson Darling
Probabilidad
Periodo de retorno
93.75
67.31
116
9.351
<0.005
Precipitacin mxima
67.31
17.14
116
1.480
<0.005
Altitud
3984
220.8
116
14.759
<0.005
Latitud
15.53
0.7203
116
1.923
<0.005
Longitud
69.93
0.4419
116
0.759
0.047
23
Se obtuvo la probabilidad de excedencia menor a una significancia de 0.05, por tanto, se rechaza la hiptesis
nula planteada, que los datos de precipitacin mxima son normales; el valor de la prueba de normalidad de
Anderson Darling es de 1.480, obtiene una probabilidad de excedencia menor a una significancia de 0.05,
por tanto, se rechaza la hiptesis nula que los datos de altitud son normales;
La prueba de normalidad de Anderson Darling cuyo valor es de 14.759, obtiene una probabilidad de
excedencia menor a una significancia de 0.05, por tanto, se rechaza la hiptesis nula que los datos de latitud
son normales; y la prueba de normalidad de Anderson Darling 1.923, obtiene una probabilidad de excedencia
ligeramente menor a una significancia de 0.05, por tanto, se rechaza la hiptesis nula que los datos de latitud
son normales y La prueba de normalidad de Anderson Darling 0.759, obtiene una probabilidad de excedencia
es mayor a una significancia de 0.05, por tanto, no se rechaza la hiptesis nula que los datos de longitud no
son normales.
Se ha determinado los coeficientes de asimetra de los datos de las variables para utilizar una transformacin
apropiada, esto a fin de aplicar la modelacin correspondiente.
Tabla 4. Coeficiente de asimetra de las variables originales
Variable
Coeficiente de asimetra
T (aos)
Pmax (mm)
0.67
1.13
Altitud
Latitud
Longitud
0.60
-0.16
1.89
Se realiz la transformacin de variables como muestra el siguiente cuadro.

Tabla 5. Transformaciones realizadas de las variables
Variable
Tiempo de retorno
Precipitaciones mximas
Altitud
Latitud
Longitud
Transformacin
log/- >
G C-. -Rk
i CR.@R / l 10/-

C@.1-k/ l 10Q
)j/../. /10
Despus de haber realizada la transformacin se realiz la prueba de bondad de ajuste de Anderson-Darling,

obtenindose los resultados que se muestran en las figuras presentadas en los anexos.
La prueba concluye que la variable transformada periodo de retorno sigue siendo no normal, que la variable
transformada precipitacin mxima cumple con la normalidad, que la variable transformada altitud sigue sin
24
cumplir la normalidad, que la variable transformada latitud estrictamente no cumple con la normalidad y la
variable transformada longitud si cumple con la normalidad.
En el siguiente cuadro se presenta los valores de coeficiente de asimetra obtenidos despus de la
transformacin de datos. Los coeficientes de asimetra son cercanos a cero por lo cual se considera haber
normalizado los datos para que tengan una distribucin de frecuencia simtrica a la media.
Tabla 6. Coeficiente de asimetra de las variables transformadas
Variable transformada
T (aos)
Pmax (mm)
Altitud
Latitud
Longitud
Coeficiente de Asimetra 9.11619E-16 -0.073337303 -0.00025 -1.4E-05 -0.00041304
Con las variables transformadas se realiz un anlisis de regresin. Los resultados se muestran a
continuacin en el cuadro y en la figura siguiente.
Tabla 7. Resultados del modelo regresin lineal mltiple
Predictor
Coeficiente
SE coeficiente
Constante
0.21088000
0.01830000
11.52
0.0000
-0.02515900
0.00388000
-6.47
0.0000
-0.00002693
0.00000571
-4.71
0.0000
-0.00452100
0.00293700
-1.54
0.0000
0.02042000
0.01065000
2.10
0.0380
log/- >
i CR.@R / l 10/-

C@.1-k/
l 10
)j/../. /10
Estadstico t
Probabilidad
S = 0.0140920 R-Sq = 38.8% R-Sq(adj) = 36.5%
Tabla 8. Anlisis de variancia de la regression de valores transformados

F. de V.
GL
SC
CM
Fc
Probabilidad
0.0139494
0.0034873
17.56
0.000000
Error
111
0.0220430
0.0001986
Total
115
0.0359924
Regresin
Estadstico de Durbin Watson = 0.545605

Los coeficientes de regresin son diferentes de cero al nivel de significancia de 0.05, excepto el coeficiente
de la variable transformada latitud que no es significativo estadsticamente. El coeficiente de determinacin
muestra que solo el 38.8% de la varianza de la precipitacin mxima es explicado por las variables
independientes y segn el anlisis de varianza la este coeficiente de determinacin es diferente de cero
siendo significativo. El estadstico Durbin-Watson es mayor al coeficiente de determinacin por lo tanto la
25
regresin no es espuria, adems este estadstico al ser mayor a cero muestra que los residuos no estn
autocorrelacionados.
El modelo de regresin obtenido para la vertiente del Lago Titicaca es
G m0.211 0.0252 log/- > 0.000027i CR.@R / l 10/- 0.00452 C@.1-k/ l 10Q
)j/../.
0.0224
n
10
C//-. -Rk
Dnde:
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alti = altitud (msnm), Lat =
latitud sur (grados), y Long = longitud oeste (grados)
Normal Probability Plot
Versus Fits
0.04
99.9
99
0.02
Residual
Percent
90
50
10
0.00
-0.02
-0.04
0.150
0.1
-0.050
-0.025
0.000
Residual
0.025
0.050
0.165
Histogram
0.210
Versus Order
0.04
30
0.02
Residual
Frequency
0.180
0.195
Fitted Value
20
10
0.00
-0.02
-0.04
0
-0.03 -0.02 -0.01
0.00 0.01
Residual
0.02
0.03
10
20
30
40
50
60
70
80
90 100 110
Observation Order
Figura 1. Grficos de anlisis de los residuales de regresin

Los residuales siguen una distribucin aproximadamente normal segn el grfico de probabilidad normal y el
histograma, su variacin respecto a los valores ajustados seria casi constante, respecto al orden puede existir
un problema de heteroscedasticidad.
Segn las figuras de variacin de los residuales respecto a las variables independientes que se presentan en
los anexos, los residuales no dependen de ninguna variable independiente por lo tanto no estn
correlacionados con estas variables.
26
4.2.2. Determinacin grupos homogneos de estaciones a travs del anlisis clster

La fisiografa que presenta el altiplano de Puno, los factores y elementos climticos experimentan diferentes
variaciones, era necesario realizar la aplicacin del anlisis de clster para poder determinar grupos
homogneos de estaciones meteorolgicas con datos similares, esto a fin de encontrar un modelo ms
adecuado, que en la prctica nos permitir su aplicacin del modelo determinadoSin embargo, se han observado en los clculos el bajo ajuste de modelo regional general se procedi a
realizar un anlisis clster para determinar cinco grupos homogneos de las 29 estaciones meteorolgicas en
funcin de las variables de los factores del clima: latitud, longitud y altitud y para tiempos de retorno (25, 50,
100 y 200 aos).
Tabla 9. Estaciones meteorolgicas con variables para la aplicacin del anlisis clster
N
Estacin
T = 25
T = 50
T = 100
T = 200
Altitud
Latitud
Longitud
Ananea
52.86
66.58
82.7
101.5
4660
14.67872222
69.53452778
Arapa
50.94
57.89
65.71
74.57
3830
15.13555556
70.11861111
Ayaviri
55.96
62.62
69.43
76.44
3928
14.88111111
70.59277778
Azangaro
57.16
63.94
70.76
77.69
3863
14.91472222
70.19111111
Cabanillas
56.11
61.6
67.01
72.38
3900
15.63930000
70.34638889
Capachica
54.47
61.8
69.63
78
3933
15.61580000
69.84430000
Capazo
44.38
50.23
56.52
63.29
4530
17.18638889
69.74555556
Chuquibambilla
57.31
64.18
71.23
78.5
3971
14.79638889
70.72833333
Cojata
54.17
61.52
69.39
77.85
4380
15.01666667
69.35555556
10
Crucero
63.78
70.74
77.63
84.52
4183
14.36260000
70.02380000
11
Desaguadero
66.94
74.22
81.58
89.09
3808
16.56880000
69.04040000
12
Huancane
59.84
64.52
69.04
73.45
3890
15.20333333
69.76250000
13
Huaraya moho
65.62
71.1
76.49
81.83
3890
15.38972222
69.49138889
14
Isla Taquile
84.04
99.09
116.69
137.34
3850
15.77944444
69.69472222
15
Juli
70.26
81.3
93.96
108.55
3812
16.20361111
69.45972222
16
Lampa
54.82
59.57
64.22
68.81
3892
15.35583333
70.37277778
17
Laraqueri
66.21
77.5
89.92
103.56
3900
16.15250000
70.06777778
18
Los uros
50.41
54.22
57.79
61.19
3808
15.79638889
69.91500000
19
Maazo
61.54
69.18
76.97
84.95
3920
15.81333333
70.33888889
20
Mazo cruz
40.22
42.86
45.29
47.56
4003
16.74555556
69.71166667
21
Muani
40.5
43.44
46.27
49.02
3948
14.77944444
69.96583333
22
Pampahuta
45.99
48.49
50.85
53.10
4400
15.49138889
70.67750000
23
Pizacoma
49.76
54.05
58.18
62.20
3930
16.91500000
69.37277778
24
Progreso
42.46
46.02
49.52
52.99
3980
14.69472222
70.35555556
25
Pucara
56.53
61.84
67.03
72.14
3900
15.03361111
70.37277778
26
Puno
63.61
73.7
85.3
98.67
3812
15.82333333
70.01805556
27
Putina
48.3
51.44
54.36
57.13
3878
14.91500000
69.86805556
28
Tahuacoyunguyo
56.72
64.43
72.75
81.73
3891
16.30500000
69.06750000
29
Taraco
68.61
81.06
94.77
109.85
3849
15.30500000
69.98250000
27
El resultado del anlisis clster definiendo 5 zonas homogneas se presenta en la siguiente figura.
Similarity
0.00
33.33
66.67
100.00
1
9 11 28 13 15 17 26 29 14
4 25
5 16
6 12 18 27
8 19 10 21 24 22
7 20 23
Observations
Figura 2. Dendograma del anlisis clster
Se formaron 05 grupos homogneos de estaciones como muestra el cuadro siguiente.

Tabla 10. Grupos homogneos de estaciones por anlisis clster
Estaciones
GRUPO
Ananea, Cojata
Arapa, Ayaviri, Azangaro, Cabanillas, Capachica, Chuquibambilla, Crucero, Huancane, Lampa,
II
Los Uros, Maazo, Muani, Pampahuta, Progreso, Pucara, Putina

Capazo, Mazo Cruz, Pizacoma
III
Desaguadero, Huaraya Moho, Juli, Laraqueri, Puno, Tahuacoyunguyo, Taraco
IV
Isla Taquile
a) Modelo regional para el grupo I

Se realiz la estimacin de parmetros de regresin del modelo para la regin 1 con una previa
transformacin de datos a normales. Las transformaciones son las mostradas en el siguiente cuadro.
28
Tabla 11. Transformaciones de precipitacin mxima y periodo de retorno

Variable
Transformacin
log/- >
G C.- Rk
Pmax
Luego se hizo la prueba grfica de normalidad como se muestra en las figuras de los anexos.
En el siguiente cuadro se presentan los resultados del anlisis de regresin.
Tabla 12. Anlisis de regresin del modelo para la regin I
Predictor
Coeficiente
SE coeficiente
Prueba estadstico t
Probabilidad
Constante
0.0010619
0.0002749
3.8600
0.0120
-0.00020102
0.00002493
-8.0600
0.0000
-0.00000011
0.00000006
-1.8700
0.1210
log/- >
Altitud
S = 0.0000237293 R-Sq = 93.2% R-Sq(adj) = 90.5%

Tabla 13. Anlisis de variancia del modelo para la region I
F. de V.
GL
SC
CM
Fc
34.26
Regresin
3.85769E-08
1.92884E-08
Error
2.81540E-09
5.63079E-10
Total
4.13923E-08
Probabilidad
0.001
Estadstica de Durbin-Watson 1.39176

El coeficientes de regresin del perodo de retorno es diferente de cero al nivel de significancia de 0.05, pero
el coeficiente de la variable transformada altitud no es significativo estadsticamente. El coeficiente de
determinacin muestra que 93.2% de la varianza de la precipitacin mxima es explicado por las variables
independientes y segn el anlisis de varianza este coeficiente de determinacin es significativamente
diferente de cero al 0.05. El estadstico Durbin-Watson es mayor al coeficiente de determinacin por lo tanto
la regresin no es espuria, adems este estadstico al ser mayor a cero muestra que los residuos no estn
autocorrelacionados.
El modelo de regresin obtenido para la regin 1 es:
G 0.0010619 0.000201 log/- > 0.00000011iC//.- Rk
Dnde:
29
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), y Alti = altitud (msnm).
Las variables latitud y longitud no fueron consideradas en el modelo por que generan multicolinealidad con
las dems variables independientes y adems en este grupo slo se tiene dos estaciones.
En los siguientes grficos se muestra la variacin de los residuales como pruebas de la normalidad y
homogeneidad de varianzas.
Versus Fits
99
0.00004
Residual
Percent
90
50
0.00002
0.00000
10
-0.00002
1
-0.000050
-0.000025
0.000000
Residual
0.000025
0.000050
0.00010 0.00015 0.00020 0.00025 0.00030
Fitted Value
Histogram
Versus Order
0.00004
Residual
Frequency
3
2
1
0.00002
0.00000
-0.00002
0
0.0
2
00
-
0
0.0
1
00
0
0.0
0
00
0
0.0
1
00
04
03
02
00
00
00
0
0
0
.
.
.
0
0
0
3
4
5
6
Observation Order
Residual

Se muestra que los residuales presentan una distribucin aproximadamente normal y una varianza constante.
Segn las figuras mostradas en los anexos, los residuales no dependen de ninguna variable independiente por
lo tanto los residuales no estn correlacionados con estas variables.
b) Modelo regional para el grupo II
Tabla 14. Transformaciones realizadas
Variable
Tiempo de retorno
Precipitaciones mximas
Altitud
Latitud
Longitud
Transformacin
log/- >
G -.1@1/
i
C-.Q@ @
)j
30
Tabla 15. Resultados del anlisis de regresin del modelo para la regin II
Predictor
Constante
log/- >
iitud
C-.Q@1
)jop
Coeficiente
SE coeficiente
Prueba estadstico t
Probabilidad
-13.5200000
27.0100000
-0.5000
0.6190
1.6673000
0.3171000
5.2600
0.0000
-0.0012359
0.0008330
-1.4800
0.1430
-10.29000000
48.0000000
-0.2100
0.8310
0.3778000
0.3941000
0.9600
0.3420
S = 0.853910 R-Sq = 33.9% R-Sq(adj) = 29.4%
Tabla 16. Anlisis de varianza de regresin del modelo para la regin II

F. de V.
GL
SC
CM
Fc
Probabilidad
Regresin
22.0409
5.5102
7.5600
0.000
Error
59
43.0206
0.7292
Total
63
Durbin-Watson statistic = 0.407823

El coeficiente de la variable transformada perodo de retorno es el nico que es estadsticamente diferente de
cero al nivel de significancia 0.05, en cambio los coeficientes de las otras variables independientes no lo son.
El 33.9% de la varianza de la precipitacin mxima est explicado por las variables independientes, siendo
este coeficiente de determinacin estadsticamente diferente de cero segn el anlisis de varianza al 95% de
confianza. Como el coeficiente de determinacin es menor al estadstico de Durbin-Watson, entonces la
regresin no es espuria, adems este estadstico de Durbin-Watson al ser mayor a cero muestra que los
residuos no estn autocorrelacionados.
La forma del modelo para la regin 2 es la siguiente
G 13.5 1.67 log/- > 0.00124i 10.3 C-.Q@ @ 0.378)j//-.1@1/
Dnde:
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alt = altitud (msnm),
31
Lat = latitud sur (grados), y Long = longitud oeste (grados)

En los siguientes grficos se muestra la variacin de los residuales.
Versus Fits
2
99.9
99
1
Residual
Percent
90
50
10
0
-1
-2
0.1
-2
-1
0
Residual
9.0
Histogram
10.0
10.5
Fitted Value
11.0
Versus Order
2
16
12
Residual
Frequency
9.5
0
-1
-2
0
-1.6
-0.8
0.0
Residual
0.8
1.6
1 5
10 15 20 25 30 35 40 45 50 55 60
Observation Order

Segn los grficos de los anexos, los residuales no dependen de ninguna variable independiente por lo tanto
los residuales no estn correlacionados con estas variables.
c) Modelo regional para el grupo III
Se realiz la estimacin de parmetros de regresin del modelo para la regin III, con una previa
transformacin de datos a normales. Las transformaciones son las mostradas en la siguiente tabla.
Variable
T
Pmax
Altitud
Latitud
Longitud
Transformacin
log/- >
G C-. 1.Q

i

)j
32
Tabla 18. Resultados del anlisis de regresin del modelo para la regin III
Predictor
Coeficiente
Constante
log/- >
i

SE coeficiente
Prueba estadstico t
Probabilidad
1.5281
0.1243000
12.3000
0.000
-0.020893
0.0022200
-9.4100
0.000
0.00004689
0.0000058
8.0800
0.000
-0.089414
0.0085410
-10.4700
0.000
S = 0.00258779 R-Sq = 96.2% R-Sq(adj) = 94.8%

Tabla 19. Anlisis de varianza de regresin del modelo para la regin III
F. de V.
GL
SC
CM
Fc
Probabilidad
Regresin
0.00136161
0.00045387
67.78
0.0000000
Error
0.00005357
0.00000670
Total
11
0.00141518

Los resultados muestran que los coeficientes son significativos al nivel de confianza de 95%. La varianza de
la precipitacin mxima transformada es explicada en un 96.2% por las variables independientes
transformadas. El coeficiente de determinacin es diferente de cero al nivel de significancia de 0.05. El
estadstico de Durbin-Watson es mayor a cero por lo tanto no existe auto-correlacin entre los residuos.
Adems este estadstico a no ser muy menor al coeficiente de determinacin est mostrando que la regresin
no es espuria.
El modelo para la regin 3 es el siguiente
G 1.5281 0.020893log/- > 0.00004689i 0.089414C//-. 1.Q
Dnde:
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alt = altitud (msnm), y Lat
= latitud sur (grados).
La longitud no se consider debido a que genera un problema de multicolinealidad con otras variables
independientes.
33

Versus Fits
99
0.004
Residual
Percent
90
50
0.002
0.000
-0.002
10
-0.004
0.15
1
-0.0050
-0.0025
0.0000
Residual
0.0025
0.0050
0.16
Histogram
0.19
Versus Order
0.004
Residual
Frequency
0.17
0.18
Fitted Value
0.002
0.000
-0.002
-0.004
0
01
03
02
.0
.0
.0
-0
-0
-0
0
00
0.
01
.0
02
.0
03
.0
04
.0
4 5 6 7 8 9
Observation Order
10 11 12

Segn los grficos de anexos, los residuales no dependen de ninguna variable independiente por lo tanto los
residuales no estn correlacionados con estas variables.
d) Modelo regional para el grupo IV

Variable
T
Transformacin
log/- >
Precipitacin mxima G C-.R- /1Q-. 1R/

Altitud
Latitud
Longitud
i
/.R . 10/1
)j -.kk-k /10R1
34

Tabla 21. Resultados del anlisis de regresin del modelo para la regin IV
Predictor
Coeficiente
Constante
SE coeficiente Prueba estadstico t Probabilidad
-0.05037
0.04399
-1.1400
0.2640
i
-0.013619
0.001240
-10.9800
0.0000
0.00003377
0.00001122
3.0100
0.0060
)j -.kk-k /10R1
-0.0002114
0.0007210
-0.2900
0.7720
-0.0022157
0.0006388
-3.4700
0.0020
log/- >
/.R /10/1
S = 0.00220914 R-Sq = 86.3% R-Sq(adj) = 83.9%

Tabla 22. Anlisis de varianza de regresin del modelo para la regin IV
F. de V.
GL
SC
CM
Fc
Regresin
0.00070815
0.000017704
Error
23
0.00011225
0.00000488
Total
27
0.00082040
Probabilidad
36.2800
0.0000

Los resultados muestran que los coeficientes son significativos para todas las variables independientes
excepto para la variable latitud, al nivel de confianza de 95%. La varianza de la precipitacin mxima
transformada es explicada en un 86.3% por las variables independientes transformadas. El coeficiente de
determinacin es diferente de cero al nivel de significancia de 0.05. El estadstico de Durbin-Watson es
mayor a cero por lo tanto no existe auto-correlacin entre los residuos y como es mayor al coeficiente de
determinacin se considera que la regresin no es espuria.
El modelo para la regin 4 es el siguiente
G m0.05037 0.013619 log/- > 0.00003377i 0.0002114
)j -.kk-k
0.0022157
n
10R1
C//-.R-
/.R
10/1
Dnde:
35
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alt = altitud (msnm),
Lat = latitud sur (grados), y Long = longitud oeste (grados).
Versus Fits
99
0.004
Residual
Percent
90
50
10
0.002
0.000
-0.002
1
-0.0050
-0.0025
0.0000
Residual
0.0025
0.0050
0.035
0.040
Histogram
0.055
Versus Order
6.0
0.004
4.5
Residual
Frequency
0.045
0.050
Fitted Value
3.0
1.5
0.002
0.000
-0.002
0.0
-0
03
02
01
.0
.0
.0
-0
-0
0
00
0.
00
0.
4
3
2
00
00
00
0.
0.
0.
8 10 12 14 16 18 20 22 24 26 28
Observation Order
Residual

Segn los grficos de anexos, los residuales no dependen de ninguna variable independiente por lo tanto los
residuales no estn correlacionados con estas variables.
e) Modelo regional para el grupo V
Se realiz la estimacin de parmetros de regresin del modelo para la regin 5 la transformacin previa a
datos a normales no fue necesaria puesto que se utiliz un modelo no lineal potencial. En este grupo solo
existe una estacin la cual es la Isla Taquile por lo cual las variables geogrficas no se pueden utilizar como
predictores. En la siguiente figura se presenta la ecuacin de regresin potencial y el valor del r2.
36
160
140
y = 39.314x0.2362
R = 1
120
Pmax (mm)
100
80
Series1
Potencial (Series1)
60
40
20
0
0
50
100
150
200
250
T (aos)
Figura 7. Ajuste del modelo potencial en la estacin Isla Taquile
El modelo regional para la Isla Taquile es el siguiente

G 39.31> -..@
Dnde: Pmax = precipitacin mxima de 24 horas (mm), y T = perodo de retorno (aos).
4.3. Influencia de los elementos climticos en la regionalizacin de precipitaciones mximas

4.3.1. Influencia de la oscilacin de temperatura media y humedad relativa
Sabemos que, los factores climticos ms importantes son : altitud, latitud y longitud, desde un inicio se
pens que exista influencia directa sobre la variacin de la precipitacin mxima, pero sin embargo la
relacin que existe entre estas variables son muy bajas a nivel de las estaciones meteorolgicas de la
vertiente del lago Titicaca; por lo que se ha optado en relacionar la precipitacin mxima con la intervencin
de los elementos climticos y para el presente trabajo de investigacin se ha considerado la oscilacin de
temperatura media anual y el porcentaje de humedad conjuntamente con los factores climticos.
37
Tabla 23. Modelo de Regresin Lineal entre factores y elementos climticos con precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad.
C(1)
-39.34149
289.8880
-0.135713
0.8923
Tiempo de retorno C(2)
0.115367
0.017699
6.518139
0.0000
Altitud (msnm)
C(3)
-0.011544
0.007152
-1.614164
0.1095
Latitud
C(4)
2.458878
2.206187
1.114538
0.2676
Longitud
C(5)
1.684666
3.795017
0.443915
0.6580
Oscilacin de T
C(6)
-2.467933
0.490804
-5.028346
0.0000
Humedad Relativa C(7)
0.371643
0.159594
2.328671
0.0218
R-squared
0.479874
Mean dependent var
66.69955
Adjusted R-squared
0.450152
S.D. dependent var
16.93067
S.E. of regression
12.55438
Akaike info criterion
7.958478
Sum squared resid
16549.31
Schwarz criterion
8.128384
Log likelihood
-438.6748
Durbin-Watson stat
0.639558
Coeficiente
La prueba t indica que las variables que presentan coeficientes significativos son el periodo de retorno, la
oscilacin de temperatura y la humedad relativa al 95% de confianza, las dems variables no presentan
coeficientes significativamente diferentes de cero. El 48% de la variacin de la precipitacin mxima es
explicado por las variables independientes. La regresin no es espuria puesto que R2 < Durbin-Watson. La
ecuacin obtenida es la siguiente.
Pmax = -39.3414+0.1153(T) - 0.01154(Alt)+2.4588 (Lat)+1.6846 (Long)-2.4679(Osc)+0.3716 (HR)
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Alt = altitud
(msnm), Lat = latitud sur (grados), Long = longitud oeste (grados), Osc = oscilacin media de temperatura
(C), HR = humedad relativa media (%).
4.3.2. Modelo de Regresin no lineal entre factores, elementos climticos y precipitacin mxima
En la siguiente tabla se presenta los resultados de regresin no lineal.
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos son el periodo
de retorno y la oscilacin de temperatura al 95% de confianza, los dems logaritmos de las variables no
presentan coeficientes significativamente diferentes de cero. El 52% de la variacin de la precipitacin
mxima es explicado por las variables independientes. La regresin no es espuria puesto que R2 < DurbinWatson. La ecuacin obtenida es la siguiente.
Pmax = 6633.116T0.1586(Alt)-0.4534(Lat)0.2566(Long)-0.3966(Osc)-0.5647(HR)0.2372
38
(msnm), Lat = latitud sur (grados), Long = longitud oeste (grados), Osc = oscilacin media de temperatura
(C), HR = humedad relativa media (%).
Tabla 24. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima
Variables
C(1)
Coeficiente
6633.116
Std. Error
113963.8
t-Statistic Probabilidad
0.058204
0.9537
Tiempo de retorno C(2)
0.158628
0.022223
7.137890
0.0000
Altitud
C(3)
-0.453417
0.420032
-1.079483
0.2828
Latitud
C(4)
0.256619
0.500683
0.512538
0.6094
Longitud
C(5)
-0.396621
3.690114
-0.107482
0.9146
Oscilacin de T
C(6)
-0.564742
0.101653
-5.555590
0.0000
Humedad Relativa C(7)
0.237298
0.136190
1.742398
0.0844
R-squared
0.516296
Mean dependent var
66.69955
Adjusted R-squared
0.488656
S.D. dependent var
16.93067
S.E. of regression
12.10684
7.885880
Sum squared resid
15390.44
Schwarz criterion
8.055786
Log likelihood
-434.6093
Durbin-Watson stat
0.567740
Coeficiente
4.3.3. Modelo de Regresin no lineal 1 entre factores, elementos climticos y precipitacin mxima
En este modelo solo se tom en cuenta las variables independientes el periodo de retorno, la altitud, la
oscilacin media de la temperatura y la humedad relativa, omitindose la latitud sur y la longitud oeste.
Tabla 25. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad.
Coeficiente
C(1)
3040.851
9233.601
0.329324
0.7426
Tiempo de Retorno
C(2)
0.158573
0.022071
7.184617
0.0000
Altitud (msnm)
C(3)
-0.470853
0.412513
-1.141426
0.2562
Oscilacin de T
C(4)
-0.572460
0.094918
-6.031109
0.0000
Humedad Relativa
C(5)
0.228587
0.128737
1.775617
0.0786
R-squared
0.513868
Mean dependent var
66.69955
Adjusted R-squared
0.495695
S.D. dependent var
16.93067
S.E. of regression
12.02322
7.855173
Sum squared resid
15467.69
Schwarz criterion
7.976534
Log likelihood
-434.8897
Durbin-Watson stat
0.568185
de retorno y la oscilacin de temperatura al 95% de confianza, los dems logaritmos de las variables no
39
presentan coeficientes significativamente diferentes de cero. El 51% de la variacin de la precipitacin

mxima es explicado por las variables independientes. La regresin no es espuria puesto que R2 < DurbinWatson. La ecuacin obtenida es la siguiente.
Pmax = 3040.851(T) 0.1585(Alt)-0.4708(Osc)-0.5724(HR)0.2285
(msnm), Osc = oscilacin media de temperatura (C), HR = humedad relativa media (%).

En este modelo solo se tom en cuenta las variables independientes el periodo de retorno, la oscilacin
media de la temperatura y la humedad relativa, omitindose la altitud, la latitud sur y la longitud oeste.
Tabla 26. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad
Coeficiente
C(1)
100.0919
53.51853
1.870228
0.0642
Tiempo de retorno
C(2)
0.158973
0.022113
7.189181
0.0000
Oscilacin de temperatura C(3)
-0.626732
0.083010
-7.550109
0.0000
Humedad Relativa
0.144774
0.104415
1.386530
0.1684
R-squared
0.507760
Mean dependent var
66.69955
Adjusted R-squared
0.494086
S.D. dependent var
16.93067
S.E. of regression
12.04238
7.849803
Sum squared resid
15662.05
Schwarz criterion
7.946892
Log likelihood
-435.5889
Durbin-Watson stat
0.536759
C(4)
de retorno y la oscilacin de temperatura al 95% de confianza, los logaritmos de la variable humedad relativa
media no presenta un coeficiente significativamente diferente de cero. El 51% de la variacin de la
precipitacin mxima es explicado por las variables independientes. La regresin no es espuria puesto que R2
< Durbin-Watson. La ecuacin obtenida es la siguiente.
Pmax = 100.0919 (T)0.1589(Osc)-0.6267(HR)0.1447
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc = oscilacin
media de temperatura (C), HR = humedad relativa media (%).
40

En este modelo solo se tom en cuenta las variables independientes el periodo de retorno y la oscilacin
media de la temperatura, omitindose la humedad relativa, la altitud, la latitud sur y la longitud oeste.
Tabla 27. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad
Coeficiente
C(1)
193.9512
46.41057
4.179031
0.0001
Tiempo de retorno
C(2)
0.158619
0.022207
7.142771
0.0000
Oscilacin de Temperatura
C(3)
-0.650821
0.082013
-7.935578
0.0000
R-squared
0.499140
Mean dependent var
66.69955
Adjusted R-squared
0.489950
S.D. dependent var
16.93067
S.E. of regression
12.09151
7.849305
Sum squared resid
15936.31
Schwarz criterion
7.922122
Log likelihood
-436.5611
Durbin-Watson stat
0.516210
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos diferentes de
cero, son el periodo de retorno y la oscilacin de temperatura al 95% de confianza. El 50% de la variacin de
la precipitacin mxima es explicado por las variables independientes. La regresin no es espuria puesto que
R2 < Durbin-Watson. La ecuacin obtenida es la siguiente.
Pmax = 193.9512(T)0.1586(Osc)-0.6508
Dnde:
Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc = oscilacin media de
temperatura (C).
4.4. Discusin de resultados

4.4.1. Influencia de los factores climticos en la regionalizacin de precipitacin mxima
Los resultados obtenidos siguen el mtodo tradicional de anlisis de frecuencia y prueba de bondad de ajuste
(Chow, Maidment, & Mays, 1994), puesto que una precipitacin mxima siempre est asociada a un periodo
de retorno, a comparacin en otro estudio se realiz una relacin emprica entre la precipitacin mxima de
24 horas y la precipitacin mensual (Morales, Casanova, Castellaro, & Mattar, 2005). Otros autores
(Nouvelot, Le Goulven, Alemn, & Pourrut, 1995) relacionaron las precipitaciones para periodos de retorno
de 2 aos con la precipitacin promedio anual, luego la precipitacin para periodo de retorno de 10 aos con
la de 2 aos, habiendo obtenido las precipitaciones con anlisis de frecuencia a partir de distribuciones de
probabilidad.
41
El modelo regional propuesto en funcin de factores climticos tiene la hiptesis que la precipitacin
mxima es explicada por la frecuencia (periodo de retorno) y las variables geogrficas de posicin lo mismo
que otros autores (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002),
que relacionan la frecuencia de precipitacin mxima de un mes (i) con el lugar de presin mxima del mes
(i), con la latitud y la longitud, entonces el modelo planteado en la presente investigacin tiene base en la
literatura revisada.
Varios autores utilizaron modelos no lineales que predicen la precipitacin mxima del mismo modo que los
resultados de la presente investigacin, por ejemplo, utilizaron modelos potenciales y lineales combinados
(Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002). Adems de las
variables geogrficas de posicin y de frecuencia (perodo de retorno) relacionan la precipitacin mxima
con la precipitacin promedio (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995) o con la precipitacin para
un perodo de retorno y una duracin (Bell, 1969), (Cheng, 1983). Referente a esto en el presente trabajo no
se consider conveniente utilizan la precipitacin media como predictor.
Se hall que la precipitacin mxima de 24 horas se explica muy bien con el logaritmo del perodo de
retorno similar a lo que determin anteriormente Bell (Bell, 1969) en un modelo no lineal de precipitacin
para una duracin t y un perodo de retorno T, donde incluye como variable de prediccin la precipitacin
para una duracin t y un perodo de retorno de 10 aos. As mismo Cheng obtuvo un modelo no lineal que
relaciona la precipitacin mxima de periodo de retorno T con duracin t, a una funcin del logaritmo del
perodo de retorno T elevado a un exponente (x-1) donde x es la relacin G
INJOO
INJO
entre la precipitacin
para T = 100 aos y T = 10 aos ambos para la misma duracin (Cheng, 1983). Puesto que existe
gran escases de datos pluviomtricos en la gran mayora de las estaciones utilizadas en esta
investigacin, no se tom en cuenta la variable duracin.
4.4.2. Influencia de los elementos climticos en la regionalizacin de precipitacin mxima
En estudios recientes el elemento climtico que utilizaron como predictor de la precipitacin mxima fue la
precipitacin media en un modelo potencial (Morales, Casanova, Castellaro, & Mattar, 2005) y en funcin de
precipitaciones para periodos de retorno inferiores (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995), en
cambio en la presente investigacin se propone predecir la precipitacin mxima a partir del periodo de
retorno, de la oscilacin media de la temperatura y de la humedad relativa media como elementos del clima.
La influencia sobre la precipitacin mxima, de la oscilacin media de temperatura es inversa y de la
humedad relativa media es directa, as mismo, la influencia del periodo de retorno es directa, en las
investigaciones anteriores (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano,
42
2002), (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995), (Bell, 1969) y (Cheng, 1983), no se utilizaron
estas variables explicativas.
4.4.3. Modelos empricos de precipitacin mxima en funcin de factores y elementos climticos
Se obtuvo un modelo no lineal emprico que relaciona la precipitacin mxima con el logaritmo del periodo
de retorno, la altitud, la latitud y la longitud, estas variables poseen coeficientes significativos al 95% de
confianza. Se determinaron tambin cinco modelos empricos, para 5 regiones homogneas, las cuales fueron
obtenidas por anlisis clster. En estos modelos la variable que posee mayor influencia en la precipitacin
mxima es el periodo de retorno seguido por la altitud y la latitud dependiendo de la zona. Estos resultados
apoyan la hiptesis que la precipitacin mxima se relaciona ms con el logaritmo del periodo de retorno
como se obtuvo en los resultados de estudios anteriores (Bell, 1969), (Cheng, 1983) y la tambin muestran
consistencia con la influencia de la latitud y longitud en la frecuencia de precipitacin mostrada por otros
estudios (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002).
En los modelos empricos no lineales que relacionan la precipitacin mxima con los elementos del clima y
el periodo de retorno, se observa que la oscilacin media de la temperatura, la humedad relativa media y el
periodo de retorno, son las variables que tienen mayor influencia por tener coeficientes estadsticamente
significativos al 95% de confianza. En los estudios revisados (Morales, Casanova, Castellaro, & Mattar,
2005), (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995) no se tuvo en cuenta los elementos climticos
considerados en la presente investigacin, en cambio solo consideraron la precipitacin media y en otros
estudios (Bell, 1969), (Cheng, 1983) se consider la precipitacin para un periodo de retorno y una duracin
especifica como una variable explicativa de los modelos no lineales que propusieron.
43
VI. CONCLUSIONES
-
Las distribuciones Log normal 3 parmetros y Log Gumbel son las que se ajustan mejor a las
precipitaciones mximas de 24 horas para todas las estaciones meteorolgicas de la vertiente del lago
Titicaca.
La prueba de normalidad de Anderson-Darling para la precipitacin mxima de 24 horas, los

factores climticos latitud, longitud, altitud y el periodo de retorno, obtuvo probabilidades de
excedencia menores a 0.05 por lo que se tuvo que transformar los datos, adems los estadsticos
descriptivos indican tambin no normalidad de datos.
El modelo regional no lineal mltiple aditivo entre los factores climticos y la precipitacin mxima
de 24 horas, tiene un ajuste adecuado con datos que se han tenido que transformar con logaritmos y
exponentes.
El resultado del modelo de regresin lineal con valores transformados obtuvo r2 = 38.8 %, r2ajustado =
36.5%, desviacin tpica de sy = 0.0141, anlisis de varianza que concluye un coeficiente de
determinacin significativo al 95% de confianza, un estadstico de Durbin-Watson de 0.5456 que
indica que la regresin no es espuria. Los valores indican en que el modelo no se ajusta
perfectamente a los datos.
El anlisis clster determino 05 grupos de estaciones con caractersticas y valores similares, siendo
estos: grupo I (Ananea y Cojata), grupo II (Arapa, Ayaviri, Azangaro, Cabanillas, Capachica,
Chuquibambilla, Crucero, Huancane, Lampa, Los Uros, Maazo, Muani, Pampahuta, Progreso,
Pucar y Putina), Grupo III (Capazo, Mazocruz y Pizacoma), grupo IV (Desaguadero, HuarayaMoho, Juli, Laraqueri, Puno, Tahuaco-Yunguyo y Taraco) y grupo V (Isla Taquile); estos grupos son
homogneos en funcin a factores climticos y precipitacin mxima para los periodos de retorno
considerados.
La influencia de los elementos climticos como la oscilacin de temperatura media anual y la

humedad relativa media, junto con los factores climticos sobre la precipitacin mxima en un
modelo no lineal de tipo potencial obtuvo un r2 = 47.98% y un r2ajustado = 45.00 %, un error estndar
de regresin de 12.55 y un estadstico de Durbin-Watson de 0.64, indicando que las variables
independientes tienen influencia sobre la variacin de las precipitaciones mximas de 24 horas y que
la regresin no es espuria.
El modelo ms adecuado obtenido tiene la siguiente forma

Pmax = 193.9512 (T)0.1586(Osc)-0.6508
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc =
oscilacin media de temperatura (C); este modelo presenta coeficientes estadsticamente
significativos al 95% de confianza, un r2 = 50% y un estadstico de Durbin-Watson de 0.52 que
indica que la regresin no es espuria.
44
VII. RECOMENDACIONES
Tomar en cuenta que al considerar solamente la informacin de precipitacin mxima de 24 horas

en los clculos de diseo hidrulico puede llevar a errores puesto que se oculta la distribucin de a
precipitacin en el tiempo, lo cual se puede mejorar investigando curvas intensidad-duracinfrecuencia; sin embargo, existen pocas estaciones pluviogrficas.
Utilizar esta informacin, implica mejorar la exactitud de los clculos y por consiguiente optimizar
la inversin en una obra. Los resultados presentados se convierten en un instrumento general y
verstil para la estimacin de Lluvias de Diseo y, por lo tanto, en una herramienta de empleo
asegurado no solo en Hidrologa, sino tambin en la agricultura, Ecologa, Diseo de obras y
Planeamientos hidrulicos y obras en zonas de la regin del altiplano.
Se recomienda para realizar una mejor caracterizacin de las tormentas extremas contar con datos
relativos a la temperatura, presin atmosfrica e imgenes satelitales de los das pluviomtricos, as
como en los das previos y posteriores al mismo, que haran posible encuadrar a cada evento dentro
de una clasificacin dada por su gnesis que no es posible realizar solo con los datos de
pluviometra.
45
VIII. BIBLIOGRAFA O REFERENCIAS
Aparicio, F. J. (1992). Fundamentos de hidrologa de superficie. Mxico DF, Mxico: Limusa.

Bell, F. (1969). Generalized Rainfall-Duration-Frecuency Relationships. Journal hydraulic engineering, Div.,
Vol.95, No.HY1.
Cheng, C. (1983). Rainfall Intensity-Duration-Frecuency formulas. Journal hydraulic engineering., Vol.109,
No.12.
Chereque, W. (1989). HIDROLOGIA. Lima Peru: CONCYTEC Pontificia Universidad Catolica de lima.
Chow, V. T., Maidment, D., & Mays, L. (1994). Hidrologa Aplicada. Bogota, Colombia: Mc Graw Hill.
Coaquira, A. R. (1998). Analisis de Precipitaciones Maximas de 24 horas. Puno peru: PRORRIDRE.
COLE, H. (2002). Nociones de regresion lineal. Guatemala: Universidad francisco marroquin.
Cortes, N. (2003). REGIONALIZACION DE TORMENTAS DE DISEO EN LA CUENCA DEL VALLE DE MEXICO.
MEXICO: UNIVERSIDAD AUTONOMA METROPOLITANA.
Cutipa Luque, E. (1999). Aplicacion de Modelos hidrologicos en el analisis de maximas avenidas del rio
grande Ilave-Puno. Tesis de ingeniero Agricola. Universidad Nacional del Altiplano de puno, 120.
Faras, H., & Olmos, L. (2007). Estudio Regional de las Lluvias Mximas Diarias. Aplicacin a la Llanura
Chaquea Argentina. XXI Congreso Nacional Del Agua. San Miguel de Tucumn.
Flores, Q. L. (2006). Aplicacion de Modelos Hidrologicos en el Analisis de Maximas Avenidas de la Cuenca
Hidrografica de Illpa. Puno: tesis de Ingenieria Agricoa UNA-FIA.
Mejia, A. (2001). Hidrologia Aplicada. Lima: CIP-FIA-UNIVERSIDAD NACIONAL AGRARIA LA MOLINA.
Morales, L., Casanova, M., Castellaro, G., & Mattar, C. (2005). Mtodo simple para la estimacin de la
precipitacin mxima en 24 horas en la zona central de Chile.
Nania, L. (2003). Metodos de transformacion Lluvia-Escorrentia y de propagacion de caudales. Apuntes de
Hidrologia Superficial, 10.
Nouvelot, J.-F., Le Goulven, P., Alemn, M., & Pourrut, P. (1995). Anlisis estadstico y regionalizacin de las
precipitaciones en el Ecuador. El agua en el Ecuador-Artculo IV, 27-66.
46
Paoli, Caick y Morreci. (2002). Consistencia en la Determinacion de <crecidas de Diseo por transformacion
Lluvia-Caudal y analisis de Frecuencia. Mexico: Ingenieria hidraulica.
Ponce, V. (1998). Engineering Hidrology. EE. UU.: Prentice Hall. San Diego State University.
Robles, F. D. (2009). Regresion Multiple. Lima peru: EPG Universidad Inca Garcilazo de la Vega.
Saavedra, N., Mller, E., & Foppiano, J. (2002). Monthly Mean Rainfall Frequency Model for the Central
Chilean Coast: Some climate Inferences. International Journal of Climatology, 1495 1509.
Santayana, V. (1990). Ingenieria de recursos Hidricos. Lima: Departamento de Recursos Agua y Tierra
UNALM.
47
ANEXOS
ESTACIONES METEOROLGICAS Y FACTORES CLIMTICOS Y PERIODO DE RETORNO
Estacin
T (Aos)
Pmax (Mm)
Altitud
Latitud
Longitud
Ananea
25
52.86
4660
14.67872222
69.53452778
50
66.58
4660
14.67872222
69.53452778
100
82.70
4660
14.67872222
69.53452778
200
101.50
4660
14.67872222
69.53452778
25
50.94
3830
15.13555556
70.11861111
50
57.89
3830
15.13555556
70.11861111
100
65.71
3830
15.13555556
70.11861111
200
74.57
3830
15.13555556
70.11861111
25
55.96
3928
14.88111111
70.59277778
50
62.62
3928
14.88111111
70.59277778
100
69.43
3928
14.88111111
70.59277778
200
76.44
3928
14.88111111
70.59277778
25
57.16
3863
14.91472222
70.19111111
50
63.94
3863
14.91472222
70.19111111
100
70.76
3863
14.91472222
70.19111111
Arapa
Ayaviri
Azangaro
Cabanillas
Capachica
Capazo
Chuquibambilla
Cojata
200
77.69
3863
14.91472222
70.19111111
25
56.11
3900
15.63930000
70.34638889
50
61.60
3900
15.63930000
70.34638889
100
67.01
3900
15.63930000
70.34638889
200
72.38
3900
15.63930000
70.34638889
25
54.47
3933
15.61580000
69.84430000
50
61.80
3933
15.61580000
69.84430000
100
69.63
3933
15.61580000
69.84430000
200
78.00
3933
15.61580000
69.84430000
25
44.38
4530
17.18638889
69.74555556
50
50.23
4530
17.18638889
69.74555556
100
56.52
4530
17.18638889
69.74555556
200
63.29
4530
17.18638889
69.74555556
25
57.31
3971
14.79638889
70.72833333
50
64.18
3971
14.79638889
70.72833333
100
71.23
3971
14.79638889
70.72833333
200
78.50
3971
14.79638889
70.72833333
25
54.17
4380
15.01666667
69.35555556
50
61.52
4380
15.01666667
69.35555556
100
69.39
4380
15.01666667
69.35555556
200
77.85
4380
15.01666667
69.35555556
48

Estacion
T (AOS)
PMAX (mm)
ALTITUD
LATITUD
LONGITUD
Crucero
25
63.78
4183
14.36260000
70.02380000
50
70.74
4183
14.36260000
70.02380000
100
77.63
4183
14.36260000
70.02380000
200
84.52
4183
14.36260000
70.02380000
25
66.94
3808
16.56880000
69.04040000
50
74.22
3808
16.56880000
69.04040000
100
81.58
3808
16.56880000
69.04040000
200
89.09
3808
16.56880000
69.04040000
25
59.84
3890
15.20333333
69.76250000
50
64.52
3890
15.20333333
69.76250000
100
69.04
3890
15.20333333
69.76250000
200
73.45
3890
15.20333333
69.76250000
25
65.62
3890
15.38972222
69.49138889
50
71.10
3890
15.38972222
69.49138889
100
76.49
3890
15.38972222
69.49138889
Desaguadero
Huancane
Huaraya Moho
Isla Taquile
Juli
Lampa
Laraqueri
Los Uros
Maazo
200
81.83
3890
15.38972222
69.49138889
25
84.04
3850
15.77944444
69.69472222
50
99.09
3850
15.77944444
69.69472222
100
116.69
3850
15.77944444
69.69472222
200
137.34
3850
15.77944444
69.69472222
25
70.26
3812
16.20361111
69.45972222
50
81.3
3812
16.20361111
69.45972222
100
93.96
3812
16.20361111
69.45972222
200
108.55
3812
16.20361111
69.45972222
25
54.82
3892
15.35583333
70.37277778
50
59.57
3892
15.35583333
70.37277778
100
64.22
3892
15.35583333
70.37277778
200
68.81
3892
15.35583333
70.37277778
25
66.21
3900
16.15250000
70.06777778
50
77.50
3900
16.15250000
70.06777778
100
89.92
3900
16.15250000
70.06777778
200
103.56
3900
16.15250000
70.06777778
25
50.41
3808
15.79638889
69.91500000
50
54.22
3808
15.79638889
69.91500000
100
57.79
3808
15.79638889
69.91500000
200
61.19
3808
15.79638889
69.91500000
25
61.54
3920
15.81333333
70.33888889
50
69.18
3920
15.81333333
70.33888889
100
76.97
3920
15.81333333
70.33888889
200
84.95
3920
15.81333333
70.33888889
49

Estacin
T (Aos)
Pmax (Mm)
Altitud
Latitud
Longitud
Mazo Cruz
25
40.22
4003
16.74555556
69.71166667
50
42.86
4003
16.74555556
69.71166667
100
45.29
4003
16.74555556
69.71166667
200
47.56
4003
16.74555556
69.71166667
25
40.5
3948
14.77944444
69.96583333
50
43.44
3948
14.77944444
69.96583333
100
46.27
3948
14.77944444
69.96583333
200
49.02
3948
14.77944444
69.96583333
25
45.99
4400
15.49138889
70.67750000
50
48.49
4400
15.49138889
70.67750000
100
50.85
4400
15.49138889
70.67750000
200
53.10
4400
15.49138889
70.67750000
25
50
49.76
54.05
3930
3930
16.91500000
16.91500000
69.37277778
69.37277778
100
58.18
3930
16.91500000
69.37277778
200
62.20
3930
16.91500000
69.37277778
25
42.46
3980
14.69472222
70.35555556
50
46.02
3980
14.69472222
70.35555556
100
49.52
3980
14.69472222
70.35555556
Muani
Pampahuta
Pizacoma
Progreso
Pucara
Puno
Putina
Tahuacoyunguyo
Taraco
200
52.99
3980
14.69472222
70.35555556
25
56.53
3900
15.03361111
70.37277778
50
61.84
3900
15.03361111
70.37277778
100
67.03
3900
15.03361111
70.37277778
200
72.14
3900
15.03361111
70.37277778
25
63.61
3812
15.82333333
70.01805556
50
73.70
3812
15.82333333
70.01805556
100
85.30
3812
15.82333333
70.01805556
200
98.67
3812
15.82333333
70.01805556
25
48.30
3878
14.9150000
69.86805556
50
51.44
3878
14.9150000
69.86805556
100
54.36
3878
14.9150000
69.86805556
200
57.13
3878
14.9150000
69.86805556
25
56.72
3891
16.3050000
69.06750000
50
64.43
3891
16.3050000
69.06750000
100
72.75
3891
16.3050000
69.06750000
200
81.73
3891
16.3050000
69.06750000
25
68.61
3849
15.3050000
69.98250000
50
81.06
3849
15.3050000
69.98250000
100
94.77
3849
15.3050000
69.98250000
200
109.85
3849
15.3050000
69.98250000
50
UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

OFICINA UNIVERSITARIA DE INVESTIGACIN
FACULTAD DE INGENIERA AGRCOLA
ESCUELA PROFESIONAL DE INGENIERA AGRCOLA
INFORME FINAL DE INVESTIGACIN

INFLUENCIA DE FACTORES CLIMTICOS EN LA REGIONALIZACIN DE PRECIPITACIONES
MXIMAS EN LA VERTIENTE DEL LAGO TITICACA
PRESENTADO POR:
EDUARDO FLORES CONDORI
EDUARDO LUIS FLORES QUISPE
PUNO PER
2013
51

PUNO

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

PUNO

Hochgeladen von

Copyright:

Verfügbare Formate

NDICE

2.1.2. Hiptesis especficas

2.2. Objetivos del estudio ...................................................................................................................... 2

2.2.2. Objetivos especficos

III. REVISIN DE LITERATURA .................................................................... 4

3.4.2. Distribucin de Gumbel y Log Gumbel

3.4.3. Distribucin Pearson III y Log Pearson III

3.5. Regionalizacin hidrolgica .......................................................................................................... 10

3.6.2. Distribucin regional de las lluvias mximas

3.7. Regresin lineal mltiple .............................................................................................................. 11

IV. METODOLOGA ......................................................................................... 15

4.3. Topografa ..................................................................................................................................... 16

4.5.2. Informacin Cartogrfica

4.6. Mtodos ........................................................................................................................................ 18

4.6.2. Calibracin de la relacin

4.6.3. Validacin de la relacin

4.6.4. Anlisis de Variancia

4.6.5. Estimacin de parmetros

4.2.2. La prueba de normalidad de Anderson Darling y estadstica descriptiva

4.2.2. Determinacin grupos homogneos de estaciones a travs del anlisis clster

4.3. Influencia de los elementos climticos en la regionalizacin de precipitaciones mximas ......... 37

4.3.5. Modelo de Regresin no lineal 3 entre elementos climticos y precipitacin mxima

4.4. Discusin de resultados ................................................................................................................ 41

4.4.2. Influencia de los elementos climticos en la regionalizacin de precipitacin mxima

4.4.3. Modelos empricos de precipitacin mxima en funcin de factores y elementos climticos

VI. CONCLUSIONES ........................................................................................ 44

El presente trabajo de regionalizacin de precipitaciones mximas se ha efectuado dentro de la vertiente

Keywords: regionalization, high rainfall, watershed of Lake Titicaca, cluster analysis

2.2. Objetivos del estudio

2.2.2. Objetivos especficos

III. REVISIN DE LITERATURA

Dnde: P(i) corresponde a la precipitacin media mensual, a y b son constantes a determinar

As mismo en un trabajo realizaron el siguiente procedimiento en su estudio de anlisis estadstico y

-.1  2/ 0, -./  2 -.1 ; -.-/  2. -./ 

6 , 5-./  2 5-.1 ; 5-.-/  2. 5-./ 

- Estimacin de diversas frecuencias de las intensidades I ( o de las lminas precipitadas h)

Si 2 T 100 en aos y 5 t 120 en minutos.

/ //- log10C > C/  

Vlida para T 1ao y 5min t 24h

:; = precipitacin, en milmetros para una duracin t y un perodo de retorno T, T = perodo de

retorno (aos), t= duracin (min).

Los valores de a, b y c = Parmetros de la tormenta que pueden variar segn el factor de

cuenta la relacin H  IKJ , ni aquellas medidas por la relacin G 

perodo de retorno se supone un IKJ  40% y G 

 1.48 la ecuacin se reduce a (Bell, 1969):

22.57//- log10-.1 > -. Q  

c1 = 0.738 se obtienen de acuerdo a la relacin de IKJ  40% , segn el nomograma de

Cheng (Cheng, 1983).

tiene un buen registro de aos en 24 h, se puede obtener directamente el valor de x, en caso

3.2. Relaciones intensidad duracin frecuencia

3.3. Anlisis de informacin hidrolgica

3.4. Funciones de distribucin de probabilidad usadas en hidrologa

Q = la media de los n caudales o precipitaciones mximas; P= es la probabilidad de que un mximo caudal o

como Papel de Distribucin Gumbel.

3.4.3. Distribucin Pearson III y Log Pearson III

La funcin de densidad de y la funcin de probabilidad acumulada estn dadas por:

P(Q < Qdado ) = F (Q ) =

3.5. Regionalizacin hidrolgica

3.6. Proceso de regionalizacin

3.7. Regresin lineal mltiple

3.8. El error estndar de la regresin mltiple (Sxy)

Nmero de variables independientes

3.9. El coeficiente de determinacin r2

3.10. Sistema hidrolgico

-.1 2/ 0, -./ 2 -.1 ; -.-/ 2. -./

6 , 5-./ 2 5-.1 ; 5-.-/ 2. 5-./

/ //- log10C > C/

cuenta la relacin H IKJ , ni aquellas medidas por la relacin G

perodo de retorno se supone un IKJ 40% y G

1.48 la ecuacin se reduce a (Bell, 1969):

22.57//- log10-.1 > -. Q

c1 = 0.738 se obtienen de acuerdo a la relacin de IKJ 40% , segn el nomograma de

G C-. -Rk

i CR.@R / l 10/-

i CR.@R / l 10/-

G C-. 1.Q

Precipitacin mxima G C-.R- /1Q-. 1R/

)j -.kk-k /10R1

)j -.kk-k /10R1