Facultad de Ingeniería y Ciencias Aplicadas

Análisis estadístico del comportamiento climático desde 1982 hasta

2010 de las zonas costeras del Ecuador: Portoviejo, Milagro y Chone
Statistical analysis of the climatic behavior from 1982 to 2010 of the
coastal zones of Ecuador: Portoviejo, Milagro and Chone

Valentina Moreno
[email protected]

14 de julio de 2023

RESUMEN
El presente estudio consta de un análisis sobre el comportamiento climático a lo largo de
los años en base a los datos obtenidos de las estaciones meteorológicas del INAMHI en
Portoviejo, Milagro y Chone. Su objetivo principal es determinar los años en los que
existe una mayor precipitación y temperatura, y la correlación existente entre estas dos
variables mediante un análisis estadístico con el software R; además, se realizarán
predicciones para conocer si los mismos aumentan a lo largo del tiempo. Los resultados
indicaron diferencias significativas entre los lugares y los años, demostrando que aquellos
con mayores precipitaciones se deben a la presencia del fenómeno del Niño en el país y
su ubicación; adicional, no se prevén cambios pronunciados en las condiciones
climáticas.
Palabras Clave: Análisis, precipitación, temperatura, software R, predicción.
ABSTRACT
The present study consists of an analysis of the climatic behavior throughout the years
based on the data obtained from the INAMHI meteorological stations in Portoviejo,
Milagro and Chone. Its main objective is to determine the years in which there is a higher
precipitation and temperature, and the existing correlation between these two variables
through a statistical analysis with the R software; In addition, predictions will be made to
find out if they increase over time. The results indicated significant differences between
places and years, demonstrating that those with higher rainfall are due to the presence of
the El Niño phenomenon in the country and its location; In addition, no pronounced
changes in weather conditions are anticipated.
Key Words: Analysis, precipitation, temperature, R software, prediction.
Facultad de Ingeniería y Ciencias Aplicadas

INTRODUCCIÓN
Generalmente, el clima se ve relacionado con el comportamiento de los parámetros
meteorológicos y su impacto en diversas actividades humanas, por la misma razón que
llevó a este estudio a enfocarse en el análisis de la precipitación y los cambios de
temperatura a lo largo de los años en las regiones costeras de Ecuador.
Este país es uno de los más vulnerables ante el cambio climático, principalmente por la
presencia de los fenómenos del Niño y de la Niña, que han golpeado fuertemente las
costas del país. De acuerdo con Armenta et al. (2016), estos fenómenos “afectan
significativamente a diversos sectores y aspectos de la vida humana, tales como
agricultura, economía, salud, entre otros”.
El fenómeno del Niño tuvo su primera aparición en Ecuador en los años de 1982-1983 y
1997-1998, siendo el de 1997 uno de los más fuertes, dejando graves afectaciones en el
país. (Enrique, s.f.).
Este se caracteriza por el aumento en las precipitaciones en la costa pacífica de América,
especialmente en Ecuador, y temperaturas ligeramente más altas debido al
sobrecalentamiento del Océano Pacífico. (Comisión Nacional de Meteorología e
Hidrología de Venezuela, 1998). De diferente forma, la Secretaría de Cultura, Recreación
y Deporte (s.f.) menciona que en cuanto al fenómeno de la Niña, este suele ir acompañado
de bajas temperaturas que provocan severas sequías a lo largo de la costa latinoamericana.
Cabe destacar que después del año del Niño, viene el año de la Niña, siendo así las
primeras apariciones en 1983-1984 y 1998-1999. Sin embargo, la aparición de este, no
ha sido tan brusca como la del Niño.
Desde las instalaciones del Instituto Nacional de Meteorología e Hidrología (INAMHI),
se almacena una base de datos de la temperatura y precipitación de las estaciones
meteorológicas a lo largo del país.
El objetivo de este estudio es analizar el comportamiento climático de las estaciones de
Portoviejo, Milagro y Chone, con el fin de identificar si las variaciones en la temperatura
y precipitación se deben a estos fenómenos y su ubicación; y, predecir si existirá un
aumento de las condiciones climáticas a medida que pasan los años. Del mismo modo,
determinar si existe una relación significativa entre las dos variables, y si el aumento de
una influye en la otra.

MATERIALES Y MÉTODOS
Obtención de datos
Para este estudio se seleccionaron 3 estaciones meteorológicas del Instituto Nacional de
Meteorología e Hidología (INAMHI) que forman parte de la región costera del país. Los
registros fueron tomados de su base de datos, en donde se presentan registros desde 1982
hasta 2010, a continuación, se detallan las estaciones de estudio junto con los datos de
precipitación y temperatura (Tabla 1).
Facultad de Ingeniería y Ciencias Aplicadas

Tabla 1: Datos de precipitación y temperatura obtenidos de las estaciones meteorológicas

del INAMHI de 1982-2010.

Milagro Portoviejo Chone

Año Precipitación Temperatura Precipitación Temperatura Precipitación Temperatura
1982 881,6 26,084 325,0 26,409 717,6 26,230
1983 3121,2 26,539 1607,6 26,139 2611,4 26,266
1984 1066,3 25,649 467,0 24,788 973,2 25,273
1985 460,1 25,204 279,1 24,595 418,5 25,033
1986 1003,0 24,950 444,3 24,983 51,9 26,383
1987 1999,8 26,025 644,7 25,790 1412,8 26,649
1988 910,6 25,373 199,5 25,160 409,4 25,284
1989 1343,5 24,923 620,8 24,599 671,0 25,978
1990 772,9 25,481 160,4 25,398 38,0 24,634
1991 816,0 25,730 252,8 25,867 589,3 25,808
1992 2086,0 25,497 845,2 25,232 1030,7 25,482
1993 1679,8 25,518 373,5 25,699 1422,1 25,401
1994 1107,7 25,073 492,6 25,188 1269,7 25,195
1995 819,1 25,730 414,2 25,506 977,8 25,653
1996 826,9 25,145 386,7 25,150 620,6 25,357
1997 3360,0 26,750 1336,0 26,616 2085,1 26,816
1998 3929,2 26,191 1699,0 25,949 2229,2 26,300
1999 995,4 24,802 647,4 24,679 1538,5 24,980
2000 930,1 24,884 347,4 24,957 687,6 25,237
2001 1708,5 24,832 720,9 24,816 1315,9 25,277
2002 1579,8 25,640 710,4 25,322 1169,6 25,750
2003 798,6 25,685 327,6 25,405 794,4 25,950
2004 953,1 25,505 355,1 25,612 646,2 25,925
2005 786,5 25,406 627,7 25,252 772,7 25,517
2006 1335,2 25,650 408,3 26,002 1189,7 25,927
2007 875,3 25,420 389,6 25,720 893,8 25,393
2008 1977,3 25,433 674,5 25,151 1053,8 25,454
2009 1097,7 25,718 334,3 26,419 719,9 26,072
2010 1369,5 25,598 238,3 24,769 1355,0 25,577

Método
El método de investigación del presente estudio, es un método cuantitativo, en el cual se
utilizaran una serie de datos numéricos con el fin de obtener la tendencia en las
variaciones de precipitación y temperatura en la región costera del Ecuador.
Además, se puede determinar la correlación entre temperatura y precipitación, y el
aumento de las mismas, incluido los años con mayor y menor precipitación debido a
fenómenos naturales.
Facultad de Ingeniería y Ciencias Aplicadas

Análisis Estadístico
El análisis de datos se realizó mediante el programa de software de R. Los datos de
precipitación y temperatura a lo largo de los años fueron organizados en una tabla de
Excel (Anexo 1), con el fin de ser exportados posteriormente al software mencionado.
Como parte del diseño experimental se relacionó cada una de las variables a estudiar con
el año y lugar.
Se obtuvieron 168 datos en total, de los cuales 84 forman parte de precipitación media
anual, y 84 de temperatura media anual. Se corrió un análisis de normalidad mediante la
prueba de Shapiro (p>0,05), el mismo que mostró resultados positivos para temperatura,
pero negativos para precipitación. En el caso de estos, el análisis se utilizó transformando
los datos mediante la prueba de boxcox. Posterior, el análisis de datos fue mediante un
método paramétrico, y la tabla de Análisis de Varianza (ANOVA).
Finalmente, se realizó una prueba de correlación, y regresiones lineales, para obtener los
gráficos de distribución de los datos.

RESULTADOS
Shapiro Test
Mediante la prueba de Shapiro, se analizará la normalidad de los datos a ser estudiados.
Si la prueba muestra valores de p>0,05, los datos tienden a la normalidad; por otro parte,
si los valores de p<0,05, los datos no tienden a la normalidad.
Tabla 2: Valores de p para cada variable
Variable p-value
Precipitación 1.2e-07
Temperatura 0.1809

Los datos de temperatura son normales, sin embargo, los datos de precipitación no tienden
a la normalidad; dicho esto, se realiza la prueba de boxcox, con el fin de transformar los
datos y conseguir la normalidad.
Ilustración 1: Gráfico de Boxcox
Facultad de Ingeniería y Ciencias Aplicadas

Fuente: Elaboración propia

La lambda calculada para la transformación es de 0,5; la misma que permitió obtener un
valor de p de 0.08096.
Prueba de ANOVA
Tabla 3: Valor de f para la prueba de análisis de varianza
Variable F value Pr(>F)
Precipitación~Lugar+Fecha 65.86 ***
Temperatura~Lugar+Fecha 10.20 ***

El valor de f es mayor al de las tablas, por tanto los tres asteriscos (***) muestran que se
acepta la hipótesis alterna de la prueba de varianza, es decir que el lugar y la fecha son
diferentes para ambas variables.
Prueba de Tukey
La prueba de Tukey mostró que los 3 lugares tienen una precipitación y temperatura
diferente. Para el caso de precipitación mostró que aquel que tiene más lluvias es Milagro,
seguido por Chone, y Portoviejo. Por otra parte, el lugar que presentó temperaturas más
altas es Chone, seguido por Milagro y Portoviejo. (Anexo 2 y 3)
Los años con mayores precipitaciones en los 3 sitios son 1998, 1983 y 1997; y los que se
encuentran con menores precipitaciones 1985 y 1990. (Anexo 4)
En cambio, los años con mayores temperaturas son 1997, 1982, 1982; y los que presentan
bajas temperaturas son 1985 y 1999. (Anexo 5)
Correlación y Regresiones lineales
Mediante la función cor(), se estableció la correlación entre la precipitación y la
temperatura, para analizar si las mismas se encuentran relacionadas. El coeficiente de
Facultad de Ingeniería y Ciencias Aplicadas

correlación presentó un valor de 0.4259603, el mismo que significa una baja relación
entre las variables.
A pesar de esto, se realizó una regresión lineal para predecir si la precipitación aumenta
a medida que la temperatura aumenta. El gráfico obtenido se presenta en la ilustración 2.
Ilustración 2: Aumento de la precipitación conforme aumenta la temperatura

Fuente: Elaboración propia

Además, las regresiones lineales permiten medir el comportamiento del clima a lo largo
de los años; y predecir cambios significativos en estos. Los gráficos de dispersión se
presentan en las ilustraciones 3 y 4.
Ilustración 3: Aumento de la precipitación conforme los años

Fuente: Elaboración propia

Facultad de Ingeniería y Ciencias Aplicadas

Ilustración 4: Aumento de la temperatura conforme los años

Fuente: Elaboración propia

DISCUSIÓN
Si bien, las variables no se encuentran completamente relacionadas, podemos observar
un aumento en las temperaturas a medida que la precipitación aumenta, y este se ve
principalmente ligado con el fenómeno del Niño y de la Niña, los mismos que afectan
especialmente a las zonas costeras del país.
Es así como, los años en los que existen precipitaciones más altas, están relacionados con
los años de la presencia del fenómeno del Niño en Ecuador. Este provoca el calentamiento
anormal de las aguas, y la evaporación de las mismas, provocando altas precipitaciones y
temperaturas mayores. (Comisión Nacional de Meteorología e Hidrología de Venezuela,
1998).
La diferencia de la precipitación entre lugares se debe a la altura de las mismas, a una
mayor elevación, las precipitaciones van disminuyendo. Es así como, Milagro, al
encontrarse a 12 m.s.n.m, tiene más lluvias que Portoviejo, que se encuentra a 53 m.s.n.m.
Por otra parte, los años con menor cantidad de precipitación, se ven relacionadas con la
presencia del fenómeno de la Niña en Ecuador, el cual provoca fuertes sequías en la zona
costera del país, y bajas temperaturas. (Secretaría de Cultura, Recreación y Deporte, s.f.)
Finalmente, las predicciones muestran que no existirán cambios significativos en la
precipitación y temperatura, los mismos se mantienen constantes; sin embargo, los datos
distantes encontrados se deben a la presencia de los fenómenos antes mencionados,
mismos que no se pueden predecir.
Facultad de Ingeniería y Ciencias Aplicadas

CONCLUSIONES
El comportamiento climático en las zonas costeras del Ecuador, se ve determinado por la
presencia del fenómeno del Niño y de la Niña. En los años en lo que se presencia el primer
fenómeno, la precipitación aumenta, al igual que la temperatura, a pesar de no existir una
relación directa entre las variables; y la ubicación de la estación meteorológica afecta
directamente de acuerdo a su elevación.
Las predicciones permiten definir si el cambio climático avanza en el país, y si las
condiciones climáticas van a ser extremamente dañinas para el medio ambiente y la
población como tal. Sin embargo, no se ve cambios pronunciados en estos.
A pesar de ello, se recomienda implementar medidas de mitigación y adaptación frente a
las variaciones climáticas, con el fin de que el impacto sea menor a lo predicho, en el caso
de que llegue a suceder.

BIBLIOGRAFÍA
Armenta, G., Villa, J. & Jácome, P. (2016). Proyecciones climáticas de precipitación y
temperatura para Ecuador, bajo distintos escenarios de cambio climático.
Ecuador.
Comisión Nacional de Meteorología e Hidrología de Venezuela. (1998).El fenómeno de
el Niño. Comuniica, 3(9): 48-55.
Del Salto, M., Gálvez, H. & Regalado, J. (2013). Análisis del comportamiento climático
de los últimos 30 años, en las costas de Esmeraldas, Manta y Puerto Bolívar
durante la época húmeda. Acta Oceanográfica del Pacífico, 18(1).
Enrique, L. (s.f.). El fenómeno el Niño: Memoria, retos y soluciones. Corporación
Andina de Fomento, 4: 14-311. Recuperado el 13 de julio de 2023.
Secretaría de Cultura, Recreación y Deporte. (s/f). El fenómeno de La Niña. Recuperado
el 13 de julio de 2023, de
https://www.culturarecreacionydeporte.gov.co/es/bogotanitos/biodiverciudad/el-
fenomeno-de-la-nina
Useros, J. (2013). El cambio climático: sus causas y efectos medioambientales. Real
Academia de Medicina y Cirugía de Valladolid, 50: 71-98.
Valderrama, M., Vásquez, V. & León, E. (2021). Cambios en patrones de precipitación y
temperatura en el Ecuador, región costa. Dilemas contemporáneos: educación,
política y valores, 8(spe2).
Facultad de Ingeniería y Ciencias Aplicadas

ANEXOS
Anexo 1: Tabla de datos en Excel, para la exportación en R.

Lugar Fecha Prec Temp

Milagro 1982 881,6 26,084
Milagro 1983 3121,2 26,539
Milagro 1984 1066,3 25,649
Milagro 1985 460,1 25,204
Milagro 1986 1003 24,95
Milagro 1987 1999,8 26,025
Milagro 1988 910,6 25,373
Milagro 1989 1343,5 24,923
Milagro 1990 772,9 25,481
Milagro 1991 816 25,73
Milagro 1992 2086 25,497
Milagro 1993 1679,8 25,518
Milagro 1994 1107,7 25,073
Milagro 1995 819,1 25,73
Milagro 1996 826,9 25,145
Milagro 1997 3360 26,75
Milagro 1998 3929,2 26,191
Milagro 1999 995,4 24,802
Milagro 2000 930,1 24,884
Milagro 2001 1708,5 24,832
Milagro 2002 1579,8 25,64
Milagro 2003 798,6 25,685
Milagro 2004 953,1 25,505
Milagro 2005 786,5 25,406
Milagro 2006 1335,2 25,65
Milagro 2007 875,3 25,42
Milagro 2008 1977,3 25,433
Milagro 2009 1097,7 25,718
Milagro 2010 1369,5 25,598
Portoviejo 1982 325 26,409
Portoviejo 1983 1607,6 26,139
Portoviejo 1984 467 24,788
Portoviejo 1985 279,1 24,595
Portoviejo 1986 444,3 24,983
Portoviejo 1987 644,7 25,79
Portoviejo 1988 199,5 25,16
Portoviejo 1989 620,8 24,599
Portoviejo 1990 160,4 25,398
Portoviejo 1991 252,8 25,867
Portoviejo 1992 845,2 25,232
Portoviejo 1993 373,5 25,699
Portoviejo 1994 492,6 25,188
Facultad de Ingeniería y Ciencias Aplicadas

Portoviejo 1995 414,2 25,506

Portoviejo 1996 386,7 25,15
Portoviejo 1997 1336 26,616
Portoviejo 1998 1699 25,949
Portoviejo 1999 647,4 24,679
Portoviejo 2000 347,4 24,957
Portoviejo 2001 720,9 24,816
Portoviejo 2002 710,4 25,322
Portoviejo 2003 327,6 25,405
Portoviejo 2004 355,1 25,612
Portoviejo 2005 627,7 25,252
Portoviejo 2006 408,3 26,002
Portoviejo 2007 389,6 25,72
Portoviejo 2008 674,5 25,151
Portoviejo 2009 334,3 26,419
Portoviejo 2010 238,3 24,769
Chone 1982 717,6 26,23
Chone 1983 2611,4 26,266
Chone 1984 973,2 25,273
Chone 1985 418,5 25,033
Chone 1986 51,9 26,383
Chone 1987 1412,8 26,649
Chone 1988 409,4 25,284
Chone 1989 671 25,978
Chone 1990 38 24,634
Chone 1991 589,3 25,808
Chone 1992 1030,7 25,482
Chone 1993 1422,1 25,401
Chone 1994 1269,7 25,195
Chone 1995 977,8 25,653
Chone 1996 620,6 25,357
Chone 1997 2085,1 26,816
Chone 1998 2229,2 26,3
Chone 1999 1538,5 24,98
Chone 2000 687,6 25,237
Chone 2001 1315,9 25,277
Chone 2002 1169,6 25,75
Chone 2003 794,4 25,95
Chone 2004 646,2 25,925
Chone 2005 772,7 25,517
Chone 2006 1189,7 25,927
Chone 2007 893,8 25,393
Chone 2008 1053,8 25,454
Chone 2009 719,9 26,072
Chone 2010 1355 25,577
Facultad de Ingeniería y Ciencias Aplicadas

Anexo 2: Tukey de la precipitación por lugares

PrecTrans groups
Milagro 70.29312 a
Chone 58.91274 b
Portoviejo 43.38713 c

Anexo 3: Tukey de la temperatura por lugares

Temp groups
Chone 25.68279 a
Milagro 25.53224 ab
Portoviejo 25.41972 b

Anexo 4: Tukey de la precipitación por fechas

PrecTrans groups
1998 98.74444 a
1983 96.04296 ab
1997 91.45316 abc
1987 69.79820 bcd
1992 69.23306 bcde
2001 67.63928 bcde
2008 66.60018 cdef
2002 65.06630 cdefg
1993 63.34817 cdefg
1999 62.14516 defg
2006 58.82590 defg
1994 58.73971 defg
2010 57.50270 defgh
1989 56.31554 defgh
1984 54.97372 defgh
2005 51.93069 defgh
Facultad de Ingeniería y Ciencias Aplicadas

1995 51.49441 defgh

2007 50.81350 defgh
2009 50.16425 defgh
2000 48.23889 defgh
2004 48.09125 defgh
2003 47.69623 defgh
1982 47.67171 defgh
1996 46.88827 defgh
1991 43.82727 defgh
1988 41.02282 efgh
1986 37.96851 fgh
1985 37.07567 gh
1990 29.08694 h

Anexo 5: Tukey de la temperatura por fechas

Temp groups
1997 26.72733 a
1983 26.31467 ab
1982 26.24100 abc
1987 26.15467 abcd
1998 26.14667 abcd
2009 26.06967 abcde
2006 25.85967 abcdef
1991 25.80167 abcdef
2004 25.68067 bcdefg
2003 25.68000 bcdefg
1995 25.62967 bcdefg
2002 25.57067 bcdefg
1993 25.53933 bcdefg
2007 25.51100 bcdefg
Facultad de Ingeniería y Ciencias Aplicadas

1986 25.43867 bcdefg

1992 25.40367 bcdefg
2005 25.39167 bcdefg
2008 25.34600 cdefg
2010 25.31467 cdefg
1988 25.27233 defg
1984 25.23667 defg
1996 25.21733 efg
1990 25.17100 efg
1989 25.16667 efg
1994 25.15200 efg
2000 25.02600 fg
2001 24.97500 fg
1985 24.94400 fg
1999 24.82033 g

Anexo 6: Script R para el análisis estadístico

datos<-read.table("AOV.csv", sep=";", head=T, dec=",")
datos

datos$Fecha<-as.factor(datos$Fecha)
class(datos$Fecha)

shapiro.test(datos$Prec)

shapiro.test(datos$Temp)

install.packages("MASS",dep=T)
require(MASS)
boxcox(Prec~Lugar+Fecha, data=datos, lambda=seq(-1.0,1.0,0.01))
lambda<-0.5
Facultad de Ingeniería y Ciencias Aplicadas

datos$PrecTrans<-((datos$Prec**lambda)-1)/lambda
datos

shapiro.test(datos$PrecTrans)

analisis<-aov(PrecTrans~Lugar+Fecha,data=datos)
summary(analisis)

analisis1<-aov(Temp~Lugar+Fecha,data=datos)
summary(analisis1)

install.packages("agricolae",dep=T)
require(agricolae)

tukey<-HSD.test(analisis,"Lugar")
tukey$groups

tukey1<-HSD.test(analisis,"Fecha")
tukey1$groups

tukey2<-HSD.test(analisis1,"Lugar")
tukey2$groups

tukey3<-HSD.test(analisis1,"Fecha")
tukey3$groups

cor(datos$Prec, datos$Temp)
reg1<- lm(Prec~Temp,data=datos)
summary(reg1)
Facultad de Ingeniería y Ciencias Aplicadas

plot(reg1)

reg1$fitted.values
datos$PREDICHOS1<-reg1$fitted.values
plot(Prec~Temp,data=datos, xlab= "Temp", ylab= "PrecTrans", main="Grafico 1.
Dispersion de las variables")
lines(predict(reg1)~datos$Temp,col="red")

cor(datos$Prec, datos$Fecha)
reg2<- lm(Prec~Fecha,data=datos)
summary(reg2)
plot(reg2)

plot(Prec~Fecha,data=datos, xlab= "Fecha", ylab= "Prec", main="Grafico 2. Dispersion

de las variables")
lines(predict(reg2)~datos$Fecha, col="red")

cor(datos$Temp, datos$Fecha)
reg3<- lm(Temp~Fecha,data=datos)
summary(reg3)
plot(reg3)

plot(Temp~Fecha,data=datos, xlab= "Fecha", ylab= "Temp", main="Grafico 3.

Dispersion de las variables")
lines(predict(reg3)~datos$Fecha, col="red")

jpeg("boxcox.jpg")
boxcox(Prec~Lugar+Fecha, data=datos, lambda=seq(-1.0,1.0,0.01))
dev.off()

jpeg("dispersion1.jpg")
Facultad de Ingeniería y Ciencias Aplicadas

plot(Prec~Temp,data=datos, xlab= "Temp", ylab= "Prec", main="Grafico 1. Dispersion

de las variables")
lines(predict(reg1)~datos$Temp,col="red")
dev.off()

jpeg("dispersion2.jpg")
plot(Prec~Fecha,data=datos, xlab= "Fecha", ylab= "Prec", main="Grafico 2. Dispersion
de las variables")
lines(predict(reg2)~datos$Fecha, col="red")
dev.off()

jpeg("dispersion3.jpg")
plot(Temp~Fecha,data=datos, xlab= "Fecha", ylab= "Temp", main="Grafico 3.
Dispersion de las variables")
lines(predict(reg3)~datos$Fecha, col="red")
dev.off()

sink("resultados.txt")
tukey$groups
tukey1$groups
tukey2$groups
tukey3$groups
sink()