Universidad Católica de Santa María

Facultad de Arquitectura, Ingeniería Civil y del Ambiente

Escuela Profesional de Ingeniería Civil

COMPARACIÓN DE LAS CURVAS INTENSIDAD-DURACIÓN-FRECUENCIA

GENERADAS A PARTIR DE LAS ESTACIONES PLUVIOMÉTRICAS Y DEL
PRODUCTO GRILLADO PISCO DE PRECIPITACIÓN EN EL DEPARTAMENTO
DE PUNO

Tesis presentada por el Bachiller:

Vela Poma, Arturo Junior

Para optar el Título Profesional de

Ingeniero Civil

Asesor:

Mg. Noriega Aquise, Guillermo

Yorel

Arequipa-Perú

2023
 DEDICATORIA

A mis padres, Arturo y Bacilia, quienes siempre me apoyaron en el camino para poder
ser un profesional.

Gracias por su cariño, por su sacrificio y por todas sus enseñanzas a lo largo de mi
vida.
 AGRADECIMIENTO

Al Servicio Nacional de Meteorología e Hidrología (SENAMHI) por facilitar los

datos de precipitación en este estudio.

A la Universidad Católica de Santa María, asesor y jurados de tesis por sus consejos.
 RESUMEN
El presente estudio tiene como fin comparar las curvas IDF generadas a partir de las
estaciones pluviométricas y las generadas por el producto grillado Pisco para verificar su
precisión en la creación de curvas IDF para que puedan ser usadas en lugares donde halla
escasa información pluviométrica o nula en el departamento de Puno.

Para esto se obtuvo los datos de precipitación del producto grillado Pisco Pd, así
como también los datos de las 22 estaciones pluviométricas proporcionadas por el Senamhi,
para obtener la información de las precipitaciones máximas de 24 horas, luego se procedió a
realizar el análisis de frecuencia mediante el uso de las funciones de distribución de
probabilidad las cuales fueron la distribución log normal de 2 parámetros, log normal de 3
parámetros, log Pearson tipo III y la distribución Gumbel o valor extremo tipo, seguidamente
se procedió a elegir la distribución de probabilidad que mejor se ajustó a la serie de datos
para cada estación, para este fin se usó la prueba de bondad de ajuste de Smirnov-
Kolmogorov, a continuación, se calculó las precipitaciones máximas utilizando los factores
de frecuencia para los periodos de retorno de 2, 5, 10, 25, 50, 100 años, posteriormente se
distribuyó las precipitaciones para diferentes periodos de duración como en el caso de
duraciones menores a 1 hora mediante la metodología de Dick Peschke y duraciones de 1 a
24 horas mediante el uso de coeficientes de duración de lluvia que propone el Manual de
Hidrología, Hidráulica y Drenaje del Perú; asimismo, se procedió a calcular las intensidades
máximas con las cuales se graficaron las curvas IDF, además, se dedujeron las ecuaciones
mediante el análisis de regresión lineal múltiple para evitar una lectura gráfica.

Para finalizar se comparó las intensidades máximas mediante las ecuaciones obtenidas
para cada estación dando como resultado que las intensidades generadas a partir de los datos
de Senamhi y el grillado Pisco son diferentes entre sí presentando grandes variaciones, así
como variaciones mínimas dependiendo de la ubicación geográfica de cada estación.

Palabras claves:

PISCO pd, curvas IDF, intensidad de precipitación

 ABSTRACT
The purpose of this study is to compare the IDF curves generated from the
pluviometric stations and those generated by the Pisco gridded product to verify their
precision in the creation of IDF curves so that they can be used in places where there is little
or no pluviometric information in the department of Puno.

For this, the precipitation data of the gridded product Pisco Pd were obtained, as well
as the data from the 22 pluviometric stations provided by Senamhi, to obtain the information
on the maximum rainfall of 24 hours, then the frequency analysis was carried out. By using
the probability distribution functions, which were the 2-parameter lognormal distribution, the
3-parameter lognormal distribution, the Pearson type III log, and the Gumbel distribution or
extreme value type, then we proceeded to choose the probability distribution that best fit to
the data series for each station, for this purpose the Smirnov-Kolmogorov goodness-of-fit test
was used, then the maximum rainfall was calculated using the frequency factors for the return
periods of 2, 5 , 10, 25, 50, 100 years, subsequently the rainfall was distributed for different
periods of duration as in the case of durations of less than 1 hour using the Dick Peschke
methodology and durations from 1 to 24 hours by using duration coefficients of rain proposed
by the Manual of Hydrology, Hydraulics and Drainage of Peru; Then, the maximum
intensities with which the IDF curves were plotted were calculated, in addition, the equations
were deduced through the multiple linear regression analysis to avoid a graphical reading.

Finally, the maximum intensities were compared using the equations obtained for
each station, resulting in that the intensities generated from the Senamhi data and the Pisco
grid are different from each other, presenting large variations, as well as minimal variations
depending on the geographical location of the each season.

Keywords:

PISCO pd, IDF curves, precipitation intensity,

 ÍNDICE

DEDICATORIA3

AGRADECIMIENTO4

RESUMEN5

ABSTRACT6

CAPÍTULO I ............................................................................................................. 1

1. Planteamiento del problema ..................................................................... 1

1.1. Problemática de la investigación ............................................................... 1

1.2. Justificación de la investigación ................................................................ 2

1.3. Hipótesis ................................................................................................... 3

1.3.1. Hipótesis General .................................................................................. 3

1.3.2. Hipótesis Especificas ............................................................................. 3

1.4. Objetivos .................................................................................................. 3

1.4.1. Objetivo General ................................................................................... 3

1.4.2. Objetivos Específicos ............................................................................ 3

1.5. Alcances y Limitaciones ........................................................................... 4

1.5.1. Alcances ................................................................................................ 4

1.5.2. Limitaciones .......................................................................................... 4

CAPÍTULO II ........................................................................................................... 5

2. Fundamento Teórico ................................................................................ 5

2.1. Antecedentes de la investigación ............................................................... 5

2.2. Estado del arte .......................................................................................... 6

2.3. Marco Legal ........................................................................................... 10

2.4. Marco teórico.......................................................................................... 10

2.4.1. Hidrología ........................................................................................... 10

2.4.2. Ciclo Hidrológico ................................................................................ 10

2.4.3. Cuenca hidrográfica ............................................................................. 10

 2.4.4. Producto grillado Pisco de precipitaciones ........................................... 10

2.4.5. PISCOp v2.1........................................................................................ 11

2.4.6. Precipitación ........................................................................................ 11

2.4.7. Pluviómetro ......................................................................................... 12

2.4.8. Intensidad ............................................................................................ 12

2.4.9. Periodo de retorno ............................................................................... 12

2.4.10. Concepto de riesgo .............................................................................. 13

2.4.11. Selección del periodo de retorno .......................................................... 14

2.4.12. Determinación de la tormenta de diseño............................................... 16

2.4.13. Análisis de consistencia ....................................................................... 19

2.4.14. Pruebas de Bondad de ajuste ................................................................ 20

2.4.15. Análisis de datos .................................................................................. 28

2.4.16. Análisis de frecuencia .......................................................................... 35

CAPÍTULO III ........................................................................................................ 38

3. Metodología .......................................................................................... 38

3.1. Tipo y nivel de investigación .................................................................. 38

3.2. Diseño de investigación .......................................................................... 38

3.2.1. Variable Independiente ........................................................................ 38

3.2.2. Variable Dependiente .......................................................................... 38

3.3. Métodos de investigación ........................................................................ 38

3.3.1. recolección de datos de precipitación: .................................................. 38

3.3.2. Estaciones Pluviométricas.................................................................... 38

3.3.3. Cuencas ............................................................................................... 39

3.3.4. SENAMHI HSR PISCO Prec v2p1 stable daily Prec: Precipitation data
………………………………………………………………………….43

3.3.5. Análisis de consistencia ....................................................................... 46

3.3.6. Uso de modelos probabilísticos ............................................................ 46

 3.3.7. Análisis de frecuencia .......................................................................... 46

3.3.8. Selección de la distribución de probabilidades ..................................... 47

3.3.9. Determinación de las precipitaciones máximas con los factores de

frecuencia............................................................................................ 47

3.3.10. Distribución de las intensidades de la lluvia máxima ............................ 47

3.3.11. Determinación de las ecuaciones de las curvas IDF.............................. 48

CAPÍTULO IV ........................................................................................................ 50

4. Resultados y Discusión .......................................................................... 50

4.1. Selección de la precipitación máxima de 24horas .................................... 50

4.2. Analisis de consistencia .......................................................................... 52

4.3. Análisis de Frecuencia y Distribuciones de probabilidad ......................... 55

4.3.1. Distribución Log Normal de 2 parámetros ........................................... 55

4.3.2. Distribución Log Normal de 3 parámetros ........................................... 56

4.3.3. Distribución log Pearson tipo III .......................................................... 58

4.3.4. Distribución Gumbel o valor extremo tipo I ......................................... 60

4.4. Selección de la función de probabilidad .................................................. 62

4.4.1. Prueba de Smirnov-Kolmogorov.......................................................... 62

4.4.2. Selección de la distribución ................................................................. 77

4.5. Determinación de las precipitaciones máximas con los factores de

frecuencia .............................................................................................. 77

4.6. Distribución de Intensidades de Precipitación máxima ............................ 79

4.7. Ecuaciones de las curvas IDF .................................................................. 85

CAPÍTULO V ....................................................................................................... 100

5. Conclusiones y Recomendaciones ....................................................... 100

5.1. Conclusiones......................................................................................... 100

5.2. Recomendaciones ................................................................................. 101

CAPÍTULO VI ...................................................................................................... 102

6. Referencias .......................................................................................... 102

ANEXOS .............................................................................................................. 106
 ÍNDICE DE TABLAS
Tabla 1. Período de retorno recomendado para estructuras menores .................... 13

Tabla 2. Periodo de retorno ................................................................................. 15

Tabla 3. Valores máximos para el riesgo admisible y vida útil de las obras.......... 16

Tabla 4. Coeficientes de duración entre 1 hora y 48 horas manual de hidrología .. 18

Tabla 5. Ecuaciones para calcular las intensidades máximas para las ciudades

principales de Costa Rica ........................................................................................ 19

Tabla 6. Valores Kn para la prueba de datos dudosos .......................................... 20

Tabla 7. Valores Chi-cuadrado ............................................................................ 24

Tabla 8. Valor critico de Δ .................................................................................. 27

Tabla 9. Coordenadas de estaciones utilizadas ..................................................... 39

Tabla 10. Información de las estaciones ............................................................... 41

Tabla 11. Coeficientes de duración lluvias entre 48 horas y una hora .................... 48

Tabla 12. Datos de precipitación máxima en 24 horas Senamhi Ananea ............... 50

Tabla 13. Datos de precipitación máxima en 24 horas Piscopd Ananea ............... 51

Tabla 14. Precipitacion maxima anual en 24 horas- Ananea ................................. 52

Tabla 15. Análisis de consistencia de datos de la estación Ananea ........................ 53

Tabla 16. Análisis de consistencia - Parámetros.................................................... 54

Tabla 17. Distribución log normal 2 parámetros - Ananea .................................... 56

Tabla 18. Distribución log normal 3 parámetros - Ananea .................................... 58

Tabla 19. Distribución log Pearson tipo III – Ananea ........................................... 60

Tabla 20. distribución Gumbel – Ananea .............................................................. 62

Tabla 21. Prueba de Smirnov Kolmogorov Distribución Log-Normal 2 parámetros

– Ananea-Piscopd ................................................................................................... 65

Tabla 22. Prueba de Smirnov Kolmogorov Distribución Log-Normal 2 parámetros

– Ananea-Senamhi.................................................................................................. 66

Tabla 23. Prueba de Smirnov Kolmogorov Distribución Log-Normal 3 parámetros

– Ananea-Piscopd ................................................................................................... 69

Tabla 24. Prueba de Smirnov Kolmogorov Distribución Log-Normal 3 parámetros

– Ananea-Senamhi.................................................................................................. 70

Tabla 25. Prueba de Smirnov Kolmogorov Distribución Log Pearson Tipo III –

Ananea-Piscopd ...................................................................................................... 72

Tabla 26. Prueba de Smirnov Kolmogorov Distribución Log Pearson Tipo III –

Ananea-Senamhi .................................................................................................... 73

Tabla 27. Prueba de Smirnov Kolmogorov Distribución Gumbel – Ananea-

Piscopd ………………………………………………………………………….75

Tabla 28. Prueba de Smirnov Kolmogorov Distribución Gumbel – Ananea-

Piscopd ………………………………………………………………………….76

Tabla 29. Elección de distribución-Piscopd .......................................................... 77

Tabla 30. Elección de distribución-Senamhi ......................................................... 77

Tabla 31. Precipitación máxima con factores de frecuencia-Ananea-Piscopd ........ 79

Tabla 32. Precipitación máxima con factores de frecuencia -Ananea-Senamhi ..... 79

Tabla 33. Distribución de precipitaciones menores a 1 hora-Ananea-Piscopd ....... 80

Tabla 34. Distribución de precipitaciones menores a 1 hora- Ananea-Senamhi ..... 80

Tabla 35. Distribución de precipitaciones entre 1 y 24 horas-Ananea-Piscopd ...... 81

Tabla 36. Distribución de precipitaciones entre 1 y 24 horas-Ananea-Senamhi ..... 81

Tabla 37. Intensidades Máximas menores a 1 hora-Ananea-Piscopd ..................... 82

Tabla 38. Intensidades Máximas menores a 1 hora - Ananea-Senamhi ................. 82

Tabla 39. Intensidades Máximas entre 1 y 24 horas-Ananea-Piscopd.................... 82

Tabla 40. Intensidades Máximas entre 1 y 24 horas-Ananea-Senamhi .................. 83

Tabla 41. Regresión lineal múltiple – Piscopd – Ananea....................................... 86

Tabla 42. Estadísticas de Regresión -Ananea-Piscopd .......................................... 88

Tabla 43. Regresión lineal múltiple – Piscopd – Ananea....................................... 89

Tabla 44. Estadísticas de Regresión -Ananea-Piscopd .......................................... 91

Tabla 45. Ecuaciones IDF de las estaciones usando Manual de Hidrología,

Hidráulica y Drenaje ............................................................................................... 93

Tabla 46. Ecuaciones IDF de las estaciones usando la expresión de Varhson ........ 94

Tabla 47. Coeficiente de correlación múltiple....................................................... 95

Tabla 48. Comparación de intensidad para 1 hora y un periodo de retorno de 2

años- Ananea .......................................................................................................... 96

Tabla 49. Comparación de intensidad para 4 horas y un periodo de retorno de 25

años- Ananea .......................................................................................................... 97

Tabla 50. Comparación de intensidad para 6 horas y un periodo de retorno de 50

años- Ananea .......................................................................................................... 98

 ÍNDICE DE FIGURAS

Figura 1. Ajuste gráfico con la función densidad .................................................. 21

Figura 2. Ajuste grafico con la función acumulada en papel milimétrico .............. 21

Figura 3. Proceso de selección de una distribución teórica,................................... 29

Figura 4. Función densidad de la distribución normal ........................................... 30

Figura 5. Distribución Log normal de 2 parámetros, Máximo Villon .................... 31

Figura 6. Cuencas del departamento de Puno ....................................................... 40

Figura 7. Ubicación de las estaciones en el departamento de Puno ....................... 42

Figura 8. IRI/LDEO Climate Data Library ........................................................... 43

Figura 9. Información en formato netCDF............................................................ 44

Figura 10. Curva IDF Piscopd de 1 hora- Ananea-Piscopd ................................... 83

Figura 11. Curva IDF Senamhi de 1 hora- Ananea-Senamhi................................. 84

Figura 12. Curva IDF de 1 a 24 horas Piscopd Ananea-Piscopd ........................... 84

Figura 13. Curva IDF de 1 a 24 horas- Ananea-Senamhi ...................................... 85

Figura 14. Comparación de las intensidades ......................................................... 99

 CAPÍTULO I

1. Planteamiento del problema

1.1. Problemática de la investigación
En el mundo entero se presentan desastres que se relacionan con el tiempo, el clima y
el agua, conocidos como fenómenos meteorológicos e hidrológicos los cuales generan
pérdidas de vidas humanas y económicas (Organización Meteorológica Mundial, 2021a). En
América del sur ocurren eventos de precipitación extrema en la región central de los andes,
así como precipitaciones que en algunos años se sitúan por encima de lo normal en diferentes
países como Brasil, Chile y Perú (Organización Meteorológica Mundial, 2021b).

El Perú tiene 38 tipos de climas diferentes, según el método de Clasificación

Climática de Warren Thornthwaite, debido a diversos factores como la cordillera de los
andes. Los climas con mayor extensión en Perú son el árido y templado presente en la costa,
lluvioso y frio en la sierra, y muy lluvioso y cálido en la selva (Senamhi, 2018).

En el departamento de Puno donde el 61% de su territorio es sierra y el 32.1% es

selva, en las cuales se presentan precipitaciones que tienen una duración anual aproximada de
cuatro meses (diciembre a marzo) y como consecuencia de las mismas se pueden generar
inundaciones (BCRP, 2022), desbordes de los sistemas de alcantarillado así como también
crecidas, las precipitaciones pueden tener una duración de varios días o también pueden ser
incontenibles en pocos minutos (Universidad Nacional Autónoma de México, 2015).

Los pluviómetros nos brindan información sobre las precipitaciones pluviales, sin
embargo no tienen una adecuada cobertura espacial debido a su baja densidad por lo cual hay
una falta de información que se tiene sobre las precipitaciones en lugares sin estaciones
pluviométricas donde esta información es necesaria para la generación de curvas IDF las
cuales representan una de las herramientas más utilizadas para estimar los caudales los cuales
son utilizados para el diseño de obras hidráulicas y de infraestructura vial las cuales no deben
ser sobredimensionadas o que no generen seguridad a la población. Por tal motivo es
necesario el uso de herramientas que llenen los vacíos de información como es el caso del
producto grillado Pisco.

Por lo cual este estudio tiene como fin comparar las curvas IDF generadas a partir de
las estaciones pluviométricas y las generadas por el producto grillado Pisco para verificar su

1
precisión en la creación de curvas IDF y que puedan ser usadas en lugares donde halla escasa
información pluviométrica o nula en el departamento de Puno.

1.2. Justificación de la investigación

Las características que se presentan en el Perú como son las geográficas, hidrológicas
y geológicas que dan lugar a problemas complejos, estos incluyen a las precipitaciones, la
escorrentía y la humedad del suelo por lo cual los estudios hidrológicos son fundamentales
para el diseño de obras hidráulicas. El correcto conocimiento del comportamiento hidrológico
es fundamental ya que para cada región es diferente.

Las precipitaciones son un problema para diversas obras ya que si estas son muy
intensas pueden generar el desbordamiento de ríos y desbordamiento de sistemas de
alcantarillado sanitario entre otros que generan un coste social y pérdidas económicas, en el
departamento de Puno donde el clima es lluvioso y frio, en las épocas de lluvia que
comprenden una duración aproximada de diciembre a marzo, donde comúnmente las
precipitaciones suelen ser intensas y tienen grandes periodos de duración.

Uno de los primeros pasos que se debe seguir en los distintos proyectos de diseño es
la determinación del evento de lluvia o tormenta que se usara, para la determinación de la
tormenta de diseño se debe contar con información obtenida a través de un pluviómetro.

Cada ubicación es distinta donde influyen su clima y terreno, las precipitaciones

pueden ser mayores a otras zonas, además en ciertos lugares no existe información
pluviométrica necesaria para la realización de las curvas IDF que son necesarias en la
realización de obras hidráulicas.

Por este motivo es necesario el uso de herramientas satelitales como es el caso del
producto grillado Pisco el cual usa la base de datos espaciales CHIRPS y datos de terreno de
las estaciones el cual servirá para la obtención de datos de precipitación pluvial en lugares
remotos que no tengan la información necesaria para la obtención de las curvas IDF las
cuales son un elemento de diseño que relacionan la intensidad de la lluvia, su duración y la
frecuencia con la que estas se puede presentar, es decir la probabilidad de que ocurra o
periodo de retorno, además pueden ser expresadas como ecuaciones y que se usaran para las
diferente obras hidráulicas ya que sirven para el cálculo de caudales que son muy importantes
para un correcto diseño de la infraestructura hidráulica sin que estas sean sobredimensionadas
o que no generen seguridad a la población y tengan un impacto económico desfavorable para

2
la región como son los sistemas de drenaje, almacenamiento de agua, cunetas, canales, entre
otros.

1.3. Hipótesis
1.3.1. Hipótesis General
• Las curvas intensidad-duración-frecuencia son diferentes para cada zona de
estudio.

1.3.2. Hipótesis Especificas

• Los registros de precipitaciones del producto grillado pisco son diferentes para
cada ubicación.
• Las curvas IDF son diferentes en cada ubicación de las estaciones
pluviométricas.
• Las ecuaciones de las curvas IDF creadas a partir del producto grillado pisco
son similares a las creadas a partir de los datos de las estaciones
pluviométricas.

1.4. Objetivos
1.4.1. Objetivo General
• Realizar la comparación de las curvas intensidad-duración-frecuencia
generadas a partir de 22 estaciones pluviométricas y del producto grillado
pisco de precipitación del departamento de Puno.

1.4.2. Objetivos Específicos

• Obtener información de las precipitaciones mediante el uso del producto
grillado pisco de precipitación y de las 22 estaciones pluviométricas.
• Construir las curvas IDF usando los datos de cada estación pluviométrica, así
como también del producto el grillado pisco de precipitación.
• Obtener las ecuaciones de las curvas IDF generadas con los datos del producto
grillado pisco con las curvas IDF usando los datos de precipitación de las
estaciones pluviométricas.

3
1.5. Alcances y Limitaciones
1.5.1. Alcances
Este estudio tiene como alcance a las principales cuencas del departamento de Puno
que son 9 cuencas y una intercuenca en las que se encuentran las 22 estaciones
pluviométricas a usar además de pertenecer a la vertiente del Titicaca.

1.5.2. Limitaciones
Este estudio tiene como limitación los datos de precipitación del producto grillado
pisco, así como de las estaciones pluviométricas que en determinados años están incompletos.

Además, los datos se limitan a un intervalo de años comprendidos de 1981 al 2016 de

los cuales se tienen registros de las estaciones pluviométricas, así como también es el límite
de datos del producto grillado pisco.

4
 CAPÍTULO II

2. Fundamento Teórico
2.1. Antecedentes de la investigación
En el ámbito internacional se encuentra el trabajo de investigación de Aravena (2006)
de Chile donde se analizan estadísticamente las series de datos de intensidad máxima de
precipitación de cada una de las estaciones pluviográficas, con las cuales fueron generadas las
curvas IDF, a partir de estas se realizó una comparación gráfica, para la duración de 1 hora y
los periodos de retorno de 5 y 100 años, en función de la latitud, longitud y altitud, las cuales
fueron comparadas con la precipitación media anual de cada estación. Detectando así que la
variabilidad de las intensidades de precipitación fue mayor en la zona norte del estudio.

En el ámbito nacional se tiene trabajos de investigación con respecto a las curvas IDF
como la tesis de Ugarte (2012) donde se genera las curvas en base a precipitaciones máximas
de 24 horas, usando datos de precipitaciones desde el año 1964 hasta el año 2010. Se usan
diferentes periodos de retorno, funciones de distribución de probabilidad, dando como
resultado que las ecuaciones de intensidad máxima de precipitación de cada estación varían
mínimamente.

Otro trabajo de investigación es la tesis de Paredes (2015) en la cual busca generar las
intensidades de precipitación para diferentes periodos de retorno ubicadas en la cuenca del río
Illpa usando datos de precipitación máxima en 24 horas de las estaciones Mañazo, Illpa,
Umayo y Puno. Para el cálculo de intensidades mediante el uso de curvas IDF y sus
respectivas ecuaciones, se utilizan los modelos de F.C. Bell, Dick Peschke y el método de
Servicio de Conservación de Suelos (SCS), dando como resultado que se presentan
variaciones entre los mencionados modelos para intensidades menores a una hora.

Así como también el trabajo de investigación de Zevallos (2018) donde se ve la

necesidad de cuantificar el riesgo de ocurrencia de las precipitaciones pluviales es vital para
las obras hidráulicas del Perú, usando como herramienta las curvas IDF y la exactitud de
estas depende de los datos, un método de estimación consiste en utilizar la distribución
General de Extremos (GEV). Los datos horarios fueron generados mediante el modelo
estocástico de pulso rectangular de Bartlett-Lewis (BLRPM), dando como resultado de esta
comparación que las series obtenidas con BLRPM capturan las principales características
estadísticas de las curvas IDF.

5
2.2. Estado del arte
En el contexto internacional hay distintas investigaciones y aplicaciones de las curvas
intensidad-duración-frecuencia, como los siguientes artículos que fueron extraídos de bases
de datos como “Scopus”, “ScienceDirect” y “Springer”

En el artículo de investigación de Kareem (2022) trata sobre las curvas de Intensidad–

Duración–Frecuencia (IDF), las cuales representan la relación entre la intensidad, la duración
y la frecuencia de las precipitaciones, se utilizan ampliamente en el diseño y la construcción
de infraestructuras hidráulicas. Estas relaciones son fundamentales para el diseño seguro de
estructuras de protección contra inundaciones, alcantarillas pluviales, alcantarillas, puentes,
etc. En este estudio, se realizan las curvas IDF y sus fórmulas para la ciudad de Erbil que se
desarrollaron por primera vez empleando los datos de precipitaciones anuales máximas
durante un período de 39 años (1980-2018), que es el único dato registrado disponible. Se
utilizan técnicas estadísticas como Gumbel y Log-Pearson Tipo III para determinar las curvas
IDF y ecuaciones empíricas de datos de precipitaciones diarias para varias duraciones
estándar y períodos de retorno. La correlación entre las intensidades de lluvia que se obtiene
de las curvas IDF y las fórmulas empíricas presenta una coincidencia confiable, los resultados
se compararon con las curvas IDF desarrollados previamente en otras ciudades iraquíes para
demostrar su fiabilidad.

Otro trabajo de investigación sobre las curvas IDF usando datos de satélites es el de
Noor (2020) que trata sobre la evaluación de dos conjuntos de datos diferentes para la
creación de curvas IDF mediante satélite, se compara la capacidad de los sensores de los
satélites para producir relaciones de intensidad-duración-frecuencia (IDF) de la lluvia los
cuales no se ha examinado con gran detalle. Se evalúa el rendimiento de cuatro algoritmos de
procesamiento de datos de lluvia reticulados basados en sensores remotos (GSMaP_NRT,
GSMaP_GC, PERSIANN y TRMM_3B42V7) para determinar la capacidad de generar
curvas IDF confiables. El trabajo se llevó a cabo en Malasia Peninsular. La precisión de las
curvas IDF cuadriculadas se evalúa comparando las curvas IDF que se observan con otras en
80 ubicaciones. Los resultados revelaron que una distribución de valores extremos
generalizados (GEV) tuvo el mejor ajuste a la intensidad de la lluvia para diferentes
duraciones en el 62% de las estaciones, y esto luego se utilizó para desarrollar las curvas IDF.
Una comparación de estas curvas IDF derivadas de la detección remota con los datos de las
curvas IDF observados reveló que el algoritmo GSMaP_GC funcionó mejor. En general, los
datos de precipitación basados en satélites tendieron a subestimar las curvas IDF. Se encontró

6
que las curvas IDF de GSMaP_GC eran las menos sesgadas (8% – 27%) en comparación con
las curvas IDF de TRMM_3B42V7 (65% – 67%).

Siguiendo con el uso de datos de satélites para la creación de curabas IDF se

encuentra el artículo de Venkatesh (2021) en el cual se usan los datos de precipitación que se
obtuvieron mediante el uso de satélites, por lo cual es pertinente desarrollar métodos para
utilizar estos datos para diseñar estructuras hidráulicas. Los datos de precipitación satelital
juegan un papel vital en ubicaciones no aforadas o cuando se requiere información a escala
de una cuenca, Se desarrolla una estructura que incluye la corrección de sesgo para el
desarrollo de curvas IDF. El método se aplica a una pequeña región en la parte sureste de la
India, donde se usan curvas IDF obtenidas a partir de nueve ubicaciones. Este estudio
compara las curvas IDF usando datos de precipitación reciente de la Medición de
Precipitación Global (GPM-IMERG V6) con datos de pluviómetros basados en tierra. Los
resultados muestran que la correlación espacial entre el satélite y los basados en estaciones
pluviométricas mejoran significativamente después de la corrección del sesgo, y el valor es
tan alto como 0,75 para un período de retorno de 2 a 10 años. El sesgo entre los datos del
satélite y de estaciones pluviométricas es baja en la parte norte de la región de estudio y alta
en la parte sureste, las es propensa a lluvias extremas. Además, un porcentaje significativo de
las curvas IDF basadas en satélites (con y sin corrección de sesgo) se encuentran dentro del
intervalo de confianza de los datos basados en estaciones pluviométricas. Por lo tanto, los
datos de GPM V6 tienen el potencial de usarse como una fuente de datos alternativa para la
generación de curvas IDF en los países en desarrollo.

Continuando con la importancia de las curvas IDF el trabajo de investigación de

Fadhel (2017) trata sobre como los sistemas de gestión de aguas pluviales dependen de las
curvas IDF como herramienta de diseño estándar. Sin embargo, debido al cambio climático,
los cuantiles de precipitación extrema representados por las curvas IDF estarán sujetos a
alteraciones con el tiempo. Este estudio evalúa los cambios esperados entre las curvas IDF
del clima actual y las de un clima futuro proyectado y las incertidumbres asociadas con
dichas curvas. Para proporcionar futuras curvas IDF, los datos de precipitación diaria
simulados por un modelo climático regional de 1 km se corrigieron temporalmente mediante
el uso de ocho períodos de referencia con una longitud fija de 30 años entre los casos para el
período 1950-2014. Luego, los datos corregidos por sesgo se desagregaron aún más en un
conjunto de series de 5 minutos mediante el uso de un algoritmo que combina el modelo de
predicción no paramétrica (NPRED) y el marco del método de fragmentos (MoF). Los

7
resultados sugieren que la incertidumbre en el porcentaje de cambio en la precipitación
proyectada en el futuro en comparación con la precipitación en el clima actual varía
significativamente según los ocho períodos de referencia que se utilizaron para la corrección
del sesgo. Tanto la proyección máxima de la intensidad de lluvia y el cambio máximo en las
proyecciones futuras se ven afectados por el uso de diferentes períodos de referencia para
diferentes frecuencias y duraciones.

De igual manera Lima (2018) en su investigación sobre los futuros cambios en los
patrones de lluvia inducidos por los cambios climáticos los cuales afectarán a la sociedad y
los ecosistemas, se ve la necesidad de cuantificar los cambios en los patrones de lluvia es de
suma importancia para la gestión del riesgo hidro climático. En particular, la estimación de
curvas de intensidad-duración-frecuencia (IDF) es un procedimiento de rutina en hidrología
urbana y estudios hidráulicos y debe revisarse para reflejar cambios futuros en la variabilidad
de la lluvia. En este trabajo, se propone una metodología novedosa basada en la propiedad
invariante de escala de la duración de la lluvia versus la intensidad para estimar parámetros
de una distribución de valores extremos generalizados (GEV) en escalas subdiarias. Se
desarrolla un marco de inferencia bayesiano para que las incertidumbres se reduzcan y
puedan propagarse fácilmente a las curvas IDF. El modelo se prueba utilizando datos
históricos de precipitaciones de 18 pluviómetros ubicados en la cuenca del río Han en Corea
del Sur y los escenarios de cambio climático proyectados RCP 6 y RCP 8. 5 del modelo
HadGEM2-AO de Met Office Hadley Center. Al considerar los datos históricos, los
resultados muestran que el modelo estima satisfactoriamente las curvas IDF para sitios
calibrados y parcialmente calibrados. En escenarios futuros, el modelo revela un aumento
sustancial en los eventos de lluvia de rara intensidad (períodos de retorno grandes),
principalmente debido a cambios en la variabilidad de la lluvia más que a cambios en la
precipitación promedio.

Por otro lado, Hailegeorgis (2013) en su investigación que trata sobre el análisis de
frecuencia regional basado en el método de momentos se realiza a partir de series máximas
anuales de intensidad de precipitación extrema para actualizar las curvas de Intensidad-
Duración-Frecuencia (IDF) para la ciudad de Trondheim, donde se aborda la necesidad de
reducir las incertidumbres de diferentes fuentes para la estimación confiable de los cuantiles,
la evaluación y cuantificación de la incertidumbre del muestreo en términos de estimaciones
de intervalo (límites de confianza) de los cuantiles. Se demostraron los patrones de tendencia
y la verificación de la estacionariedad para datos de un sitio de destino en función de las

8
pruebas de regresión paramétrica y de Mann-Kendall no paramétrica. Se utilizó un
remuestreo de arranque equilibrado no paramétrico para cuantificar la incertidumbre del
muestreo. Para eventos de precipitación extrema de duración más corta (5–30 min) hay
patrones de tendencia creciente estadísticamente significativos para la serie de datos con años
de inicio de 1992–1998 mientras que no hay patrones de tendencia significativos para
extremos recientes y no hay patrones de tendencia estadísticamente significativos para
duraciones más largas (45–180 min). Los resultados de los análisis indican que las pruebas de
significación para los patrones de tendencia y la estacionariedad dependen de la serie de datos
utilizada, pero la suposición de estacionariedad es válida para la serie de datos utilizada del
sitio objetivo, las estimaciones de intervalo del remuestreo de arranque balanceado indicaron
que existe una gran incertidumbre de muestreo en la estimación de cuantiles que debe
abordarse en cualquier análisis de frecuencia y se observan grandes diferencias entre las
curvas IDF de este estudio y las curvas IDF existentes. Las curvas IDF de este estudio
provienen de datos aumentados a través de análisis regionales, basados en procedimientos
exhaustivos para la selección de distribuciones y también incluyen límites de incertidumbre
y, por lo tanto, son más confiables que la existente.

Por otra parte, Hosseinzadehtalaei (2017) en su estudio analiza un conjunto de 88

simulaciones de modelos climáticos regionales (RCM) con resoluciones espaciales de 0,11° y
0,44° del proyecto EURO-CORDEX para Bélgica central para investigar el impacto
proyectado del cambio climático en las relaciones entre la intensidad, la duración y la
frecuencia de las precipitaciones (IDF) y cuantiles de precipitación extrema típicamente
usados en diseños de ingeniería hidráulica. La tasa de incertidumbre que surge de la elección
de RCM, GCM impulsor y vía de concentración radiativa (RCP4.5 y RCP8.5) se cuantifica
utilizando una técnica de descomposición de la varianza después de la reconstrucción de los
datos faltantes. Un análisis comparativo entre las simulaciones históricas de los RCM de
0,11° y 0,44° de EURO-CORDEX muestra intensidades de precipitación más altas en las
corridas de resolución más fina, lo que lleva a una mayor sobreestimación de las IDF basadas
en observaciones en las corridas de 0,11°. Los resultados revelan que hacer un supuesto de
estacionariedad temporal para el sistema climático puede conducir a una subestimación de los
cuantiles de precipitación hasta en un 70% para fines de este siglo. Este aumento proyectado
es generalmente mayor para los RCM de 0,11° en comparación con los RCM de 0,44°. Los
cambios relativos en la precipitación extrema dependen del período de retorno y la duración,

9
lo que indica una amplificación para períodos de retorno más grandes y duraciones más
pequeñas.

2.3. Marco Legal

El presente trabajo de investigación basa sus procedimientos en el Manual de
Hidrología, Hidráulica y Drenaje (MTC, 2008), el cual sirve de guía para el procedimiento de
diseño de las obras de drenaje superficial y subterránea de la infraestructura vial.

2.4. Marco teórico

2.4.1. Hidrología
Es la ciencia geográfica la cual se dedica al estudio de la distribución espacial y
temporal de las propiedades del agua que los cuales están presentes en la atmósfera y en la
corteza terrestre, incluyen a las precipitaciones, la escorrentía, la humedad del suelo y la
evapotranspiración (MTC, 2008).

2.4.2. Ciclo Hidrológico

Para la hidrología el ciclo hidrológico es su foco central, dicho ciclo no tiene principio
ni fin y sus procesos ocurren de una manera continua.

Para Chereque (1989) es el conjunto de cambios que el agua experimenta en la

naturaleza en sus diferentes estados (sólido, líquido y gaseoso), para el análisis de estos
fenómenos se usan los métodos estadísticos.

2.4.3. Cuenca hidrográfica

La cuenca hidrográfica se define como el área de terreno donde todas las aguas caídas
por precipitación se juntan para poder formar un solo curso de agua y cada curso de agua
tiene una cuenca definida para cada punto de su recorrido, además, se delimita sobre un plano
o mapa a curvas de nivel, siguiendo las líneas del divortium acuarium la cual es una línea
imaginaria cuya función es dividir las cuencas adyacentes (Villón, 2002).

2.4.4. Producto grillado Pisco de precipitaciones

La base de datos llamada PISCO (Peruvian Interpolated data of the SENAMHI’s
Climatological and hydrological Observations), para su construcción fue necesario la
utilización de la base de datos global del proyecto CHIRPS (Climate Hazards InfraRed
Precipitation with Station data), la cual es una mezcla de datos que provienen de sensores
remotos, modelos y de estaciones terrenas. Los datos de CHIRPS están disponibles desde
enero de 1981 para una grilla global de 0.05°. (~ 5km) (Senamhi, 2017).

10
2.4.5. PISCOp v2.1
PISCOp V2.1 (Datos peruanos interpolados de las Observaciones Climatológicas e
Hidrológicas de SENAMHI), fue desarrollado para el período 1981 al 2016, la base de datos
se basa en métodos de interpolación geoestadísticos y deterministas que incluyen tres fuentes
de precipitaciones diferentes como es el conjunto de datos de pluviómetros rellenos y con
control de calidad nacional, precipitaciones combinadas de medidores de radar y las
estimaciones de Precipitación Infrarroja del Grupo de Riesgos Climáticos (CHIRP- Climate
Hazards Group Infrared Precipitation) (Aybar et al., 2019).

2.4.6. Precipitación
Se define como toda forma de humedad que origina en las nubes y llega hasta la
superficie terrestre, siendo las lluvias, las granizadas, garuas y las nevadas distintas formas
del mismo fenómeno denominado precipitación (Chereque, 1989). Se puede identificar según
su intensidad en:

• ligera para tasas de caída de hasta 2.5 mm/h.

• moderada desde 2.5 hasta 7.6 mm/h.
• fuerte por encima de 7.6 mm/h.

Las precipitaciones se clasifican en tres grupos:

• Precipitaciones convectivas: Causadas por el ascenso de aire cálido y las

diferencias de temperatura pueden ser resultado de calentamientos
diferenciales que se producen en la superficie terrestre. Este tipo de
precipitaciones son puntuales y su intensidad varía entre lloviznas ligeras y
aguaceros.
• Precipitaciones orográficas: Resultan del ascenso del aire cálido hacia una
cadena de montañas. Las regiones que quedan del otro lado de las montañas
pueden sufrir la ausencia de lluvias," puesto que todas las nubes son
interceptadas y precipitadas en el lado de don de ellas provienen. Es el caso de
la Selva Alta de nuestro país, la región más lluviosa, donde las nubes
provienen de la Selva Baja.
• Precipitaciones ciclónicas: Se producen cuando hay un encuentro de nubes de
diferentes temperaturas: las más calientes son impulsadas a las partes más
altas donde precipitan.

11
2.4.7. Pluviómetro
Los pluviómetros registran y miden la cantidad de agua que se acumula en la
superficie durante un evento de precipitación pluvial (Autoridad Nacional de Agua, 2016).

Para medir las precipitaciones existen tres tipos de instrumentos

• Pluviómetro simple: es un recipiente abierto de paredes verticales que sirve de

pluviómetro, retiene el agua de la lluvia para luego medirla. En el sistema
métrico se mide en milímetros.
• Pluviómetros registradores (p1uviógrafo): nos dicen acerca de la intensidad en
el transcurso de la precipitación, la intensidad de la lluvia es un parámetro
importante para el diseño de obras hidráulicas.

Pluviómetros totalizadores: utilizados cuando hay necesidad de conocer la

pluviometría mensual o estacional de una zona con difícil acceso. Estos pluviómetros
acumulan el agua de la precipitación durante un período de tiempo más o menos largo.

2.4.8. Intensidad
Para poder caracterizar una lluvia es necesario que se conozca la altura de agua que
cae (h) y su duración (t) lo que permite saber si una lluvia ha sido lenta o violenta, esto
depende de la cantidad de agua que cae en un determinado tiempo, ósea su intensidad(i) que
se puede expresar (Reyes, 1992):

𝑖 = ℎ/𝑡

Donde:

i = intensidad

h = altura de agua que cae

t = duración

2.4.9. Periodo de retorno

Se define como el intervalo de tiempo promedio en años, dentro del cual se puede
producir un evento de una determinada magnitud “x”, la cual puede igualar o superar el
promedio al menos una vez (Villón, 2002). Si un evento iguala o supera a “x”, y ocurre una
vez en “T” años y su probabilidad de ocurrencia “P”, es igual a 1 en T casos:

1
𝑃(𝑋 ≥ 𝑥) =
𝑇
12
 ó

1
𝑇=
𝑃(𝑋 ≥ 𝑥)

Donde:

𝑃(𝑋 ≥ 𝑥) = probabilidad de ocurrencia de un evento ≥ x

T = periodo de retorno

Máximo Villon recomienda en la tabla 1 algunos períodos de retorno para el cálculo

de caudales de diseño de estructuras menores:

Tabla 1. Período de retorno recomendado para estructuras menores

TIPO DE ESTRUCTURA PERIODO DE RETORNO (AÑOS)
Puente sobre carretera importante 50-100
Puente sobre carretera menos importante o alcantarillas
25
sobre carretera importante
Alcantarillas sobre camino secundario 5-10
Drenaje lateral de los pavimentos, donde puede tolerarse
1-2
encharcamiento con lluvia de corta duración
Drenaje de aeropuertos 5
Drenaje urbano 2-10
Drenaje Agrícola 5-10
Muros de encauzamiento 2-50
Alcantarillas para carreteras 1-5
Nota: Extraído de Villón (2002)

2.4.10. Concepto de riesgo

Si un evento de diseño tiene un período de retorno de T años, y una probabilidad de
excedencia P, de acuerdo a lo definido anteriormente se cumple que (Villón, 2002):

1
𝑃=
𝑇

donde:

P = probabilidad de ocurrencia.

T = período de retorno.

13
 Y la probabilidad que no ocurra dicho evento:

1
𝑃̅ = 1 −
𝑇

Entonces la probabilidad de que un evento no ocurra en “n” años sucesivos ó

confiabilidad, es:

1 𝑛
̅ 𝑛
𝑃 = (1 − )
𝑇

La probabilidad de que dicho evento ocurra al menos una vez en “n” años sucesivos
se conoce como riesgo de falla “R” y está dada por la siguiente expresión:

𝑅 = 1 − (𝑃̅)𝑛

1 𝑛
𝑅 = 1 − (1 − )
𝑇

Donde:

R = riesgo de falla.

T = periodo de retorno.

n = vida útil del proyecto.

2.4.11. Selección del periodo de retorno

Para la selección del período de retorno a utilizar en el diseño de una obra, es
necesario que se considere la relación que existe entre la probabilidad de excedencia de un
evento, la vida útil de la estructura y su riesgo de falla admisible (MTC, 2008).

Con el parámetro riesgo se puede determinar las implicaciones de seleccionar un

período de retorno para un proyecto como son los de factores económicos, sociales, técnicos
y otros.

La necesidad de optimizar las inversiones de las obras es una tendencia actual que
apunta a minimizar los costos de inversión y los costes de gestión, identificando la solución
técnica menos costosa centrándose en el concepto de riesgo. Por lo tanto, el período de
retorno óptimo se deduce mediante un análisis de minimización de los costos totales
(Fortunato et al., 2014).

14
 Si la obra tiene una vida útil de n años, la fórmula del riesgo permite calcular el
período de retorno T, fijando el riesgo de falla admisible “R”.

Se puede despejar dicha formula en función del periodo de retorno:

1
𝑇=
1 − (1 − 𝑅)1/𝑛

El manual de hidrología, hidráulica y drenaje del Perú presenta el valor “T” para
varios riesgos permisibles “R” y para la vida útil “n” en la Tabla 2, usando la formula
anteriormente despejada y asumiendo distintos valores:

Tabla 2. Periodo de retorno

RIESGO
VIDA UTIL DE LAS OBRAS (n años)
ADMISIBLE
R 1 2 3 5 10 20 25 50 100 200
0.01 100 199 299 498 995 1990 2488 4975 9950 19900
0.02 50 99 149 248 495 990 1238 2475 4950 9900
0.05 20 39 59 98 195 390 488 975 1950 3900
0.10 10 19 29 48 95 190 238 475 950 1899
0.20 5 9 14 23 45 90 113 225 449 897
0.25 4 7 11 18 35 70 87 174 348 696
0.50 2 3 5 8 15 29 37 73 145 289
0.75 1.3 2.0 2.7 4.1 7.7 15 19 37 73 145
0.99 1.0 1.1 1.3 1.7 2.7 4.9 5.9 11.4 22.2 44

Nota: Extraído de MTC (2008).

El Manual de Hidrología, Hidráulica y Drenaje del Perú recomienda en la Tabla 3 que
se utilice como máximo, los siguientes valores para el riesgo admisible y vida útil para obras
de drenaje:

15
Tabla 3. Valores máximos para el riesgo admisible y vida útil de las obras

RIESGO VIDA UTIL CONSIDERADO

TIPO DE OBRA
ADMISIBLE (%) (n años)
Puentes 25 40
Alcantarillas de paso de quebradas
importantes y badenes 30 25
Alcantarillas de paso quebradas menores y
descarga de agua de cunetas 35 15
Drenaje de la plataforma (a nivel
longitudinal) 40 15
Subdrenes 40 15
Defensas Ribereñas 25 40

Nota: Extraído de MTC (2008).

2.4.12. Determinación de la tormenta de diseño

Uno de los primeros pasos que se debe hacer en muchos proyectos de diseño es la
determinación del evento de lluvia que se usara (Te Chow, 1994). Una tormenta de diseño es
un patrón de precipitación que se define para el diseño de un sistema hidrológico.

Una tormenta de diseño se definir como un valor de profundidad de precipitación en

un determinado punto, mediante un hietograma de diseño que especifique la distribución
temporal de la precipitación durante una tormenta. dichas tormentas pueden basarse en la
información histórica de precipitación de una zona o también se pueden construir utilizando
las características generales de la precipitación en regiones adyacentes. Su aplicación va
desde el uso de valores puntuales de precipitación en el método racional para determinar los
caudales picos para las distintas obras hidráulicas, hasta su uso en hietogramas de tormenta
como las entradas para el análisis de lluvia-escorrentía en embalses de detención de aguas
urbanas (MTC, 2008).

2.4.12.1. Curvas IDF

Una tormenta puede durar desde unos pocos minutos hasta varias horas, puede
abarcar desde una pequeña zona hasta una extensa área. De estas tormentas interesa conocer
las curvas intensidad ~ duración - frecuencia. (MTC, 2008).

• Intensidad: se mide en mm/h. y su valor varía durante la tormenta.

• Duración: se mide en minutos o en horas y es el tiempo que transcurre entre el
inicio y el fin de la tormenta.

16
 • Período de duración: es un período de tiempo dentro de la duración de la
tormenta y se escogen períodos para el diseño, estos pueden ser de 10 min, 30
min, 60 min, 120 min, 240 min, lo que se busca de estos tiempos son las
intensidades máximas para estos períodos de duración.
• Frecuencia: significa que tan probable es que se presente una vez cada cierto
número de años. Esa cantidad de años viene a ser el tiempo de retorno o
período de retorno de dicha tormenta.

La intensidad es la tasa temporal de precipitación, es decir, la profundidad por unidad

de tiempo (mm/h).

Para determinar estas curvas IDF se necesita contar con registros pluviométricos de
las precipitaciones en el lugar de estudio para poder determinar las precipitaciones más
intensas con diferentes periodos en cada año, para hacer un estudio de frecuencia con cada
serie.

Para poder evaluar las precipitaciones, como en el caso de duraciones de tormenta

menores a 1 hora, o no se cuente con registros pluviográficos que permitan obtener las
intensidades máximas, estas pueden ser calculadas mediante la metodología de Dick Peschke
que relaciona la duración de la tormenta con la precipitación máxima en 24 horas. La
expresión es la siguiente (MTC, 2008):

𝑑 0.25
𝑃𝑑 = 𝑃24ℎ ( )
1440

Donde:

Pd = precipitación total en mm.

d = duración en minutos.

𝑃24ℎ = precipitación máxima en 24 horas.

Para las precipitaciones mayores a 1 hora cuando solo se cuenta con lluvias máximas
en 24 horas, se multiplica por un coeficiente de duración el cual se muestra en la Tabla 4,
entre 1 hora y 48 horas, los mismos que pueden usarse, con criterio y cautela para el cálculo
de la intensidad, cuando no se disponga de mejor información (MTC, 2008):

17
Tabla 4. Coeficientes de duración entre 1 hora y 48 horas manual de hidrología

Coeficientes de Duracion
duracion (horas)

0.25 1
0.31 2
0.38 3
0.44 4
0.50 5
0.56 6
0.64 8
0.73 10
0.79 12
0.83 14
0.87 16
0.90 18
0.93 20
0.97 22
1.00 24

Nota: Extraído de MTC (2008).

La intensidad se halla dividiendo la precipitación Pd entre la duración.

Las curvas IDF fueron calculadas de manera indirecta mediante la siguiente ecuación:

𝐾𝑇 𝑚
𝐼=
𝐷𝑛

Donde:

I = intensidad máxima en mm/hr

K, m, n = factores de la zona de estudio

T = periodo de retorno en años

D = duración de la precipitación en minutos

Otro tipo de ecuación es la propuesta por Varhson Wilhelm y Alfaro Marvin que
obtuvieron para los principales centros urbanos de Costa Rica (Villón Béjar, 2002), los cuales
se muestran en la Tabla 5.

18
Tabla 5. Ecuaciones para calcular las intensidades máximas para las ciudades
principales de Costa Rica

Ciudad/Ecuación
Alajuela:
𝐼I_max=200.556-35.9234∗ln⁡
𝑚 = 209. 44 − 3 .7305 ∗(D)+[44.1334-7.4997∗ln⁡
ln 𝐷 + 42.614 − 24.6041 ∗ ln(T)
(D) ]∗ln⁡ln 𝐷 ∗ ln (𝑇)
Liberia:
𝐼𝑚 = 200.556 − 35.9234 ∗ ln 𝐷 + 44.1334 − 7.4997 ∗ ln 𝐷 ∗ ln(𝑇)
Limón:
𝐼𝑚 = 155.052 − 25. 65 ∗ ln 𝐷 + 21.7 57 − 3.13747 ∗ ln 𝐷 ∗ ln (𝑇)
San José:
𝐼𝑚 = 166.097 − 29.601 ∗ ln 𝐷 + 20.301 − 2.7915 ∗ ln 𝐷 ∗ ln (𝑇)
Cartago:
𝐼𝑚 = 156. 92 − 2 .4612 ∗ ln 𝐷 + 42.2027 − .0731 ∗ ln 𝐷 ∗ ln(𝑇)
Puntarenas:
𝐼𝑚 = 175.645 − 29.5 11 ∗ ln 𝐷 + 43.0524 − 5.32126 ∗ ln 𝐷 ∗ ln (𝑇)

Nota: Extraído de Villón Béjar (2002).

Con estas expresiones se puede obtener la siguiente ecuación:

𝐼 = 𝑎 + 𝑏 ∗ 𝑙𝑛(𝐷) + 𝑐 ∗ 𝑙𝑛(𝑇) + 𝑑 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Donde:

I = intensidad máxima en mm/hr

a, b, c, d = parámetros

T = periodo de retorno en años

2.4.13. Análisis de consistencia

El Water Rosurces Council recomienda la realización de un ajuste de datos dudosos,
estos datos son puntos de información que se alejan de la tendencia de la información
restante, los datos dudosos pueden afectar significativamente a los parámetros estadísticos
calculados (Te Chow, 1994). Se utiliza la siguiente ecuación para los datos dudosos altos:

𝑌𝐻 = 𝑌̅ + 𝐾𝑛 ∗ 𝑆𝑌

Donde:

19
 𝑌𝐻 : Umbral de dato dudoso alto en unidades logarítmicas

𝑌̅: promedio de los logaritmos de las precipitaciones

𝐾𝑛 : dato de la tabla del Water Rosurces Council

𝑆𝑌 : desviación estándar de los logaritmos de las precipitaciones

Para obtener el umbral de dato dudoso alto en las unidades de la precipitación(mm) se

aplica la siguiente formula:

𝑄𝐻 = 10𝑌𝐻

De la misma manera se obtiene el umbral de datos dudoso bajo:

𝑌𝐿 = 𝑌̅ − 𝐾𝑛 ∗ 𝑆𝑌

𝑄𝐿 = 10𝑌𝐿

Las precipitación máxima y mínima no deberán exceder los valores de 𝑄𝐻 y 𝑄𝑦

respectivamente.

Los valores para Kn se presentan en la Tabla 6.

Tabla 6. Valores Kn para la prueba de datos dudosos

Nota: Extraído de Te Chow (1994)

2.4.14. Pruebas de Bondad de ajuste

El análisis de datos mediante pruebas de bondad de ajuste es un problema estadístico
crítico en muchas aplicaciones (Zhang & Wu, 2022).

20
 Las pruebas estadísticas tienen como objetivo medir la certidumbre que se obtiene al
hacer una hipótesis estadística sobre una población, es decir que califica el hecho de suponer
que una variable aleatoria se distribuya según una determinada función de probabilidades
(Villón, 2002).

2.4.14.1. Ajuste grafico

Comparar gráficamente el histograma o la función de densidad empírica de la serie de
datos, con la función densidad teórica y visualmente decidir si hay o no ajuste de acuerdo a la
similitud o diferencia entre ambos (Villón, 2002).

Figura 1. Ajuste gráfico con la función densidad

Nota: Extraído de Villón (2002)

Otra manera para comparar gráficamente la función acumulada de la serie de datos,

con la función acumulada teórica seleccionada, dibujada en papel milimétrico y visualmente
decidir si existe un ajuste o no.

Figura 2. Ajuste grafico con la función acumulada en papel milimétrico

Nota: Extraído de Villón (2002)

21
 2.4.14.2. Prueba Chi-cuadrado (𝒙𝟐 )
La prueba Chi-cuadrado está basada en el cálculo de frecuencias, de los valores
observados, así como también de los valores esperados, para un número determinado de
intervalos. Esta prueba es usada comúnmente para conocer el grado de discrepancia entre las
frecuencias observadas y las frecuencias esperadas y luego determinar si la discrepancia entre
las frecuencias observadas y esperadas se debe a un error de muestreo o debido al azar
(Alkarkhi, 2021), siendo su expresión la siguiente:

𝑘
(𝜃𝑖 − 𝑒𝑖 )2
𝑥𝑐2 =∑
𝑒𝑖
𝑖=1

Donde:

𝑘 𝑘

∑ 𝜃𝑖 = ∑ 𝑒𝑖 = 𝑁
𝑖=1 𝑖=1

𝑥𝑐2 = valor calculado de Chi-cuadrado.

𝜃𝑖 = numero de valores observados en el intervalo de clase i.

𝑒𝑖 = número de valores esperados en el intervalo de clase i.

k = número de intervalos de clase.

asignando probabilidades a la ecuación anterior se obtiene:

𝑘
(𝑁𝑖 − 𝑁𝑃𝑖 )2
𝑥𝑐2 =∑
𝑁𝑃𝑖
𝑖=1

Donde:

𝑁𝑖 = número de observaciones que caen dentro de los límites de clases ajustadas al

intervalo i.

N = tamaño muestral.

𝑃𝑖 = probabilidad igual para todos los intervalos de clases.

1
𝑃𝑖 = ó 𝑒𝑖 = 𝑃𝑖 𝑁
𝑘

Simplificando la ecuación:

22
 𝑘
𝑘
𝑥𝑐2 = ∑ 𝑁𝑖2 − 𝑁
𝑁
𝑖=1

El valor de 𝑥𝑐2 se compara con 𝑥𝑡2 , para obtener el valor de 𝑥𝑡2 es necesario tablas y el
valor se determina usando la siguiente ecuación usando los siguientes parámetros:

Nivel de significación = 𝛼 = 0.05

grados de libertad = 𝑔. 𝑙. = 𝑘 − 1 − ℎ

“h” es el número de parámetros que depende de los siguiente.

ℎ = 2 para la distribución normal.

ℎ = 2 para la distribución log-normal de 3 parámetros.

Los valores para Chi-cuadrado se muestran a continuación en la Tabla 7.

23
Tabla 7. Valores Chi-cuadrado

Nota: Extraído de Villón (2002)

Se debe comparara del valor calculado de Chi-cuadrado con el valor tabular
encontrado, donde se presentan 2 casos:

24
 • si el valor de Chi-cuadrado calculado es menor o igual al valor tabular
obtenido de la tabla entonces, el ajuste es bueno al nivel de significación
elegido

𝑥𝑐2 ≤ 𝑥𝑡2

• si el valor de Chi-cuadrado calculado es mayor al valor tabular obtenido de la

tabla entonces, el ajuste es malo y se debe probar con otra distribución de
probabilidades teórica.
𝑥𝑐2 ≤ 𝑥𝑡2

Este método solo es aplicable a la distribución normal y la log-normal de 2 y 3

parámetros dado que el método fue desarrollado con base a los datos normales.

2.4.14.3. Prueba de Smirnov-Kolmogorov

Esta prueba consiste en comparar las diferencias que existen entre la probabilidad
empírica de los datos de la muestra y su probabilidad teórica, tomando como valor máximo el
valor absoluto de la diferencia del valor observado entre el valor de la recta teórica del
modelo, Además, esta prueba tiene la ventaja de no hacer suposiciones sobre la distribución
de datos, por lo que puede emplearse sobre cualquier dato (Porwik & Dadzie, 2022):

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

Donde:

∆ = estadístico de Smirnov-Kolmogorov, donde el valor es igual a la diferencia

máxima existente entre la probabilidad ajustada y la probabilidad empírica

F(x) = probabilidad de la distribución teórica.

P(x) = probabilidad experimental o empírica de los datos, también denominada

frecuencia acumulada.

∆ tiene su función de distribución.

Si ∆𝑜 es un valor critico para un nivel de significancia α, entonces:

𝑃 [𝑚𝑎𝑥|𝐹 (𝑥 ) − 𝑃(𝑥)| ≥ ∆𝑜 ] = 𝛼

25
 𝑃(∆≥ ∆𝑜 ) = 𝛼

También:

𝑃(∆< ∆𝑜 ) = 1 − 𝛼

El procedimiento para el cálculo es el siguiente:

Primero se calcula la probabilidad empírica o experimental P(x), por lo cual se usará

la fórmula de Weibull:

𝑀
𝑃 (𝑥 ) =
𝑁+1

Donde:

P(x) = probabilidad empírica o experimental.

M = número de orden.

N = número de datos.

Luego se calculará la probabilidad teórica F(x), utilizando el procedimiento de los

modelos teóricos, usar la ecuación de la función acumulada F(x), o tablas elaboradas para tal
fin.

Seguidamente calcular las diferencias P(x) – F(x) para todos los valores de x, y
seleccionar la máxima diferencia:

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

Se procede a calcular el valor critico de Δ es decir ∆𝑜 para un valor α=0.05 y un N

igual al número de datos de la muestra, en la siguiente tabla se muestran los valores de ∆𝑜

Si el tamaño de la muestra supera el valor de 35 se usará la siguiente ecuación para un

nivel de significancia de α=0.05

1.36
∆𝑜 =
√𝑁

Los valores críticos para Δ se muestran a continuación en la Tabla 8.

26
Tabla 8. Valor critico de Δ

tamaño Nivel de significacion α

muestral N 0.20 0.15 0.10 0.05 0.01
1 0.9 0.925 0.95 0.975 0.995
2 0.684 0.726 0.776 0.842 0.929
3 0.565 0.597 0.642 0.708 0.828
4 0.494 0.525 0.564 0.624 0.733
5 0.446 0.474 0.51 0.565 0.669
6 0.41 0.436 0.47 0.521 0.618
7 0.381 0.405 0.438 0.486 0.577
8 0.358 0.381 0.411 0.457 0.543
9 0.339 0.36 0.388 0.432 0.514
10 0.322 0.342 0.368 0.41 0.49
11 0.307 0.326 0.352 0.391 0.468
12 0.295 0.313 0.338 0.375 0.45
13 0.284 0.302 0.325 0.361 0.433
14 0.274 0.292 0.314 0.349 0.418
15 0.266 0.283 0.304 0.338 0.404
16 0.258 0.274 0.295 0.328 0.392
17 0.25 0.266 0.286 0.318 0.381
18 0.244 0.259 0.278 0.309 0.371
19 0.237 0.252 0.272 0.301 0.363
20 0.231 0.246 0.264 0.294 0.356
25 0.21 0.22 0.24 0.27 0.32
30 0.19 0.2 0.22 0.24 0.29
35 0.18 0.19 0.21 0.23 0.27
N>35 1.07/ 𝑁 1.14/ 𝑁 1.22/ 𝑁 1.36/ 𝑁 1.63/ 𝑁

Nota: Extraído de Villón (2002)

Una vez obtenido el valor critico ∆𝑜 se procede a comparar con el valor estadístico ∆
con la ecuación:

𝑃(∆≥ ∆𝑜 ) = 𝛼

Si:

∆< ∆𝑜 => el ajuste es bueno al nivel de significación seleccionado

∆≥ ∆𝑜 => el ajuste no es bueno al nivel de significación seleccionado, por lo cual es

necesario probar otra distribución.

27
2.4.15. Análisis de datos
2.4.15.1. Estimación de datos faltantes
Para poder hacer el análisis se requieren conjuntos completos de datos de una serie de
variables hidrológicas, como picos y volúmenes de inundación. Sin embargo, a menudo se
halla el problema de la falta de datos en las bases de datos hidrológicas (ben Aissia et al.,
2017). Esta falta de datos se debe a la ausencia de un operador o a fallas instrumentales y
para poder completarlos se utilizan varios métodos que utilizan datos de estaciones índices
que si tienen los datos completos y que se seleccionan de modo que dichas estaciones estén lo
más cerca posible y cuya altitud sea parecida a la estación que se estudia. La distancia y la
altitud son factores principales para la selección de las estaciones índice (Chereque, 1989), se
pueden usar los siguientes métodos para la estimación:

• Método del U.S. Weather Bureau

Si los datos faltantes son lluvias diarias, se escogen tres estaciones índices (A, B, C)

Si la precipitación anual media en cada estación índice (𝑥̅ 𝐴, 𝑥̅ 𝐵, 𝑥̅ 𝐶) está dentro de un

10 % de la correspondiente a la estación incompleta (𝑥̅ ), un promedio aritmético simple de las
precipitaciones en las estaciones índice da una estimación adecuada.

Si la precipitación anual media en cualquiera de las estaciones índice difiere de la

estación problema en más de un 10 %, se utilizará la fórmula:

1 𝑥̅ 𝑥̅ 𝑥̅
𝑝𝑥 = ( 𝑝𝐴 + 𝑝𝐵 + 𝑝𝐶)
3 𝑥̅ 𝐴 𝑥̅ 𝐵 𝑥̅ 𝐶

• Método de los promedios

Consiste en escoger una estación índice (A) donde su precipitación anual media es
“xA”; si la estación problema es la estación x, se halla su correspondiente precipitación anual
media “x” y se establece la proporción:

𝑥 𝑥̅
=
𝑥𝐴 𝑥̅ 𝐴

2.4.15.2. Modelos de distribución

Los modelos probabilísticos o distribucionales permiten comprender y controlar
fácilmente el comportamiento de las variables y sintetizar toda la información sobre las
probabilidades asociadas a cada estado, los cuales pueden ser discretos o continuos
(Chereque, 1989).

28
 En la hidrología tiene como finalidad estimar precipitaciones, intensidades o caudales
máximos, para diferentes períodos de retorno, mediante la aplicación de modelos
probabilísticos (MTC, 2008).

Figura 3. Proceso de selección de una distribución teórica,

Nota: Extraído de Villón (2002)

2.4.15.3. Distribución Normal

La función de densidad de probabilidad normal se define como:

2
1 1 𝑥 − 𝑋̅
𝑓 (𝑥 ) = 𝐸𝑋𝑃 [− ( ) ]
𝑆√2𝜋 2 𝑆

ó
2
1 −𝑋̅
1 (−2( 𝑆 ) )
𝑓 (𝑥 ) = 𝑒
𝑆√2𝜋

Donde:

𝑓 (𝑥 ) = función densidad normal de la variable x

29
 x = variable independiente

𝑋̅ = parámetro de localización, igual a la media aritmética de x.

S = parámetro de escala, desviación estándar de x

El gráfico de la función densidad de la distribución normal se puede apreciar en la

figura 2, y es como se observa es una función continua y simétrica con respecto a X .

Figura 4. Función densidad de la distribución normal

Nota: Extraído de Villón (2002)

2.4.15.4. Distribución log-normal de 2 parámetros

La variable aleatoria X, es positiva y el límite inferior 𝑥𝑜 no aparece. La variable
aleatoria: 𝑌 = 𝑙𝑛𝑋, es normalmente distribuida con media 𝜇𝑦 y varianza 𝜎𝑦2 .

Se usan estos parámetros para especificar que la distribución es logarítmica, puesto

que también puede usarse la media y la varianza de X.

Su función de probabilidad es:

2
1 𝑙𝑛 −𝜇𝑦
1 −2[ 𝜎 ]
𝑓 (𝑥 ) = 𝑒 𝑦
𝑥√2𝜋𝜎𝑦

Donde:

μy, σy son la media y desviación estándar de los logaritmos naturales de x, es decir de

lnx y representan el parámetro de escala y forma de la distribución respectivamente.

Si decimos que 𝑦 = 𝑙𝑛𝑥, entonces:

1 𝑑𝑥
𝑦 = 𝑙𝑛𝑥 ⇒ 𝑑𝑦 = 𝑑𝑥 ⇒ =𝑥
𝑥 𝑑𝑦
30
 Por distribuciones acumuladas se tiene:

𝑓 (𝑦)𝑑𝑦 = 𝑓(𝑥 )𝑑𝑥

𝑑𝑥
𝑓 (𝑦 ) = 𝑓 (𝑥 )
𝑑𝑦

Sustituyendo las escuaciones resulta:

1 𝑦−𝜇𝑦 2
1 −2[ 𝜎𝑦 ]
𝑓 (𝑦 ) = 𝑒
√2𝜋𝜎𝑦

Para −∞ < 𝑦 < ∞ y 𝑦 = 𝑙𝑛𝑥

𝑦~𝑁(𝜇𝑦 , 𝜎𝑦2 )

Donde:

μy = parámetro de escala

σy = parámetro de forma

En la siguiente figura se presenta la función densidad de la distribución log-normal de

2 parámetros, para varios valores de μ y 𝜎 2 .

Figura 5. Distribución Log normal de 2 parámetros, Máximo Villon

Nota: Extraído de Villón (2002)

Muchos registros hidrometeorológicos como pueden ser las precipitaciones tienen

como dato un valor igual a 0 que significa que ese día no llovió. Al utilizar la distribución
log-normal, cuando se toma logaritmos a estos valores (0) da como resultado es -∞, para

31
poder solucionar este problema se pueden hacer cualquiera de los siguientes artificios
(Villón, 2002):

1. Sumar un valor pequeño a todos los datos (por ejemplo: 0.1,0.01,0.001, etc.)

2. Sustituir los ceros por un 1

3. Sustituir los ceros por un valor positivo pequeño

4. Ignorar todos los ceros del registro

2.4.15.5. Distribución log-normal de 3 parámetros

La distribución log-normal de 3 parámetros difiere de la distribución log-normal de 2
parámetros por que se introduce un límite inferior 𝑥0 , tal que:

𝑦 = ln(𝑥 − 𝑥0 ) ⇒ 𝑦~𝑁(𝜇, 𝜎𝑦2 )

La funcion de densidad de probabilidad es:

2
1 𝑙𝑛( − 0 )−𝜇𝑦
1 −2[
𝜎𝑦
]
𝑓(𝑥 ) = 𝑒
(𝑥 − 𝑥0 )√2𝜋𝜎𝑦

Para 𝑥0 ≤ 𝑥 < ∞

Donde:

𝑥0 = parámetro de posición en el dominio x

𝜇𝑦 = parámetro de escala en el dominio x
𝜎𝑦2 = parámetro de forma en el dominio x
2.4.15.6. Distribución gamma de dos parámetros
variable aleatoria X, tiene una distribución gamma de 2 parámetros si su función
densidad de probabilidad es:

−
𝑥 𝛾−1 𝑒 𝛽
𝑓 (𝑥 ) = 𝛾
𝛽 𝛤(𝛾)

Para:

0≤𝑥 < ∞

0≤𝛾 <∞

32
 0≤𝛽 <∞

Donde:

𝛾 = parámetro de forma (+)

𝛽 = parámetro de escala (+)
𝛤(𝛾) = función gamma completa, se define como:
∞
𝛤 (𝛾) = ∫0 𝑥 𝛾−1 𝑒 − 𝑑𝑥, que converge si 𝛾 > 0

2.4.15.7. Distribución gamma de 3 parámetros

Una variable aleatoria X, tiene una distribución gamma de 3 parámetros si su función
de densidad de probabilidad es:

( − 0)
−
(𝑥 − 𝑥0 )𝛾−1
𝑒 𝛽
𝑓(𝑥 ) =
𝛽 𝛾 𝛤(𝛾)

Para:

𝑥0 ≤ 𝑥 < ∞

−∞ < 𝑥0 < ∞

0< 𝛽 < ∞

0< 𝛾 < ∞

2.4.15.8. Distribución log-Pearson tipo III

Una variable aleatoria X, tiene una distribución log-Pearson tipo III, si su función de
densidad de probabilidad es:

𝑙𝑛 − 0
−
(𝑙𝑛𝑥 − 𝑥0 )𝛾−1 𝑒 𝛽
𝑓 (𝑥 ) = 𝛾
𝑥𝛽 𝛤(𝛾)

Para:

𝑥0 ≤ 𝑥 < ∞

−∞ < 𝑥0 < ∞

0< 𝛽 < ∞

0< 𝛾 < ∞

33
 Donde:

𝑥0 = parámetro de posición
𝛽 = parámetro de escala
𝛾 = parámetro de forma

Para el cálculo de los parámetros de una serie de datos x1, x2, x3, …xn, primero se
convierte a sus logaritmos luego se calcula la media, desviación estándar y el coeficiente de
sesgo con las siguientes formulas:

Media:

∑ 𝑙𝑛𝑥
𝑋̅ 𝑙𝑛𝑥 =
𝑁

Desviación estándar:

∑(𝑙𝑛𝑥 − 𝑋̅ 𝑙𝑛𝑥 )2
𝑆𝑙𝑛 = √
𝑁−1

Sesgo:

𝑁 ∑(𝑙𝑛𝑥 − 𝑋̅𝑙𝑛𝑥 )3
𝐶𝑆𝑙𝑛 = 3
(𝑁 − 1)(𝑁 − 2)𝑆𝑙𝑛

N = tamaño muestral.

2.4.15.9. Distribución Gumbel

La distribución Gumbel, es una de las distribuciones de valor extremo, es llamada
también Valor Extremo Tipo I, tiene como función de distribución de probabilidades la
siguiente expresión:

1 −𝜇 −𝑥−𝜇
𝑓 (𝑥 ) = 𝑒 − 𝛼
−𝑒 𝛼
𝛼

Para: −∞ < 𝑥 < ∞

La variable aleatoria reducida Gumbel, se define como:

𝑥−𝜇
𝑦=
𝛼

Entonces la función densidad reducida Gumbel es:

34
 −𝑦
𝑔(𝑦) = 𝐸𝑋𝑃(−𝑦 − 𝐸𝑋𝑃(−𝑦)) = 𝑒 −𝑦−𝑒

Los valores “x” e “y” se relacionan de la siguiente manera:

𝐹 (𝑥 ) = 𝐺 ( 𝑦 )

Y su relación:

𝑥−𝜇
𝑦= ó 𝑥 = 𝜇 + 𝛼𝑦
𝛼

2.4.15.10. Distribución log-Gumbel

Su distribución acumulada tiene la forma:

(𝑥−𝜇)
−
𝐹 (𝑥 ) = 𝑒 −𝑒 𝛼

Para: −∞ < 𝑥 < ∞

Donde:

0 < 𝛼 < ∞: 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑒𝑠𝑐𝑎𝑙𝑎

−∞ < 𝜇 < ∞: 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝑑𝑒 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛

La variable aleatoria reducida se puede definir como:

𝑙𝑛𝑥 − 𝜇
𝑦=
𝛼

Entonces la función acumulada reducida de log-Gumbel se define como:

−𝑦
𝐺 (𝑦) = 𝐸𝑋𝑃(−𝐸𝑋𝑃(−𝑦)) = 𝑒 −𝑒

2.4.16. Análisis de frecuencia

Los sistemas hidrológicos son afectados algunas veces por eventos extremos, la
magnitud de estos eventos está relacionada inversamente con su frecuencia de ocurrencia, es
decir que los eventos muy severos ocurren con menor frecuencia, el objetivo del análisis de
frecuencia es relacionar la magnitud de los eventos con su frecuencia de ocurrencia mediante
el uso de distribuciones de probabilidad (Te Chow, 1994).

2.4.16.1. Análisis de frecuencia utilizando factores de frecuencia

Para el cálculo de magnitudes de los eventos se requiere que la función de
distribución de probabilidad sea invertible para un valor de T.

35
 La magnitud 𝑥𝑇 de un evento hidrológico puede representarse como la media más una
desviación de la variable con especto a la media.

𝑥 𝑇 = 𝜇 + ∆𝑥 𝑇

La desviación con especto a la media puede igualarse al producto de la desviación

estándar y el factor de frecuencia (𝐾𝑇 ), el factor de frecuencia está en función del periodo de
retorno y el tipo de distribución de probabilidad.

𝑥 𝑇 = 𝜇 + 𝐾𝑇 ∗ 𝑆

Donde:

𝑥 𝑇 : magnitud de evento hidrológico

𝜇: media

𝐾𝑇 : factor de frecuencia

𝑆: desviación estándar

Si de acuerdo a la probabilidad utilizada se utiliza logaritmo, entonces y=logx. Para

poder obtener el xt se halla tomando el antilogaritmo de yt

𝑦𝑇 = 𝑦̅ + 𝐾𝑇 ∗ 𝑆𝑦

• Distribución normal
Para la distribución normal el factor de frecuencia es igual a la inversa de la variable
estandarizada “z”

𝑐0 + 𝑐1 ∗ 𝑤 + 𝑐2 ∗ 𝑤 2
𝑧= ; 𝑝𝑎𝑟𝑎 0 < 𝐹𝑍 ≤ 0.5
1 + 𝑑1 ∗ 𝑤 + 𝑑2 ∗ 𝑤 2 + 𝑑3 ∗ 𝑤 3

𝑐0 + 𝑐1 ∗ 𝑤 + 𝑐2 ∗ 𝑤 2
𝑧=𝑤− ; 𝑝𝑎𝑟𝑎 0.5 < 𝐹𝑍 < 1
1 + 𝑑1 ∗ 𝑤 + 𝑑2 ∗ 𝑤 2 + 𝑑3 ∗ 𝑤 3

Donde:

1
𝑤 = √𝑙𝑛 ( ); 𝑝𝑎𝑟𝑎 0 < 𝐹𝑍 ≤ 0.5
𝐹𝑍 2

1
𝑤 = √𝑙𝑛 ( ); 𝑝𝑎𝑟𝑎 0 < 𝐹𝑍 ≤ 0.5
(1 − 𝐹𝑍)2

36
 c0 = 2.515517

c1 = 0.802853

c2 = 0.010328

d1 = 1.432788

d2 = 0.189269

d3 = 0.001308

FZ = función acumulada de la distribución normal

z = ordenada inversa de la distribución normal estándar

• Distribución Gumbel o de valor extremo tipo I

Para esta distribución Ven te Chow dedujo la siguiente expresión:

√6 𝑇
𝐾𝑇 = − {0.5772 + 𝑙𝑛 [𝑙𝑛 ( )]}
𝜋 𝑇−1

Para el cálculo de la magnitud 𝑥 𝑇 :

𝑥 𝑇 = 𝜇 + 𝐾𝑇 ∗ 𝑆

• Distribución Log Pearson tipo III

Para esta distribución se usa los logaritmos de la información hidrológica y=logx, el
factor de frecuencia depende del periodo de retorno y el coeficiente de asimetría 𝐶𝑠 para los
logaritmos de los datos, la variable estándar z se aproxima con la siguiente formula:

1 1
𝐾𝑇 = 𝑧 + (𝑧 2 − 1)𝑘 + (𝑧 3 − 6𝑧)𝑘 2 − (𝑧 2 − 1)𝑘 3 + 𝑧𝑘 4 + 𝑘 5
3 3
𝐶𝑠
Donde: 𝑘 =
6

Y el coeficiente de asimetría o sesgo:

𝑁 ∑(𝑦 − 𝑦̅)3
𝐶𝑆 𝑙𝑛 =
(𝑁 − 1)(𝑁 − 2)𝑆𝑦3

Y z es la inversa de la distribución normal.

37
 CAPÍTULO III

3. Metodología
3.1. Tipo y nivel de investigación
La presente investigación es del tipo comparativa, ya que se comparará las curvas IDF
de las diferentes zonas de estudio mediante el uso de los datos de precipitación de las
estaciones pluviométricas y del producto grillado Pisco.

3.2. Diseño de investigación

El enfoque cuantitativo es secuencial y probatorio. De las preguntas se establecen
hipótesis y determinan variables; se traza un plan para probarlas, se miden las variables en un
determinado contexto; se analizan las mediciones obtenidas utilizando métodos estadísticos,
y se extrae una serie de conclusiones (Hernández Sampieri et al., 2014)

Por dichas razones la presente investigación tiene un enfoque cuantitativo ya que se

utiliza la recolección de datos de las estaciones pluviométricas para probar hipótesis con base
en la medición numérica, además se sigue se sigue una secuencia en el procedimiento, se
realizan análisis de datos y se usan pruebas estadísticas para validar los resultados.

3.2.1. Variable Independiente

• Duración
• Periodo de retorno
• Precipitación
3.2.2. Variable Dependiente
• Intensidad de precipitación

3.3. Métodos de investigación

3.3.1. Recolección de datos de precipitación:
Se utilizará los datos de precipitación del producto grillado Pisco del Senamhi, así
como también los datos de las 22 estaciones pluviométricas ubicadas en las principales
cuencas departamento de Puno:
3.3.2. Estaciones Pluviométricas
Se utilizarán en total 22 estaciones pluviométricas para obtener la información de las
precipitaciones máximas de 24 horas, dichos datos fueron proporcionados por el Senamhi, se
detallan las estaciones en la Tabla 9 y Tabla 10.

38
Tabla 9. Coordenadas de estaciones utilizadas
ESTACION Latitud : Longitud :
ANANEA 14°40'34.6'' S 69°32'1.88'' W
ARAPA 15°10'42.86'' S 70°6'32.56'' W
AYAVIRI 14°52'7.56'' S 70°35'29.8'' W
CABANILLAS 15°38'20.79'' S 70°20'47.79'' W
CAPACHICA 15°36'48.4'' S 69°50'32'' W
CHUQUIBAMBILLA 14°47'16.46'' S 70°43'42.57'' W
COJATA 15°0'42.45'' S 69°21'40.15'' W
CRUCERO 14°21'51.1'' S 70°1'33.3'' W
HUANCANE 15°12'24.7'' S 69°45'29.9'' W
ILAVE 16°3'35.8'' S 69°38'25.4'' W
LAMPA 15°21'39.9'' S 70°22'27'' W
LARAQUERI 16°8'9.6'' S 70°2'45.2'' W
MAÑAZO 15°47'58'' S 70°20'22.2'' W
MAZO CRUZ 16°44'20'' S 69°42'55.6'' W
MUÑANI 14°46'1'' S 69°57'6.5'' W
PAMPAHUTA 15°29'1.27'' S 70°40'33.55'' W
PIZACOMA 16°54'15.65'' S 69°22'10.3'' W
PROGRESO 14°40'18.1'' S 70°22'4.1'' W
PUCARA 15°2'44.4'' S 70°21'59.9'' W
SANTA ROSA 14°37'4.1'' S 70°47'34'' W
TAMBOPATA 15°13'0" S 69°9'42.42'' W
TARACO 15°18'42'' S 69°58'20.9'' W

Nota: Elaboración Propia

3.3.3. Cuencas
Dichas estaciones están ubicadas en las siguientes cuencas:

• Cuenca Mauri chico • Cuenca Pucara

• Cuenca Callacame • Intercuenca Ramis
• Cuenca Ilave • Cuenca Huancané
• Cuenca Ilpa • Cuenca Suches
• Cuenca Coata • Cuenca Azángaro

39
Figura 6. Cuencas del departamento de Puno
Nota: Elaboración Propia

40
Tabla 10. Información de las estaciones
Estaciones Longitud Latitud Altura(msnm) Cuencas
ANANEA -69.53386 -14.67628 4660 Cuenca Azángaro
ARAPA -70.10904 -15.17857 3830 Intercuenca Ramis
AYAVIRI -70.59161 -14.86877 3928 Cuenca Pucará
CABANILLAS -70.34661 -15.63911 3920 Cuenca Coata
CAPACHICA -69.84222 -15.61344 3828 Intercuenca Ramis
CHUQUIBAMBILLA -70.72849 -14.78791 3971 Cuenca Pucará
COJATA -69.36115 -15.01179 4380 Cuenca Suches
CRUCERO -70.02592 -14.36419 4183 Cuenca Azángaro
HUANCANE -69.75831 -15.20686 3890 Cuenca Huancané
ILAVE -69.64039 -16.05994 3871 Cuenca Ilave
LAMPA -70.37417 -15.36108 3892 Cuenca Coata
LARAQUERI -70.04589 -16.13600 3900 Cuenca Ilave
MAÑAZO -70.33950 -15.79944 3920 Cuenca Ilpa
MAZO CRUZ -69.71544 -16.73889 4003 Cuenca Ilave
MUÑANI -69.95181 -14.76694 3932 Cuenca Azángaro
PAMPAHUTA -70.67599 -15.48369 4400 Cuenca Coata
PIZACOMA -69.36953 -16.90435 3930 Cuenca Mauri Chico
PROGRESO -70.36781 -14.67169 3905 Cuenca Azángaro
PUCARA -70.36664 -15.04567 3900 Cuenca Pucará
SANTA ROSA -70.79278 -14.61781 3986 Cuenca Pucará
TAMBOPATA -69.16178 -14.22529 1373 Cuenca Suches
TARACO -69.97247 -15.31167 3820 Intercuenca Ramis

Nota: Elaboración Propia

41
Figura 7. Ubicación de las estaciones en el departamento de Puno
Nota: Elaboración Propia

42
3.3.4. SENAMHI HSR PISCO Prec v2p1 stable daily Prec: Precipitation data
Para la obtención de la información del producto grillado Pisco se descargará de
“IRI/LDEO Climate Data Library” la cual es de libre acceso, una vez descargado el paquete
de datos en formato netCDF (network Common Data Form) se usará el programa “R” para
extraer la información de los puntos de interés que en este caso serán las coordenadas las
estaciones pluviométricas.

En las siguientes imágenes se puede visualizar el proceso de descarga de la

información, para este caso se usará la versión 2.1 estable cuyo periodo comprende del 1 de
enero de 1981 hasta el 31 de diciembre del 2016, cabe recalcar que se usará la data diaria de
precipitación

Figura 8. IRI/LDEO Climate Data Library

Nota: Extraído de
https://iridl.ldeo.columbia.edu/SOURCES/.SENAMHI/.HSR/.PISCO/index.html?Set-
Language=es

Una vez seleccionado el tipo de información requerida se procede a descargar en

formato netCDF.

43
Figura 9. Información en formato netCDF.
Nota: Extraído de
https://iridl.ldeo.columbia.edu/SOURCES/.SENAMHI/.HSR/.PISCO/.Prec/.v2p1/.stable/.dail
y/.Prec/?Set-Language=es

Para poder obtener los datos se usará Rstudio con el siguiente código para extraer
Piscopd, el cual fue desarrollado por Adrian Huerta & Waldo Lavado:

## Leer puntos de estaciones de datos PISCO de prec a partir de

# puntos de estaciones que estan almacenados en un archivo *.csv

# Autores: Adrian Huerta & Waldo Lavado

setwd("E:/2018/Leer PISCO")# Esta es la ruta de la carpeta donde esta

Pisco

# y deben estar el archivo *.csv con los puntos a extraer

# ojo que es / no \

# Descargar datos PISCO de: http://www.senamhi.gob.pe/?p=observacionde-

inundaciones

# En la parte inferior ir a la carpeta Datos SONICS (DESCARGAS)

# bajar de preferencia los datos de la carpeta PISCO_v2.0

44
#ftp://ftp.senamhi.gob.pe/PISCO_v2.0/ ## PISCO_Pd_v2.0 son diarios y

# PISCO_Pm_v2.0 son mensuales

# Este ejemplo es para los datos mensuales PISCOpm.nc

rm(list = ls())

install.packages("raster")#Instalar el paquete comentar # si ya esta

instalado

install.packages("ncdf4")#Instalar el paquete comentar # si ya esta

instalado

library(raster)#cargar el paquete

library(ncdf4)#cargar el paquete

## Leer el archivo long_lat.csv (ver el archivo ejemplo)

## para agregar solo disminuya o incremente las coordenadas de las

filas

## XX Longitud e YY Latitud

long_lat <- read.csv("long_lat.csv", header = T)

### Ensamblamos los datos *.nc raster_pp <- raster::brick("PISCOpm.nc")

## Asignamos las coordenadas

sp::coordinates(long_lat) <- ~XX+YY

# Igualamos las proyecciones del raster y de los puntos a extraer untos a extraer

raster::projection(long_lat) <- raster::projection(raster_pp)

# Extraemos los valores

points_long_lat <- raster::extract(raster_pp[[1]], long_lat,

cellnumbers = T)[,1]

data_long_lat <- t(raster_pp[points_long_lat])

45
 colnames(data_long_lat) <- as.character(long_lat$NN)

# Guardamos los datos como "data_long_lat.csv" Ud puede cambiar el

nombre

# Las filas son los datos mensuales en este caso y las columnas son columnas son

los puntos los puntos seleccionad seleccionados

# Ojo que el orden está de acuerdo al archivo long_ acuerdo al archivo long_lat.csv,
de la lat.csv, de la

columna NN

write.csv (data_long_lat, "data_long_lat.csv", quote = F)

3.3.5. Análisis de consistencia

El Water Resources Council recomienda la realización de un ajuste de datos dudosos,
estos datos son puntos de información que se alejan de la tendencia de la información
restante, los datos dudosos pueden afectar significativamente a los parámetros estadísticos,
por lo cual deben ser eliminados si sobrepasan los umbrales de los datos dudosos.

3.3.6. Uso de modelos probabilísticos

Se tienen varias funciones de distribución, en este caso se usarán 4 distribuciones:

• Distribución log normal de 2 parámetros

• Distribución log normal de 3 parámetros
• Distribución log Pearson tipo III
• Distribución Gumbel o valor extremo tipo I

3.3.7. Análisis de frecuencia

Para el análisis de frecuencia se elige serie anual máxima que se obtiene eligiendo el
valor máximo de cada año, Una vez seleccionada la serie con la que se va a realizar el
análisis de frecuencia esta se orden con los valores de mayor a menor, prescindiendo del año
de ocurrencia. Una vez ordenado los datos es necesario asignarle a cada valor una
probabilidad de excedencia. Esta probabilidad de excedencia o frecuencia (P) que se asigna a
cada valor de la serie es lo que se conoce como posición de trazado siendo su inversa el
período de retorno (T), para esto se usará la fórmula de Weibull.

46
3.3.8. Selección de la distribución de probabilidades
Una vez realizado el análisis de frecuencia con los datos hidrológicos se procede a
elegir la distribución que mejor se ajuste a la serie de datos, para este fin se usaran los
métodos analíticos que son los siguientes:

• Prueba Chi-cuadrado (𝒙𝟐 )

• Prueba de Smirnov-Kolmogorov

Con dichos métodos se compararán las distribuciones teóricas y se elegirá la que más
se acerque a 0 se usará como el modelo de la serie de datos.

3.3.9. Determinación de las precipitaciones máximas con los factores de frecuencia

Una vez el modelo de distribución probabilística se procede a calcular la precipitación
máxima de 24 horas en cada punto de interés y para los periodos de retorno requeridos
usando los factores de frecuencia

3.3.10. Distribución de las intensidades de la lluvia máxima

Para distribuir las intensidades primero se tiene que calcular los valores de
precipitación en diferentes periodos de duración, como en el caso de duraciones de tormenta
menores a 1 hora, estas pueden ser calculadas mediante la metodología de Dick Peschke que
relaciona la duración de la tormenta con la precipitación máxima en 24 horas. La expresión es
la siguiente:

𝑑 0.25
𝑃𝑑 = 𝑃24ℎ ( )
1440

Donde:

Pd = precipitación total en mm

d = duración en minutos

P_24h = precipitación máxima en 24 horas

D = duración de la precipitación en minutos

Para duraciones mayores a 1 hora se usarán los coeficientes de duración que propone
el Manual de Hidrología, Hidráulica y Drenaje del Perú, los cuales se muestran en la Tabla
11.

47
Tabla 11. Coeficientes de duración lluvias entre 48 horas y una hora

Nota: Extraído de Manual de Hidrología, Hidráulica y Drenaje (2008)

3.3.11. Determinación de las ecuaciones de las curvas IDF

Las curvas de intensidad-duración-frecuencia se expresarán mediante ecuaciones con
el fin de evitar la lectura en una gráfica (MTC, 2008):

𝐾𝑇 𝑚
𝐼=
𝐷𝑛

Donde:

I = intensidad máxima en mm/hr

K, m, n = factores de la zona de estudio

T = periodo de retorno en años

48
 Otro tipo de ecuación es la propuesta por Varhson Wilhelm y Alfaro Marvin que
obtuvieron para los principales centros urbanos de Costa Rica:

𝐼 = 𝑎 + 𝑏 ∗ 𝑙𝑛(𝐷) + 𝑐 ∗ 𝑙𝑛(𝑇) + 𝑑 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Donde:

I = intensidad máxima en mm/hr

a, b, c, d = parámetros

T = periodo de retorno en años

49
 CAPÍTULO IV

4. Resultados y Discusión
4.1. Selección de la precipitación máxima de 24horas
Con los datos proporcionados del Senamhi se selecciona las precipitaciones máximas
del mes y luego del año para poder conformar la serie hidrológica, de la misma manera se
saca los datos del producto grillado Pisco de precipitación diaria.

Los datos se presentan en las Tablas 12 y 13.

Tabla 12. Datos de precipitación máxima en 24 horas Senamhi Ananea

ESTACION ANANEA - Precipitacion Maxima en 24 horas (mm)
Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre
1981 14.000 14.600 13.900 8.400 4.700 2.500 0.000 5.400 6.100 8.200 12.200 12.300
1982 24.500 12.400 17.600 17.300 1.800 5.500 0.000 5.000 11.600 10.800 15.200 13.400
1983 12.200 8.400 8.500 9.400 4.500 8.800 0.000 0.000 4.600 6.500 6.600 9.000
1984 13.600 26.700 21.200 6.200 0.000 0.000 5.600 12.700 3.900 12.400 20.700 13.100
1985 18.000 16.800 10.300 11.400 3.200 19.100 6.300 5.900 7.400 7.800 10.200 14.300
1986 16.500 19.300 14.200 9.200 4.600 0.000 5.100 6.200 8.300 5.800 6.500 13.700
1987 12.300 7.600 13.900 8.900 3.400 3.200 13.300 2.500 4.000 8.500 10.900 14.000
1988 11.600 8.300 10.000 8.300 8.700 0.000 0.000 0.000 3.000 4.500 5.200 9.200
1989 16.000 13.700 15.000 5.000 5.200 0.000 0.000 5.000 5.500 6.500 8.200 11.400
1990 14.700 10.200 4.800 11.200 3.800 15.200 3.200 5.500 3.500 8.800 11.200 13.000
1991 17.300 6.500 7.500 11.700 8.300 8.800 0.000 0.000 6.500 6.600 8.500 7.000
1992 11.000 9.800 8.000 6.000 0.000 4.800 0.000 13.500 4.000 6.400 10.000 7.000
1993 10.800 7.200 9.700 5.800 4.200 1.500 3.500 6.500 3.500 7.400 10.600 12.100
1994 18.500 14.500 18.600 8.800 0.000 3.400 0.000 0.000 3.500 5.300 6.500 9.300
1995 7.500 15.300 14.200 5.700 4.200 0.000 2.100 0.000 3.400 4.800 18.200 12.900
1996 22.400 17.100 12.700 8.700 4.000 0.000 0.500 19.500 5.500 9.200 14.500 6.700
1997 16.200 15.000 15.900 5.500 2.600 0.000 1.400 7.000 5.400 5.800 12.400 12.800
1998 17.500 17.900 13.700 9.000 0.500 4.200 0.000 0.500 7.000 0.000 0.000 6.000
1999 16.100 17.900 14.000 8.000 5.300 0.900 1.500 1.000 10.500 19.200 7.300 7.600
2000 14.300 22.500 12.300 6.100 4.900 7.700 4.100 3.500 7.700 16.700 10.300 25.200
2001 18.100 14.900 16.300 23.600 10.400 0.500 6.200 9.000 3.900 12.500 19.200 5.400
2002 13.800 21.300 21.200 6.500 6.800 0.500 9.800 5.400 8.800 13.400 23.800 14.500
2003 36.900 11.500 28.100 13.900 1.500 8.900 0.000 10.800 2.800 17.000 10.100 11.000
2004 31.000 24.500 14.700 7.500 10.200 11.800 3.600 5.900 12.400 16.300 9.300 14.500
2005 12.200 19.300 10.100 5.000 1.100 0.200 0.000 7.700 2.900 11.700 8.500 21.400
2006 26.800 10.100 12.000 11.600 2.400 3.000 0.000 8.000 18.900 31.500 13.800 26.000
2007 21.500 33.100 16.800 8.900 8.900 0.000 2.700 0.000 10.200 10.200 20.900 14.200
2008 17.900 6.100 18.800 10.300 9.900 1.700 1.800 5.400 2.900 11.400 12.100 22.400
2009 23.000 11.400 9.500 10.200 7.000 0.000 0.000 0.000 5.100 7.600 17.700 11.200
2010 14.300 13.300 33.400 9.800 7.600 0.000 5.700 0.000 1.200 9.800 8.600 20.100
2011 11.300 22.200 31.800 6.100 0.000 7.500 0.800 3.000 8.500 18.500 6.000 21.600
2012 13.600 15.400 21.200 22.100 2.800 5.200 5.600 0.200 11.000 12.400 10.700 15.200
2013 17.400 15.400 9.100 5.200 3.600 1.300 4.200 9.600 4.000 14.100 14.800 11.900
2014 15.000 18.900 24.900 9.500 9.600 2.400 15.300 4.200 10.100 11.600 13.700
2015 15.000 13.400 17.800 12.100 14.900 4.100 16.800 15.900 7.200 10.700 10.600 17.800
2016 11.900 22.100 8.200 13.200 1.600 0.000 7.500 9.200 9.100 14.200 6.400 19.000

50
Tabla 13. Datos de precipitación máxima en 24 horas Piscopd Ananea
Datos Piscopd ANANEA - Precipitacion Maxima en 24 horas (mm)
Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre
1981 26.026 13.618 14.36 24.823 4.527 0.031 0.438 31.032 5.798 10.247 12.271 15.527
1982 18.812 12.323 14.301 14.075 0.02 0.006 0.021 5.713 26.036 18.308 20.211 9.733
1983 9.237 16.812 5.856 14.398 0.753 0.036 3.012 0.063 5.978 18.016 7.82 7.259
1984 17.039 23.21 10.685 6.384 6.364 3.902 2.389 21.983 0.961 12.596 31.884 20.705
1985 21.292 18.322 13.456 16.924 18.793 14.602 0.386 4.337 15.032 7.705 27.15 22.073
1986 19.293 16.159 16.232 13.868 7.748 0.429 0.148 19.992 23.911 6.609 11.178 19.262
1987 20.14 9.376 13.335 14.049 7.616 0.106 2.708 0.199 0.128 22.925 22.315 14.163
1988 17.212 15.461 29.589 30.853 13.558 0.003 0.002 0.011 3.906 15.777 2.525 12.691
1989 15.12 15.525 14.744 16.387 2.961 6.385 1.244 0.775 8.872 6.497 10.374 12.302
1990 14.983 25.827 8.156 20.932 7.442 21.204 0.523 7.643 18.996 20.078 16.193 23.351
1991 13.579 16.675 15.337 7.355 5.76 14.675 0.054 2.213 17.553 5.7 12.635 18.326
1992 15.749 18.26 4.546 8.276 0.006 4.697 2.415 41.937 4.309 21.499 7.463 10.432
1993 21.722 10.672 19.034 12.017 11.02 2.941 1.324 10.391 7.985 12.467 22.295 22.069
1994 19.454 15.998 12.577 17.778 5.336 0.006 0.246 3.457 5.192 9.386 17.73 14.483
1995 19.381 20.509 19.394 4.701 1.77 0.357 0.01 1.567 5.094 6.243 20.162 24.567
1996 18.343 6.754 13.881 4.591 7.681 0.004 0.28 5.101 7.874 7.73 12.548 16.629
1997 22.698 17.752 22.671 25.247 13.477 0.365 0.004 18.495 26.459 15.799 23.273 14.1
1998 14.904 12.901 13.155 10.14 0.201 0.109 0.003 1.011 3.868 11.484 18.548 6.372
1999 12.139 12.248 34.529 12.17 12.494 0.013 2.261 1.85 10.993 7.864 10.729 10.287
2000 20.793 17.754 11.546 4.288 7.387 7.187 0.017 7.966 2.6 29.159 8.259 18.184
2001 16.34 14.735 16.58 23.199 8.728 0.665 5.888 9.838 4.351 12.103 19.684 5.584
2002 13.271 19.146 20.855 6.822 8.576 0.521 10.318 5.158 8.454 14.637 20.264 13.326
2003 21.962 13.23 11.614 12.977 2.29 9.064 0.014 11.786 3.043 10.454 10.551 10.573
2004 9.805 23.037 14.844 7.479 12.762 8.109 3.948 8.303 11.508 13.585 9.186 13.376
2005 12.044 17.478 9.288 5.754 1.925 0.073 0.002 5.69 3.345 11.767 8.788 18.766
2006 26.892 9.72 11.581 11.924 2.736 3.054 0.009 6.621 15.787 9.568 15.232 24.819
2007 15.908 9.131 17.734 8.232 8.886 0.002 1.867 0.013 12.035 9.32 20.767 11.755
2008 16.223 6.59 18.065 7.571 7.953 1.724 1.844 4.801 3.812 12.694 11.878 20.219
2009 22.008 11.891 9.791 8.859 6.329 0.001 0.023 0.003 4.804 7.261 15.854 10.284
2010 14.303 14.404 16.506 9.417 7.996 0.001 3.467 0.006 1.427 9.41 9.188 18.787
2011 9.75 22.337 7.407 6.271 0.041 5.933 1.41 3.391 7.658 17.339 7.092 21.719
2012 13.049 15.808 20.06 20.796 3.114 4.256 5.175 0.071 9.404 12.565 10.726 14.522
2013 27.394 19.653 13.271 12.721 9.834 0.202 0.063 8.551 8.634 24.081 12.467 21.652
2014 19.499 19.671 11.002 9.443 7.374 0.006 10.066 4.547 10.811 15.132 6.801 13.604
2015 20.818 9.297 15.599 19.31 7.292 1.016 5.115 8.858 8.809 12.809 20.501 10.991
2016 9.169 25.024 8.252 19.644 1.302 0.006 6.082 9.022 10.962 13.488 5.724 15.262

De las tablas mostradas se conforman las series de datos que se usaran para el análisis,
en la Tabla 14:

51
Tabla 14. Precipitacion maxima anual en 24 horas- Ananea
Estacion - Ananea
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 31.032 14.6
1982 26.036 24.5
1983 18.016 12.2
1984 31.884 26.7
1985 27.15 19.1
1986 23.911 19.3
1987 22.925 14
1988 30.853 11.6
1989 16.387 16
1990 25.827 15.2
1991 18.326 17.3
1992 41.937 13.5
1993 22.295 12.1
1994 19.454 18.6
1995 24.567 18.2
1996 18.343 22.4
1997 26.459 16.2
1998 18.548 17.9
1999 34.529 19.2
2000 29.159 25.2
2001 23.199 23.6
2002 20.855 23.8
2003 21.962 36.9
2004 23.037 31
2005 18.766 21.4
2006 26.892 31.5
2007 20.767 33.1
2008 20.219 22.4
2009 22.008 23
2010 18.787 33.4
2011 22.337 31.8
2012 20.796 22.1
2013 27.394 17.4
2014 19.671 24.9
2015 20.818 17.8
2016 25.024 22.1

4.2. Analisis de consistencia

Se realizará con el método de Water Resources Council para detectar los datos
dudosos altos y bajos, para esto primeramente se saca los logaritmos de las precipitaciones,
luego con los valores de logaritmo se calcula las desviación estándar y promedio de los datos
en la Tabla 15:

52
Tabla 15. Análisis de consistencia de datos de la estación Ananea
Estacion - Ananea
Piscopd Senamhi
AÑO Precipitacion Precipitacion
y=Log(prec) y=Log(prec)
(mm) (mm)
1981 31.032 1.492 14.6 1.164
1982 26.036 1.416 24.5 1.389
1983 18.016 1.256 12.2 1.086
1984 31.884 1.504 26.7 1.427
1985 27.15 1.434 19.1 1.281
1986 23.911 1.379 19.3 1.286
1987 22.925 1.360 14 1.146
1988 30.853 1.489 11.6 1.064
1989 16.387 1.214 16 1.204
1990 25.827 1.412 15.2 1.182
1991 18.326 1.263 17.3 1.238
1992 41.937 1.623 13.5 1.130
1993 22.295 1.348 12.1 1.083
1994 19.454 1.289 18.6 1.270
1995 24.567 1.390 18.2 1.260
1996 18.343 1.263 22.4 1.350
1997 26.459 1.423 16.2 1.210
1998 18.548 1.268 17.9 1.253
1999 34.529 1.538 19.2 1.283
2000 29.159 1.465 25.2 1.401
2001 23.199 1.365 23.6 1.373
2002 20.855 1.319 23.8 1.377
2003 21.962 1.342 36.9 1.567
2004 23.037 1.362 31 1.491
2005 18.766 1.273 21.4 1.330
2006 26.892 1.430 31.5 1.498
2007 20.767 1.317 33.1 1.520
2008 20.219 1.306 22.4 1.350
2009 22.008 1.343 23 1.362
2010 18.787 1.274 33.4 1.524
2011 22.337 1.349 31.8 1.502
2012 20.796 1.318 22.1 1.344
2013 27.394 1.438 17.4 1.241
2014 19.671 1.294 24.9 1.396
2015 20.818 1.318 17.8 1.250
2016 25.024 1.398 22.1 1.344
n 𝑦̅ 1.369 𝑦̅ 1.311
36 Sy 0.091 Sy 0.133

𝑛 1/2
1
𝑆𝑦 = ( ∑(𝑦𝑖 − 𝑦̅)2 )
𝑛−1
𝑖=1

Una vez obtenido los parámetros se calcula el valor de 𝐾𝑛 que depende del tamaño de
la muestra y en este caso será el mismo para los datos de Piscopd y Senamhi:

Kn 2.639

53
 Ahora se procederá a calcular el umbral alto de dato dudoso, y de la misma manera el
umbral bajo:

𝑌𝐻 = 𝑌̅ + 𝐾𝑛 ∗ 𝑆𝑌

𝑌𝐿 = 𝑌̅ − 𝐾𝑛 ∗ 𝑆𝑌

YH 1.608 YH 1.661
YL 1.130 YL 0.960

Para poder obtener el 𝑋𝐻 que es el umbral en las unidades de mm se debe aplicar el

antilogaritmo a Y:

𝑋𝐻 = 10𝑌𝐻

𝑋𝐿 = 10𝑌𝐿

XH 40.511 XH 45.802
XL 13.483 XL 9.123

Una vez calculado los valores de los umbrales se comparan con los datos de la serie:

Prec Max(x) 41.937 Prec Max(x) 36.9

Prec Min(x) 16.387 Prec Min(x) 11.6

El método nos indica que el valor de precipitación máxima no debe ser mayor al
umbral alto y la precipitación mínima no debe ser menor al umbral bajo, a continuación, un
resumen de los parámetros y como se puede apreciar la precipitación máxima con los datos
de Piscopd supera el umbral alto calculado por lo que se debería eliminar el dato de la serie,
todo lo mencionado se presenta la Tabla 16.

Tabla 16. Análisis de consistencia - Parámetros

Estacion - Ananea
Piscopd Senamhi
n 𝑦̅ 1.369 𝑦̅ 1.311
36 Sy 0.091 Sy 0.133
Kn 2.639 Kn 2.639
YH 1.608 YH 1.661
YL 1.130 YL 0.960
XH 40.511 XH 45.802
XL 13.483 XL 9.123
Prec Max(x) 41.937 Prec Max(x) 36.9
Prec Min(x) 16.387 Prec Min(x) 11.6

54
 Ven Te Chow indica que los procedimientos para tratar los valores atípicos requieren
en última instancia un juicio que incluya consideraciones tanto matemáticas como
hidrológicas, en este caso no se eliminará la precipitación máxima y se mantendrá como parte
del registro ya que no podemos comparar el dato con otras estaciones por no tener
información histórica suficiente.

4.3. Análisis de Frecuencia y Distribuciones de probabilidad

Con la conformada anteriormente realizamos el análisis de frecuencia, esta se ordena
con los valores de mayor a menor, prescindiendo del año de ocurrencia. Una vez ordenado
los datos es necesario asignarle a cada valor una probabilidad de excedencia. Esta
probabilidad de excedencia o frecuencia (P) que se asigna a cada valor de la serie es lo que se
conoce como posición de trazado siendo su inversa el período de retorno (T), para esto se
usará la fórmula de Weibull:

𝑚
𝑃=
𝑁+1

La variable m viene a ser el número de orden asignado en forma decreciente, N es el

tamaño de la muestra, P puede ser interpretado como la probabilidad que un valor sea
igualado o excedido 1 vez en un número de años “N”.

La probabilidad de ocurrencia de un evento en cualquier observación viene a ser el

inverso de su periodo de retorno.

1
𝑃 (𝑋 > 𝑥 𝑇 ) =
𝑇

4.3.1. Distribución Log Normal de 2 parámetros

Primero se hará el análisis de frecuencia y luego se asignará la probabilidad como se
explicó anteriormente, los valores de precipitación “x” se convertirán a logaritmos naturales
𝑦 = 𝑙𝑛𝑥.

Para calcular los parámetros se tiene las siguientes expresiones:

Media:

∑𝑦
𝑦̅ =
𝑁

Desviación estándar:

55
 ∑(𝑦𝑖 − 𝑦̅)2
𝑆𝑦 = √
𝑁−1

Tabla 17. Distribución log normal 2 parámetros - Ananea

Estacion - Ananea
Piscopd Senamhi
m P T
x Y=ln(x) x Y=ln(x)
1 0.0270 37.00 41.937 3.736 36.9 3.608
2 0.0541 18.50 34.529 3.542 33.4 3.509
3 0.0811 12.33 31.884 3.462 33.1 3.500
4 0.1081 9.25 31.032 3.435 31.8 3.459
5 0.1351 7.40 30.853 3.429 31.5 3.450
6 0.1622 6.17 29.159 3.373 31 3.434
7 0.1892 5.29 27.394 3.310 26.7 3.285
8 0.2162 4.63 27.15 3.301 25.2 3.227
9 0.2432 4.11 26.892 3.292 24.9 3.215
10 0.2703 3.70 26.459 3.276 24.5 3.199
11 0.2973 3.36 26.036 3.259 23.8 3.170
12 0.3243 3.08 25.827 3.251 23.6 3.161
13 0.3514 2.85 25.024 3.220 23 3.135
14 0.3784 2.64 24.567 3.201 22.4 3.109
15 0.4054 2.47 23.911 3.174 22.4 3.109
16 0.4324 2.31 23.199 3.144 22.1 3.096
17 0.4595 2.18 23.037 3.137 22.1 3.096
18 0.4865 2.06 22.925 3.132 21.4 3.063
19 0.5135 1.95 22.337 3.106 19.3 2.960
20 0.5405 1.85 22.295 3.104 19.2 2.955
21 0.5676 1.76 22.008 3.091 19.1 2.950
22 0.5946 1.68 21.962 3.089 18.6 2.923
23 0.6216 1.61 20.855 3.038 18.2 2.901
24 0.6486 1.54 20.818 3.036 17.9 2.885
25 0.6757 1.48 20.796 3.035 17.8 2.879
26 0.7027 1.42 20.767 3.033 17.4 2.856
27 0.7297 1.37 20.219 3.007 17.3 2.851
28 0.7568 1.32 19.671 2.979 16.2 2.785
29 0.7838 1.28 19.454 2.968 16 2.773
30 0.8108 1.23 18.787 2.933 15.2 2.721
31 0.8378 1.19 18.766 2.932 14.6 2.681
32 0.8649 1.16 18.548 2.920 14 2.639
33 0.8919 1.12 18.343 2.909 13.5 2.603
34 0.9189 1.09 18.326 2.908 12.2 2.501
35 0.9459 1.06 18.016 2.891 12.1 2.493
36 0.9730 1.03 16.387 2.796 11.6 2.451
N 36 𝑦̅ 3.151 𝑦̅ 3.018
𝑠𝑦 0.208 𝑠𝑦 0.306

4.3.2. Distribución Log Normal de 3 parámetros

Se sigue el mismo procedimiento que la distribución Log Normal de 2 parámetros
solo que en este caso se deberá calcular un parámetro de posición 𝑥0 :

56
 𝑦 = ln(𝑥 − 𝑥0 )

Para poder estimar el parámetro de posición se usará el método de momentos donde

para datos muestrales se tiene las siguientes expresiones:

Coeficiente de sesgo:

𝑁 2 𝑀3
𝐶𝑆 =
(𝑁 − 1)(𝑁 − 2)𝑆 3

∑(𝑥𝑖 − 𝑥̅ )3
𝑀3 =
𝑁

Desviación estándar:

∑(𝑥𝑖 − 𝑥̅ )2
𝑆 =√
𝑁−1

Media:

∑ 𝑥𝑖
𝑥̅ =
𝑁

Parámetro de forma 𝜎𝑦 2 (varianza):

𝐶𝑆 − 0.52
𝜎𝑦 = √
4. 5

Parámetro de escala (media):

1 𝑆 2
𝜇𝑦 = [𝑙𝑛 ( 𝜎2 ) − 𝜎𝑦2 ]
2 𝑒 −1
𝑦

Finalmente podemos obtener el parámetro de posición:

𝜎𝑦2
𝜇𝑦 +
𝑥0 = 𝑥̅ − 𝑒 2

Los resultados se muestran en la siguiente tabla:

57
Tabla 18. Distribución log normal 3 parámetros - Ananea
Estacion - Ananea
Piscopd Senamhi
m P T
x Y=Ln(x-x0) x Y=Ln(x-x0)
1 0.0270 37.00 41.937 5874.276 3.426 36.9 3731.889 4.112
2 0.0541 18.50 34.529 1202.985 3.150 33.4 1732.804 4.053
3 0.0811 12.33 31.884 510.157 3.029 33.1 1606.180 4.048
4 0.1081 9.25 31.032 363.748 2.987 31.8 1128.473 4.025
5 0.1351 7.40 30.853 337.065 2.978 31.5 1033.705 4.019
6 0.1622 6.17 29.159 145.979 2.888 31 887.812 4.010
7 0.1892 5.29 27.394 42.889 2.785 26.7 149.815 3.929
8 0.2162 4.63 27.15 34.531 2.770 25.2 55.355 3.899
9 0.2432 4.11 26.892 26.957 2.753 24.9 43.285 3.893
10 0.2703 3.70 26.459 16.883 2.725 24.5 30.112 3.885
11 0.2973 3.36 26.036 9.833 2.697 23.8 14.017 3.870
12 0.3243 3.08 25.827 7.227 2.683 23.6 10.810 3.866
13 0.3514 2.85 25.024 1.444 2.627 23 4.182 3.853
14 0.3784 2.64 24.567 0.305 2.593 22.4 1.034 3.841
15 0.4054 2.47 23.911 0.000 2.543 22.4 1.034 3.841
16 0.4324 2.31 23.199 -0.335 2.485 22.1 0.360 3.834
17 0.4595 2.18 23.037 -0.629 2.471 22.1 0.360 3.834
18 0.4865 2.06 22.925 -0.909 2.462 21.4 0.000 3.819
19 0.5135 1.95 22.337 -3.772 2.411 19.3 -9.115 3.772
20 0.5405 1.85 22.295 -4.085 2.407 19.2 -10.487 3.769
21 0.5676 1.76 22.008 -6.704 2.381 19.1 -11.992 3.767
22 0.5946 1.68 21.962 -7.207 2.376 18.6 -21.692 3.756
23 0.6216 1.61 20.855 -28.056 2.268 18.2 -32.428 3.746
24 0.6486 1.54 20.818 -29.093 2.264 17.9 -42.468 3.739
25 0.6757 1.48 20.796 -29.722 2.262 17.8 -46.225 3.737
26 0.7027 1.42 20.767 -30.565 2.259 17.4 -63.468 3.727
27 0.7297 1.37 20.219 -49.617 2.200 17.3 -68.362 3.725
28 0.7568 1.32 19.671 -75.291 2.137 16.2 -139.709 3.698
29 0.7838 1.28 19.454 -87.505 2.111 16 -156.494 3.693
30 0.8108 1.23 18.787 -133.168 2.027 15.2 -237.049 3.673
31 0.8378 1.19 18.766 -134.817 2.024 14.6 -312.893 3.657
32 0.8649 1.16 18.548 -152.754 1.995 14 -403.401 3.642
33 0.8919 1.12 18.343 -171.010 1.967 13.5 -490.962 3.629
34 0.9189 1.09 18.326 -172.586 1.964 12.2 -775.870 3.593
35 0.9459 1.06 18.016 -203.050 1.920 12.1 -801.477 3.591
36 0.9730 1.03 16.387 -422.992 1.647 11.6 -937.994 3.577
23.894 21.389
N 36 5.386 6.590
M3 189.734 M3 163.032
Cs 1.323 Cs 0.620
𝜎𝑦 0.407 𝜎𝑦 0.144
𝜇𝑦 2.459 𝜇𝑦 3.808
𝑥0 11.197 𝑥0 -24.156

4.3.3. Distribución log Pearson tipo III

Se sigue el mismo procedimiento para el análisis de frecuencia, los valores de
precipitación “x” se convierten en logaritmos naturales:

𝑦 = ln (𝑥)

Para calcular los parámetros se tiene las siguientes expresiones:

58
 Media:

∑𝑦
𝑦̅ =
𝑁

Desviación estándar:

∑(𝑦𝑖 − 𝑦̅)2
𝑆𝑦 = √
𝑁−1

Coeficiente de sesgo:

𝑁 ∑(𝑦 − 𝑦̅)3
𝐶𝑆 =
(𝑁 − 1)(𝑁 − 2)𝑆𝑦3

Para calcular el parámetro de posición “xo” se usará el método de los momentos y

resulta de la siguiente ecuación:

4
𝛾=
𝐶𝑆2

𝐶𝑆 ∗ 𝑆𝑦
𝛽=
2

2𝑆𝑦
𝑥𝑜 = 𝑦̅ −
𝐶𝑆

En la siguiente tabla se muestran los resultados:

59
Tabla 19. Distribución log Pearson tipo III – Ananea
Estacion - Ananea
Piscopd Senamhi
m P T 3 𝑦𝑖 − 𝑦̅ 3
x Y=Ln(x) 𝑦𝑖 − 𝑦̅ x Y=Ln(x)
1 0.0270 37.00 41.937 3.736 0.1999 36.9 3.608 0.2061
2 0.0541 18.50 34.529 3.542 0.0595 33.4 3.509 0.1184
3 0.0811 12.33 31.884 3.462 0.0300 33.1 3.500 0.1120
4 0.1081 9.25 31.032 3.435 0.0228 31.8 3.459 0.0863
5 0.1351 7.40 30.853 3.429 0.0214 31.5 3.450 0.0809
6 0.1622 6.17 29.159 3.373 0.0108 31 3.434 0.0722
7 0.1892 5.29 27.394 3.310 0.0040 26.7 3.285 0.0191
8 0.2162 4.63 27.15 3.301 0.0034 25.2 3.227 0.0092
9 0.2432 4.11 26.892 3.292 0.0028 24.9 3.215 0.0077
10 0.2703 3.70 26.459 3.276 0.0019 24.5 3.199 0.0059
11 0.2973 3.36 26.036 3.259 0.0013 23.8 3.170 0.0035
12 0.3243 3.08 25.827 3.251 0.0010 23.6 3.161 0.0030
13 0.3514 2.85 25.024 3.220 0.0003 23 3.135 0.0016
14 0.3784 2.64 24.567 3.201 0.0001 22.4 3.109 0.0008
15 0.4054 2.47 23.911 3.174 0.0000 22.4 3.109 0.0008
16 0.4324 2.31 23.199 3.144 0.0000 22.1 3.096 0.0005
17 0.4595 2.18 23.037 3.137 0.0000 22.1 3.096 0.0005
18 0.4865 2.06 22.925 3.132 0.0000 21.4 3.063 0.0001
19 0.5135 1.95 22.337 3.106 -0.0001 19.3 2.960 -0.0002
20 0.5405 1.85 22.295 3.104 -0.0001 19.2 2.955 -0.0002
21 0.5676 1.76 22.008 3.091 -0.0002 19.1 2.950 -0.0003
22 0.5946 1.68 21.962 3.089 -0.0002 18.6 2.923 -0.0008
23 0.6216 1.61 20.855 3.038 -0.0015 18.2 2.901 -0.0016
24 0.6486 1.54 20.818 3.036 -0.0015 17.9 2.885 -0.0023
25 0.6757 1.48 20.796 3.035 -0.0016 17.8 2.879 -0.0026
26 0.7027 1.42 20.767 3.033 -0.0016 17.4 2.856 -0.0042
27 0.7297 1.37 20.219 3.007 -0.0030 17.3 2.851 -0.0046
28 0.7568 1.32 19.671 2.979 -0.0051 16.2 2.785 -0.0126
29 0.7838 1.28 19.454 2.968 -0.0062 16 2.773 -0.0147
30 0.8108 1.23 18.787 2.933 -0.0104 15.2 2.721 -0.0260
31 0.8378 1.19 18.766 2.932 -0.0106 14.6 2.681 -0.0381
32 0.8649 1.16 18.548 2.920 -0.0123 14 2.639 -0.0542
33 0.8919 1.12 18.343 2.909 -0.0142 13.5 2.603 -0.0714
34 0.9189 1.09 18.326 2.908 -0.0144 12.2 2.501 -0.1375
35 0.9459 1.06 18.016 2.891 -0.0176 12.1 2.493 -0.1442
36 0.9730 1.03 16.387 2.796 -0.0447 11.6 2.451 -0.1818
𝑦̅ 3.151 𝑦̅ 3.018
N 36 𝑠𝑦 0.208 𝑠𝑦 0.306
𝑐𝑠 0.713 𝑐𝑠 0.033
𝑥0 2.5671 𝑥0 -15.6494
β 0.0743 β 0.0050
𝛾 7.8601 𝛾 3728.334

4.3.4. Distribución Gumbel o valor extremo tipo I

Se sigue el mismo procedimiento para el análisis de frecuencia se mantienen los
valores de precipitación, luego se calcula los parámetros

Moda:

𝑑1
𝑀𝑜 = 𝜇 = 𝐿𝑚 + ∗𝑤
𝑑1 + 𝑑2

Donde:

Mo = moda

60
Lm= límite inferior de la clase modal

d1=diferencia entre la frecuencia de la clase modal y la premodal (clase anterior)

d2= diferencia entre la frecuencia de la clase modal y la postmodal (clase siguiente)

w= amplitud de intervalo de clase

por el metodo de los momentos se puede calcular la moda

√6
𝛼= 𝑆
𝜋

𝜇 = 𝑥̅ − 0.577215664901532 6061 ∗ 𝛼 = 𝑥̅ − 0.45 ∗ 𝑆

Desviación estándar

∑(𝑥𝑖 − 𝑥̅ )2
𝑆 =√
𝑁−1

61
Tabla 20. distribución Gumbel – Ananea
Estacion - Ananea
Piscopd Senamhi
m P T
x x
1 0.0270 37.00 41.937 36.9
2 0.0541 18.50 34.529 33.4
3 0.0811 12.33 31.884 33.1
4 0.1081 9.25 31.032 31.8
5 0.1351 7.40 30.853 31.5
6 0.1622 6.17 29.159 31
7 0.1892 5.29 27.394 26.7
8 0.2162 4.63 27.15 25.2
9 0.2432 4.11 26.892 24.9
10 0.2703 3.70 26.459 24.5
11 0.2973 3.36 26.036 23.8
12 0.3243 3.08 25.827 23.6
13 0.3514 2.85 25.024 23
14 0.3784 2.64 24.567 22.4
15 0.4054 2.47 23.911 22.4
16 0.4324 2.31 23.199 22.1
17 0.4595 2.18 23.037 22.1
18 0.4865 2.06 22.925 21.4
19 0.5135 1.95 22.337 19.3
20 0.5405 1.85 22.295 19.2
21 0.5676 1.76 22.008 19.1
22 0.5946 1.68 21.962 18.6
23 0.6216 1.61 20.855 18.2
24 0.6486 1.54 20.818 17.9
25 0.6757 1.48 20.796 17.8
26 0.7027 1.42 20.767 17.4
27 0.7297 1.37 20.219 17.3
28 0.7568 1.32 19.671 16.2
29 0.7838 1.28 19.454 16
30 0.8108 1.23 18.787 15.2
31 0.8378 1.19 18.766 14.6
32 0.8649 1.16 18.548 14
33 0.8919 1.12 18.343 13.5
34 0.9189 1.09 18.326 12.2
35 0.9459 1.06 18.016 12.1
36 0.9730 1.03 16.387 11.6
N 𝑥̅ 23.894 21.389
36 5.386 6.590
α 4.199 5.138
𝜇 21.470 18.424

4.4. Selección de la función de probabilidad

Una vez realizado el análisis de frecuencia con los datos hidrológicos se procede a
elegir la distribución que mejor se ajuste a la serie de datos, para este fin se usara el siguiente
método analítico:

4.4.1. Prueba de Smirnov-Kolmogorov

En esta prueba se compara las diferencias que existen entre la probabilidad empírica
de los datos de la muestra y su probabilidad teórica, tomando como valor máximo el valor
absoluto de la diferencia del valor observado entre el valor de la recta teórica del modelo:

62
 ∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

F(x) = probabilidad de la distribución teórica.

P(x) = probabilidad experimental o empírica de los datos, también denominada

frecuencia acumulada.

El procedimiento para el cálculo es el siguiente:

4.4.1.1. Prueba Distribución Log-Normal 2 parámetros

Primero se calcula la probabilidad empírica o experimental P(x), por lo cual se usará
la fórmula de Weibull y los datos de precipitación se ordenarán de forma creciente:

𝑀
𝑃 (𝑥 ) =
𝑁+1

Luego se calculará la probabilidad teórica F(x), utilizando el procedimiento de los

modelos teóricos, usar la ecuación de la función acumulada F(x), o tablas elaboradas para tal
fin.

1 𝑙𝑛 −𝜇𝑦
1 2
[
𝜎𝑦
]
𝐹 (𝑥 ) = ∫ 𝑒 𝑑𝑥
𝑥√2𝜋𝜎𝑦 0

Si la variable estandarizada z es igual a:

𝑙𝑛𝑥 − 𝜇𝑦
𝑍=
𝜎𝑦

Entonces:

𝑍 𝑍2
1
𝐹 (𝑍 ) = ∫ 𝑒 − 2 𝑑𝑍
√2𝜋 −∞

Además 𝐹(𝑥 ) = 𝐹(𝑍)

Para poder calcular F(Z) se puede usar la fórmula de Masting que da la siguiente
aproximación polinomial

𝐹 (𝑍) ≈ 1 − 𝑓 (𝑍) ∗ (𝑏1 𝑡 + 𝑏2 𝑡 2 + 𝑏3 𝑡 3 + 𝑏4 𝑡 4 + 𝑏5 𝑡 5 )

Para poder hallar “t” y f(z) es la función de densidad:

1 𝑍2
−
𝑓 (𝑍 ) = 𝑒 2
√2𝜋

63
 1
𝑡=
1 + 0.2316419|𝑍|

𝑏1 = 0.3193 1530 ; 𝑏2 = −0.3565637 2 ; 𝑏3 = 1.7 1477937 ;

𝑏4 = −1. 2125597 ; 𝑏5 = 1.33027449

Si Z<0 entonces la función de distribución acumulada se calcula como:

1 − 𝐹(𝑍)

Una vez obtenido la función de distribución acumulada (F.D.A.) de la distribución

teórica elegida se procede a calcular las diferencias de P(x) – F(x) para todos los valores de x,
y seleccionar la máxima diferencia:

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

Se procede a calcular el valor critico de Δ es decir ∆𝑜 para un valor de significancia

α=0.05 y un N igual al número de datos de la muestra, con la tabla x se halla el valor de ∆𝑜 .

Una vez obtenido el valor critico ∆𝑜 se procede a comparar con el valor estadístico ∆.

Si el tamaño de la muestra supera el valor de 35 se usará la siguiente ecuación para un

nivel de significancia de α=0.05

1.36
∆𝑜 =
√𝑁

Si:

∆< ∆𝑜 => el ajuste es bueno al nivel de significación seleccionado”.

∆≥ ∆𝑜 => el ajuste no es bueno al nivel de significación seleccionado, por lo cual es

necesario probar otra distribución.

En la siguiente tabla se muestra los resultados:

64
Tabla 21. Prueba de Smirnov Kolmogorov Distribución Log-Normal 2 parámetros –
Ananea-Piscopd
Estacion - Ananea
Piscopd
m P
x Y=ln(x) Z F(Z) Δ
1 0.0270 16.387 2.796 -1.7031 0.0443 0.0172
2 0.0541 18.016 2.891 -1.2484 0.1059 0.0519
3 0.0811 18.326 2.908 -1.1666 0.1217 0.0406
4 0.1081 18.343 2.909 -1.1621 0.1226 0.0145
5 0.1351 18.548 2.920 -1.1088 0.1338 0.0014
6 0.1622 18.766 2.932 -1.0528 0.1462 0.0159
7 0.1892 18.787 2.933 -1.0474 0.1475 0.0417
8 0.2162 19.454 2.968 -0.8800 0.1894 0.0268
9 0.2432 19.671 2.979 -0.8268 0.2042 0.0391
10 0.2703 20.219 3.007 -0.6950 0.2435 0.0267
11 0.2973 20.767 3.033 -0.5667 0.2855 0.0118
12 0.3243 20.796 3.035 -0.5600 0.2877 0.0366
13 0.3514 20.818 3.036 -0.5549 0.2895 0.0619
14 0.3784 20.855 3.038 -0.5464 0.2924 0.0860
15 0.4054 21.962 3.089 -0.2983 0.3827 0.0227
16 0.4324 22.008 3.091 -0.2883 0.3866 0.0459
17 0.4595 22.295 3.104 -0.2261 0.4106 0.0489
18 0.4865 22.337 3.106 -0.2171 0.4141 0.0724
19 0.5135 22.925 3.132 -0.0924 0.4632 0.0503
20 0.5405 23.037 3.137 -0.0690 0.4725 0.0681
21 0.5676 23.199 3.144 -0.0354 0.4859 0.0817
22 0.5946 23.911 3.174 0.1096 0.5436 0.0510
23 0.6216 24.567 3.201 0.2394 0.5946 0.0270
24 0.6486 25.024 3.220 0.3279 0.6285 0.0202
25 0.6757 25.827 3.251 0.4794 0.6842 0.0085
26 0.7027 26.036 3.259 0.5181 0.6978 0.0049
27 0.7297 26.459 3.276 0.5954 0.7242 0.0055
28 0.7568 26.892 3.292 0.6733 0.7496 0.0071
29 0.7838 27.15 3.301 0.7191 0.7639 0.0198
30 0.8108 27.394 3.310 0.7620 0.7770 0.0338
31 0.8378 29.159 3.373 1.0615 0.8558 0.0179
32 0.8649 30.853 3.429 1.3324 0.9086 0.0438
33 0.8919 31.032 3.435 1.3602 0.9131 0.0212
34 0.9189 31.884 3.462 1.4901 0.9319 0.0130
35 0.9459 34.529 3.542 1.8725 0.9694 0.0235
36 0.9730 41.937 3.736 2.8049 0.9975 0.0245
𝑦̅ 3.151 Δ 0.0860
𝑠𝑦 0.208 0 0.2267

Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es

bueno al nivel de significación seleccionado:

∆< ∆𝑜

65
Tabla 22. Prueba de Smirnov Kolmogorov Distribución Log-Normal 2 parámetros –
Ananea-Senamhi
Estacion - Ananea
Senamhi
m P
x Y=ln(x) Z F(Z) Δ
1 0.0270 11.6 2.451 -1.8532 0.0319 0.0049
2 0.0541 12.1 2.493 -1.7151 0.0432 0.0109
3 0.0811 12.2 2.501 -1.6882 0.0457 0.0354
4 0.1081 13.5 2.603 -1.3570 0.0874 0.0207
5 0.1351 14 2.639 -1.2380 0.1078 0.0273
6 0.1622 14.6 2.681 -1.1008 0.1355 0.0267
7 0.1892 15.2 2.721 -0.9690 0.1663 0.0229
8 0.2162 16 2.773 -0.8013 0.2115 0.0047
9 0.2432 16.2 2.785 -0.7606 0.2234 0.0198
10 0.2703 17.3 2.851 -0.5457 0.2926 0.0224
11 0.2973 17.4 2.856 -0.5269 0.2991 0.0018
12 0.3243 17.8 2.879 -0.4525 0.3254 0.0011
13 0.3514 17.9 2.885 -0.4342 0.3321 0.0193
14 0.3784 18.2 2.901 -0.3798 0.3520 0.0263
15 0.4054 18.6 2.923 -0.3087 0.3788 0.0266
16 0.4324 19.1 2.950 -0.2220 0.4122 0.0203
17 0.4595 19.2 2.955 -0.2049 0.4188 0.0406
18 0.4865 19.3 2.960 -0.1879 0.4255 0.0610
19 0.5135 21.4 3.063 0.1500 0.5596 0.0461
20 0.5405 22.1 3.096 0.2552 0.6007 0.0602
21 0.5676 22.1 3.096 0.2552 0.6007 0.0332
22 0.5946 22.4 3.109 0.2993 0.6177 0.0231
23 0.6216 22.4 3.109 0.2993 0.6177 0.0040
24 0.6486 23 3.135 0.3858 0.6502 0.0015
25 0.6757 23.6 3.161 0.4700 0.6808 0.0052
26 0.7027 23.8 3.170 0.4977 0.6906 0.0121
27 0.7297 24.5 3.199 0.5925 0.7232 0.0065
28 0.7568 24.9 3.215 0.6454 0.7407 0.0161
29 0.7838 25.2 3.227 0.6846 0.7532 0.0306
30 0.8108 26.7 3.285 0.8738 0.8089 0.0019
31 0.8378 31 3.434 1.3622 0.9134 0.0756
32 0.8649 31.5 3.450 1.4145 0.9214 0.0565
33 0.8919 31.8 3.459 1.4455 0.9258 0.0340
34 0.9189 33.1 3.500 1.5766 0.9426 0.0236
35 0.9459 33.4 3.509 1.6061 0.9459 0.0001
36 0.9730 36.9 3.608 1.9321 0.9733 0.0004
𝑦̅ 3.018 Δ 0.0756
𝑠𝑦 0.306 0 0.2267

Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es

bueno al nivel de significación seleccionado:

∆< ∆𝑜

66
 4.4.1.2. Prueba Distribución Log-Normal 3 parámetros
Se procede de manera similar a la distribución anterior solo que ahora se agrega el
parámetro de posición 𝑥𝑜 .

Si la variable estandarizada z es igual a:

𝑙𝑛(𝑥 − 𝑥0 ) − 𝜇𝑦
𝑍=
𝜎𝑦

Entonces:

𝑍 𝑍2
1
𝐹 (𝑍 ) = ∫ 𝑒 − 2 𝑑𝑍
√2𝜋 −∞

Además:

𝐹 (𝑥 ) = 𝐹(𝑍)

Para poder calcular F(Z) se puede usar la fórmula de Masting que da la siguiente
aproximación polinomial:

𝐹 (𝑍) ≈ 1 − 𝑓 (𝑍) ∗ (𝑏1 𝑡 + 𝑏2 𝑡 2 + 𝑏3 𝑡 3 + 𝑏4 𝑡 4 + 𝑏5 𝑡 5 )

Para poder hallar “t” y f(z) es la función de densidad:

1 𝑍2
𝑓 (𝑍 ) = 𝑒− 2
√2𝜋

1
𝑡=
1 + 0.2316419|𝑍|

𝑏1 = 0.3193 1530 ; 𝑏2 = −0.3565637 2 ; 𝑏3 = 1.7 1477937 ;

𝑏4 = −1. 2125597 ; 𝑏5 = 1.33027449

Si Z<0 entonces la función de distribución acumulada se calcula como:

1 − 𝐹(𝑍)

Una vez obtenido la función de distribución acumulada (F.D.A.) de la distribución

teórica elegida se procede a calcular las diferencias de P(x) – F(x) para todos los valores de x,
y seleccionar la máxima diferencia:

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

67
 Se procede a calcular el valor critico de Δ es decir ∆𝑜 para un valor de significancia
α=0.05 y un N igual al número de datos de la muestra, con la tabla x se halla el valor de ∆𝑜 .

Una vez obtenido el valor critico ∆𝑜 se procede a comparar con el valor estadístico ∆.

Si el tamaño de la muestra supera el valor de 35 se usará la siguiente ecuación para un

nivel de significancia de α=0.05:

1.36
∆𝑜 =
√𝑁

Si:

∆< ∆𝑜 => el ajuste es bueno al nivel de significación seleccionado.

∆≥ ∆𝑜 => el ajuste no es bueno al nivel de significación seleccionado, por lo cual es

necesario probar otra distribución.

En la tabla 23 se muestra los resultados:

68
Tabla 23. Prueba de Smirnov Kolmogorov Distribución Log-Normal 3 parámetros –
Ananea-Piscopd
Estacion - Ananea
Piscopd
m P
x Y=ln(x-x0) Z F(Z) Δ
1 0.0270 16.387 1.647 -1.9958 0.0230 0.0041
2 0.0541 18.016 1.920 -1.3248 0.0926 0.0386
3 0.0811 18.326 1.964 -1.2155 0.1121 0.0310
4 0.1081 18.343 1.967 -1.2096 0.1132 0.0051
5 0.1351 18.548 1.995 -1.1401 0.1271 0.0080
6 0.1622 18.766 2.024 -1.0682 0.1427 0.0195
7 0.1892 18.787 2.027 -1.0614 0.1442 0.0449
8 0.2162 19.454 2.111 -0.8544 0.1965 0.0198
9 0.2432 19.671 2.137 -0.7906 0.2146 0.0287
10 0.2703 20.219 2.200 -0.6365 0.2622 0.0081
11 0.2973 20.767 2.259 -0.4916 0.3115 0.0142
12 0.3243 20.796 2.262 -0.4841 0.3141 0.0102
13 0.3514 20.818 2.264 -0.4785 0.3161 0.0352
14 0.3784 20.855 2.268 -0.4691 0.3195 0.0589
15 0.4054 21.962 2.376 -0.2023 0.4198 0.0144
16 0.4324 22.008 2.381 -0.1918 0.4239 0.0085
17 0.4595 22.295 2.407 -0.1274 0.4493 0.0102
18 0.4865 22.337 2.411 -0.1181 0.4530 0.0335
19 0.5135 22.925 2.462 0.0083 0.5033 0.0102
20 0.5405 23.037 2.471 0.0317 0.5126 0.0279
21 0.5676 23.199 2.485 0.0651 0.5259 0.0416
22 0.5946 23.911 2.543 0.2068 0.5819 0.0127
23 0.6216 24.567 2.593 0.3304 0.6295 0.0078
24 0.6486 25.024 2.627 0.4131 0.6602 0.0116
25 0.6757 25.827 2.683 0.5518 0.7095 0.0338
26 0.7027 26.036 2.697 0.5867 0.7213 0.0186
27 0.7297 26.459 2.725 0.6558 0.7440 0.0143
28 0.7568 26.892 2.753 0.7246 0.7656 0.0089
29 0.7838 27.15 2.770 0.7647 0.7778 0.0060
30 0.8108 27.394 2.785 0.8020 0.7887 0.0221
31 0.8378 29.159 2.888 1.0562 0.8546 0.0167
32 0.8649 30.853 2.978 1.2778 0.8993 0.0345
33 0.8919 31.032 2.987 1.3001 0.9032 0.0113
34 0.9189 31.884 3.029 1.4035 0.9198 0.0008
35 0.9459 34.529 3.150 1.6993 0.9554 0.0094
36 0.9730 41.937 3.426 2.3771 0.9913 0.0183
23.894 Δ 0.0589
5.386 0 0.2267
M3 189.734
Cs 1.323
𝜎𝑦 0.407
𝜇𝑦 2.459
𝑥0 11.197

Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es

bueno al nivel de significación seleccionado.

∆< ∆𝑜

69
Tabla 24. Prueba de Smirnov Kolmogorov Distribución Log-Normal 3 parámetros –
Ananea-Senamhi
Estacion - Ananea
Senamhi
m P
x Y=ln(x-x0) Z F(Z) Δ
1 0.0270 11.6 3.577 -1.6092 0.0538 0.0268
2 0.0541 12.1 3.591 -1.5127 0.0652 0.0111
3 0.0811 12.2 3.593 -1.4936 0.0676 0.0134
4 0.1081 13.5 3.629 -1.2495 0.1057 0.0024
5 0.1351 14 3.642 -1.1578 0.1235 0.0117
6 0.1622 14.6 3.657 -1.0494 0.1470 0.0152
7 0.1892 15.2 3.673 -0.9427 0.1729 0.0163
8 0.2162 16 3.693 -0.8029 0.2110 0.0052
9 0.2432 16.2 3.698 -0.7684 0.2211 0.0221
10 0.2703 17.3 3.725 -0.5815 0.2804 0.0102
11 0.2973 17.4 3.727 -0.5648 0.2861 0.0112
12 0.3243 17.8 3.737 -0.4983 0.3092 0.0152
13 0.3514 17.9 3.739 -0.4817 0.3150 0.0363
14 0.3784 18.2 3.746 -0.4323 0.3327 0.0456
15 0.4054 18.6 3.756 -0.3670 0.3568 0.0486
16 0.4324 19.1 3.767 -0.2863 0.3873 0.0451
17 0.4595 19.2 3.769 -0.2702 0.3935 0.0660
18 0.4865 19.3 3.772 -0.2542 0.3997 0.0868
19 0.5135 21.4 3.819 0.0737 0.5294 0.0158
20 0.5405 22.1 3.834 0.1796 0.5713 0.0307
21 0.5676 22.1 3.834 0.1796 0.5713 0.0037
22 0.5946 22.4 3.841 0.2245 0.5888 0.0058
23 0.6216 22.4 3.841 0.2245 0.5888 0.0328
24 0.6486 23 3.853 0.3135 0.6230 0.0256
25 0.6757 23.6 3.866 0.4013 0.6559 0.0198
26 0.7027 23.8 3.870 0.4304 0.6665 0.0362
27 0.7297 24.5 3.885 0.5310 0.7023 0.0274
28 0.7568 24.9 3.893 0.5879 0.7217 0.0351
29 0.7838 25.2 3.899 0.6303 0.7357 0.0480
30 0.8108 26.7 3.929 0.8383 0.7991 0.0118
31 0.8378 31 4.010 1.4022 0.9196 0.0817
32 0.8649 31.5 4.019 1.4649 0.9285 0.0637
33 0.8919 31.8 4.025 1.5022 0.9335 0.0416
34 0.9189 33.1 4.048 1.6618 0.9517 0.0328
35 0.9459 33.4 4.053 1.6981 0.9553 0.0093
36 0.9730 36.9 4.112 2.1082 0.9825 0.0095
21.389 Δ 0.0868
6.590 0 0.2267
M3 163.032
Cs 0.620
𝜎𝑦 0.144
𝜇𝑦 3.808
𝑥0 -24.156

Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es

bueno al nivel de significación seleccionado.

∆< ∆𝑜

70
 4.4.1.3. Prueba Distribución Log Pearson Tipo III
Se sigue el mismo procedimiento para ordenar los datos y se calcula la función de
distribución acumulada:

𝑙𝑛 − 0
−
(𝑙𝑛𝑥 − 𝑥0)𝛾−1 𝑒 𝛽
𝐹 (𝑥 ) = ∫ 𝑑𝑥
𝑜 𝑥𝛽 𝛾 𝛤(𝛾)

Se puede escribir en términos de y, siendo la variable reducida log-Pearson tipo III:

𝑙𝑛𝑥 − 𝑥𝑜
𝑦=
𝛽

Entonces la función acumulada reducida:

𝑦
𝑦 𝛾−1 𝑒 𝑦
𝐺 (𝑦 ) = ∫ 𝑑𝑦
𝑜 𝛤(𝛾)

𝐹(𝑥 ) = 𝐺(𝑦)

Una vez obtenido la función de distribución acumulada (F.D.A.) de la distribución

teórica elegida se procede a calcular las diferencias de P(x) – F(x) para todos los valores de x,
y seleccionar la máxima diferencia:

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

Se procede a calcular el valor critico de Δ es decir ∆𝑜 para un valor de significancia

α=0.05 y un N igual al número de datos de la muestra, con la tabla x se halla el valor de ∆𝑜 .

Una vez obtenido el valor critico ∆𝑜 se procede a comparar con el valor estadístico ∆.

Si el tamaño de la muestra supera el valor de 35 se usará la siguiente ecuación para un

nivel de significancia de α=0.05:

1.36
∆𝑜 =
√𝑁

Si:

∆< ∆𝑜 => el ajuste es bueno al nivel de significación seleccionado.

71
 ∆≥ ∆𝑜 => el ajuste no es bueno al nivel de significación seleccionado, por lo cual es
necesario probar otra distribución.

En la Tabla 25 se muestra los resultados:

Tabla 25. Prueba de Smirnov Kolmogorov Distribución Log Pearson Tipo III – Ananea-
Piscopd
Estacion - Ananea
Piscopd
m P
x Ln(x) y=(ln(x)-x0) G(y) Δ
1 0.0270 16.387 2.7965 0.229 0.0161 0.0110
2 0.0541 18.016 2.8913 0.324 0.0837 0.0297
3 0.0811 18.326 2.9083 0.341 0.1037 0.0227
4 0.1081 18.343 2.9092 0.342 0.1049 0.0032
5 0.1351 18.548 2.9204 0.353 0.1193 0.0158
6 0.1622 18.766 2.9320 0.365 0.1355 0.0266
7 0.1892 18.787 2.9332 0.366 0.1371 0.0521
8 0.2162 19.454 2.9681 0.401 0.1918 0.0244
9 0.2432 19.671 2.9791 0.412 0.2109 0.0324
10 0.2703 20.219 3.0066 0.440 0.2609 0.0094
11 0.2973 20.767 3.0334 0.466 0.3125 0.0152
12 0.3243 20.796 3.0348 0.468 0.3152 0.0091
13 0.3514 20.818 3.0358 0.469 0.3173 0.0340
14 0.3784 20.855 3.0376 0.470 0.3208 0.0575
15 0.4054 21.962 3.0893 0.522 0.4249 0.0195
16 0.4324 22.008 3.0914 0.524 0.4292 0.0033
17 0.4595 22.295 3.1044 0.537 0.4552 0.0042
18 0.4865 22.337 3.1062 0.539 0.4590 0.0275
19 0.5135 22.925 3.1322 0.565 0.5104 0.0031
20 0.5405 23.037 3.1371 0.570 0.5199 0.0207
21 0.5676 23.199 3.1441 0.577 0.5334 0.0342
22 0.5946 23.911 3.1743 0.607 0.5898 0.0048
23 0.6216 24.567 3.2014 0.634 0.6373 0.0157
24 0.6486 25.024 3.2198 0.653 0.6679 0.0192
25 0.6757 25.827 3.2514 0.684 0.7164 0.0407
26 0.7027 26.036 3.2595 0.692 0.7280 0.0253
27 0.7297 26.459 3.2756 0.709 0.7502 0.0205
28 0.7568 26.892 3.2918 0.725 0.7712 0.0145
29 0.7838 27.15 3.3014 0.734 0.7830 0.0008
30 0.8108 27.394 3.3103 0.743 0.7936 0.0172
31 0.8378 29.159 3.3728 0.806 0.8570 0.0192
32 0.8649 30.853 3.4292 0.862 0.8999 0.0350
33 0.8919 31.032 3.4350 0.868 0.9036 0.0117
34 0.9189 31.884 3.4621 0.895 0.9194 0.0005
35 0.9459 34.529 3.5418 0.975 0.9537 0.0077
36 0.9730 41.937 3.7362 1.169 0.9895 0.0165
𝑦̅ 3.151 Δ 0.0575
𝑠𝑦 0.208 0 0.2267
𝑐𝑠 0.713
𝑥0 2.567
β 0.074
𝛾 7.860

72
 Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es
bueno al nivel de significación seleccionado.

∆< ∆𝑜

Tabla 26. Prueba de Smirnov Kolmogorov Distribución Log Pearson Tipo III – Ananea-
Senamhi
Estacion - Ananea
Senamhi
m P
x Ln(x) y=(ln(x)-x0) G(y) Δ
1 0.0270 11.6 2.4510 18.100 0.0310 0.0039
2 0.0541 12.1 2.4932 18.143 0.0422 0.0119
3 0.0811 12.2 2.5014 18.151 0.0447 0.0364
4 0.1081 13.5 2.6027 18.252 0.0866 0.0215
5 0.1351 14 2.6391 18.288 0.1073 0.0278
6 0.1622 14.6 2.6810 18.330 0.1352 0.0269
7 0.1892 15.2 2.7213 18.371 0.1663 0.0229
8 0.2162 16 2.7726 18.422 0.2120 0.0042
9 0.2432 16.2 2.7850 18.434 0.2241 0.0191
10 0.2703 17.3 2.8507 18.500 0.2939 0.0237
11 0.2973 17.4 2.8565 18.506 0.3005 0.0032
12 0.3243 17.8 2.8792 18.529 0.3270 0.0027
13 0.3514 17.9 2.8848 18.534 0.3337 0.0177
14 0.3784 18.2 2.9014 18.551 0.3538 0.0246
15 0.4054 18.6 2.9232 18.573 0.3806 0.0248
16 0.4324 19.1 2.9497 18.599 0.4142 0.0182
17 0.4595 19.2 2.9549 18.604 0.4209 0.0386
18 0.4865 19.3 2.9601 18.609 0.4275 0.0589
19 0.5135 21.4 3.0634 18.713 0.5617 0.0482
20 0.5405 22.1 3.0956 18.745 0.6027 0.0622
21 0.5676 22.1 3.0956 18.745 0.6027 0.0351
22 0.5946 22.4 3.1091 18.758 0.6196 0.0250
23 0.6216 22.4 3.1091 18.758 0.6196 0.0021
24 0.6486 23 3.1355 18.785 0.6519 0.0033
25 0.6757 23.6 3.1612 18.811 0.6824 0.0067
26 0.7027 23.8 3.1697 18.819 0.6921 0.0106
27 0.7297 24.5 3.1987 18.848 0.7244 0.0053
28 0.7568 24.9 3.2149 18.864 0.7417 0.0150
29 0.7838 25.2 3.2268 18.876 0.7541 0.0297
30 0.8108 26.7 3.2847 18.934 0.8092 0.0016
31 0.8378 31 3.4340 19.083 0.9127 0.0749
32 0.8649 31.5 3.4500 19.099 0.9206 0.0557
33 0.8919 31.8 3.4595 19.109 0.9250 0.0331
34 0.9189 33.1 3.4995 19.149 0.9416 0.0227
35 0.9459 33.4 3.5086 19.158 0.9449 0.0010
36 0.9730 36.9 3.6082 19.258 0.9724 0.0006
𝑦̅ 3.018 Δ 0.0749
𝑠𝑦 0.306 0 0.2267
𝑐𝑠 0.033
𝑥0 -15.649
β 0.005
𝛾 3728.334

73
 Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es
bueno al nivel de significación seleccionado.

∆< ∆𝑜

4.4.1.4. Prueba Distribución Gumbel

Se sigue el mismo procedimiento para ordenar los datos y se calcula la función de
distribución acumulada:
𝑥−𝜇
−
𝐹 (𝑥 ) = 𝑒 −𝑒 𝛼

Donde:

𝜇: es el parámetro de posición (moda).

Se puede escribir en términos de y, siendo la variable reducida Gumbel:

𝑥−𝜇
𝑦=
𝛼

Entonces la función acumulada reducida:

−𝑦
𝐺(𝑦) = 𝑒 −𝑒

𝐹(𝑥 ) = 𝐺(𝑦)

Una vez obtenido la función de distribución acumulada (F.D.A.) de la distribución

teórica elegida se procede a calcular las diferencias de P(x) – F(x) para todos los valores de x,
y seleccionar la máxima diferencia:

∆= max|𝐹 (𝑥) − 𝑃(𝑥)|

Se procede a calcular el valor critico de Δ es decir ∆𝑜 para un valor de significancia

α=0.05 y un N igual al número de datos de la muestra, con la tabla x se halla el valor de ∆𝑜 .

Una vez obtenido el valor critico ∆𝑜 se procede a comparar con el valor estadístico ∆.

Si el tamaño de la muestra supera el valor de 35 se usará la siguiente ecuación para un

nivel de significancia de α=0.05:

1.36
∆𝑜 =
√𝑁

Si:

74
 ∆< ∆𝑜 => el ajuste es bueno al nivel de significación seleccionado.

∆≥ ∆𝑜 => el ajuste no es bueno al nivel de significación seleccionado, por lo cual es

necesario probar otra distribución.

En la Tabla 27 se muestra los resultados:

Tabla 27. Prueba de Smirnov Kolmogorov Distribución Gumbel – Ananea-Piscopd

Estacion - Ananea
Piscopd
m P
x Y=(X- μ)/α G(y) Δ
1 0.0270 16.387 -1.2104 0.0349 0.0079
2 0.0541 18.016 -0.8225 0.1027 0.0486
3 0.0811 18.326 -0.7487 0.1207 0.0397
4 0.1081 18.343 -0.7446 0.1218 0.0137
5 0.1351 18.548 -0.6958 0.1346 0.0005
6 0.1622 18.766 -0.6439 0.1490 0.0132
7 0.1892 18.787 -0.6389 0.1504 0.0388
8 0.2162 19.454 -0.4801 0.1987 0.0176
9 0.2432 19.671 -0.4284 0.2155 0.0277
10 0.2703 20.219 -0.2979 0.2600 0.0103
11 0.2973 20.767 -0.1674 0.3066 0.0093
12 0.3243 20.796 -0.1605 0.3091 0.0152
13 0.3514 20.818 -0.1552 0.3110 0.0403
14 0.3784 20.855 -0.1464 0.3142 0.0642
15 0.4054 21.962 0.1172 0.4109 0.0055
16 0.4324 22.008 0.1281 0.4149 0.0175
17 0.4595 22.295 0.1965 0.4397 0.0197
18 0.4865 22.337 0.2065 0.4433 0.0432
19 0.5135 22.925 0.3465 0.4930 0.0205
20 0.5405 23.037 0.3732 0.5023 0.0382
21 0.5676 23.199 0.4117 0.5156 0.0520
22 0.5946 23.911 0.5813 0.5717 0.0229
23 0.6216 24.567 0.7375 0.6198 0.0018
24 0.6486 25.024 0.8463 0.6512 0.0025
25 0.6757 25.827 1.0375 0.7016 0.0260
26 0.7027 26.036 1.0873 0.7138 0.0111
27 0.7297 26.459 1.1880 0.7373 0.0075
28 0.7568 26.892 1.2911 0.7596 0.0028
29 0.7838 27.15 1.3526 0.7722 0.0116
30 0.8108 27.394 1.4107 0.7835 0.0273
31 0.8378 29.159 1.8310 0.8519 0.0141
32 0.8649 30.853 2.2344 0.8985 0.0336
33 0.8919 31.032 2.2770 0.9025 0.0106
34 0.9189 31.884 2.4799 0.9197 0.0007
35 0.9459 34.529 3.1097 0.9564 0.0104
36 0.9730 41.937 4.8738 0.9924 0.0194
𝑥̅ 23.894 Δ 0.0642
5.386 0 0.2267
α 4.199
𝜇 21.470

75
 Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es
bueno al nivel de significación seleccionado:

Tabla 28. Prueba de Smirnov Kolmogorov Distribución Gumbel – Ananea-Piscopd

Estacion - Ananea
Senamhi
m P
x Y=(X- μ)/α G(y) Δ
1 0.0270 11.6 -1.3281 0.0230 0.0041
2 0.0541 12.1 -1.2307 0.0326 0.0215
3 0.0811 12.2 -1.2113 0.0348 0.0463
4 0.1081 13.5 -0.9583 0.0737 0.0344
5 0.1351 14 -0.8609 0.0939 0.0412
6 0.1622 14.6 -0.7442 0.1219 0.0403
7 0.1892 15.2 -0.6274 0.1537 0.0355
8 0.2162 16 -0.4717 0.2014 0.0149
9 0.2432 16.2 -0.4328 0.2141 0.0292
10 0.2703 17.3 -0.2187 0.2881 0.0178
11 0.2973 17.4 -0.1992 0.2951 0.0022
12 0.3243 17.8 -0.1214 0.3233 0.0010
13 0.3514 17.9 -0.1019 0.3305 0.0209
14 0.3784 18.2 -0.0435 0.3519 0.0265
15 0.4054 18.6 0.0343 0.3805 0.0249
16 0.4324 19.1 0.1317 0.4162 0.0163
17 0.4595 19.2 0.1511 0.4233 0.0362
18 0.4865 19.3 0.1706 0.4303 0.0561
19 0.5135 21.4 0.5793 0.5710 0.0575
20 0.5405 22.1 0.7156 0.6133 0.0727
21 0.5676 22.1 0.7156 0.6133 0.0457
22 0.5946 22.4 0.7739 0.6305 0.0359
23 0.6216 22.4 0.7739 0.6305 0.0089
24 0.6486 23 0.8907 0.6634 0.0148
25 0.6757 23.6 1.0075 0.6941 0.0184
26 0.7027 23.8 1.0464 0.7038 0.0011
27 0.7297 24.5 1.1827 0.7360 0.0063
28 0.7568 24.9 1.2605 0.7531 0.0036
29 0.7838 25.2 1.3189 0.7653 0.0184
30 0.8108 26.7 1.6108 0.8190 0.0081
31 0.8378 31 2.4477 0.9171 0.0793
32 0.8649 31.5 2.5451 0.9245 0.0597
33 0.8919 31.8 2.6034 0.9287 0.0368
34 0.9189 33.1 2.8565 0.9441 0.0252
35 0.9459 33.4 2.9149 0.9472 0.0013
36 0.9730 36.9 3.5961 0.9729 0.0000
𝑥̅ 21.389 Δ 0.0793
6.590 0 0.2267
α 5.138
𝜇 18.424

Como se observa el estadístico es menor al estadístico critico por lo cual el ajuste es

bueno al nivel de significación seleccionado.

76
4.4.2. Selección de la distribución
Para seleccionar la distribución se elegirá la que tenga un menor ∆𝑚 (estadístico
máximo). La elección se presenta en las Tablas 29 y 30.

Tabla 29. Elección de distribución-Piscopd

Estacion - Ananea - Piscopd

Distribucion Teorica Δmax Δo_critico Orden
Log-Normal 2 parametros 0.0860 0.2267 4
Log-Normal 3 parametros 0.0589 0.2267 2
Log-Pearson Tipo III 0.0575 0.2267 1
Gumbel 0.0642 0.2267 3

Tabla 30. Elección de distribución-Senamhi

Estacion - Ananea - Senamhi

Distribucion Teorica Δmax Δo_critico Orden
Log-Normal 2 parametros 0.0756 0.2267 2
Log-Normal 3 parametros 0.0868 0.2267 4
Log-Pearson Tipo III 0.0749 0.2267 1
Gumbel 0.0793 0.2267 3

Como se puede apreciar en las tablas para los datos del Senamhi y los datos de
Piscopd se ajustan mejor a la distribución Log-Pearson Tipo III.

4.5. Determinación de las precipitaciones máximas con los factores de frecuencia

Una vez el modelo de distribución probabilística sea elegido se procede a calcular la
precipitación máxima de 24 horas en cada punto de interés y para los periodos de retorno
requeridos usando los factores de frecuencia, se usará la siguiente formula:

𝑥 𝑇 = 𝜇 + 𝐾𝑇 ∗ 𝑆

Si de acuerdo a la probabilidad utilizada se utiliza logaritmo, entonces y=logx. Para

poder obtener el “xt” se halla tomando el antilogaritmo de “yt”:

𝑦𝑇 = 𝑦̅ + 𝐾𝑇 ∗ 𝑆𝑦

Para poder calcular el factor de frecuencia 𝐾𝑇 se presentan las diferentes formas de

hallarlo que dependen del tipo de distribución

• Distribución normal

77
 Para la distribución normal el facto de frecuencia es igual a la inversa de la variable
estandarizada “z”:

𝑐0 + 𝑐1 ∗ 𝑤 + 𝑐2 ∗ 𝑤 2
𝑧=𝑤− ; 𝑝𝑎𝑟𝑎 0 < 𝑝 ≤ 0.5
1 + 𝑑1 ∗ 𝑤 + 𝑑2 ∗ 𝑤 2 + 𝑑3 ∗ 𝑤 3

Luego se halla la variable “w”:

1
𝑤 = √𝑙𝑛 ( ); 𝑝𝑎𝑟𝑎 0 < 𝑝 ≤ 0.5
𝑝2

P es la probabilidad de excedencia:

1
𝑃=𝑇

c0 = 2.515517 ; c1 = 0.802853 ; c2 = 0.010328 ; d1 = 1.432788 ; d2 = 0.189269

d3 = 0.001308

FZ = función acumulada de la distribución normal.

z = ordenada inversa de la distribución normal estándar.

• Distribución Gumbel o de valor extremo tipo I:

Para esta distribución Ven te Chow dedujo la siguiente expresión:

√6 𝑇
𝐾𝑇 = − {0.5772 + 𝑙𝑛 [𝑙𝑛 ( )]}
𝜋 𝑇−1

Para el cálculo de la magnitud 𝑥 𝑇 :

𝑥 𝑇 = 𝜇 + 𝐾𝑇 ∗ 𝑆

• Distribución Log Pearson tipo III

Para esta distribución se usa los logaritmos de la información hidrológica y=logx, el
factor de frecuencia depende del periodo de retorno y el coeficiente de asimetría 𝐶𝑠 para los
logaritmos de los datos, la variable estándar z se aproxima con la siguiente formula:

1 1
𝐾𝑇 = 𝑧 + (𝑧 2 − 1)𝑘 + (𝑧 3 − 6𝑧)𝑘 2 − (𝑧 2 − 1)𝑘 3 + 𝑧𝑘 4 + 𝑘 5
3 3

78
 𝐶𝑠
Donde: 𝑘 =
6

Y el coeficiente de asimetría o sesgo:

𝑁 ∑(𝑦 − 𝑦̅)3
𝐶𝑆 𝑙𝑛 =
(𝑁 − 1)(𝑁 − 2)𝑆𝑦3

Y z es la inversa de la distribución normal.

Como la distribución elegida fue Log-Pearson Tipo III se procede a realizar los
cálculos mediante los factores de frecuencia.

Se tiene las precipitaciones máximas siendo 𝑥 𝑇 la magnitud de la precipitación

máxima en 24 horas para los diferentes periodos de retorno, se presenta en las Tablas 31 y 32:

Tabla 31. Precipitación máxima con factores de frecuencia-Ananea-Piscopd

Estacion - Ananea - Piscopd Precipitacion Maxima en 24 horas (mm)
T (años) P w k z KT yt xt
2 0.5 1.1774 0.1189 0.0000 -0.1172 3.127 22.807
5 0.2 1.7941 0.1189 0.8415 0.7864 3.315 27.534
10 0.1 2.1460 0.1189 1.2817 1.3310 3.429 30.844
25 0.04 2.5373 0.1189 1.7511 1.9694 3.562 35.234
50 0.02 2.7971 0.1189 2.0542 2.4148 3.655 38.661
100 0.01 3.0349 0.1189 2.3268 2.8382 3.743 42.229

Tabla 32. Precipitación máxima con factores de frecuencia -Ananea-Senamhi

Estacion - Ananea - Senamhi Precipitacion Maxima en 24 horas (mm)
T (años) P w k z KT yt xt
2 0.5 1.1774 0.0055 0.0000 -0.0055 3.016 20.407
5 0.2 1.7941 0.0055 0.8415 0.8398 3.274 26.424
10 0.1 2.1460 0.0055 1.2817 1.2852 3.410 30.279
25 0.04 2.5373 0.0055 1.7511 1.7623 3.556 35.034
50 0.02 2.7971 0.0055 2.0542 2.0717 3.651 38.509
100 0.01 3.0349 0.0055 2.3268 2.3509 3.736 41.940

4.6. Distribución de Intensidades de Precipitación máxima

Para poder distribuir las intensidades primero se tiene que calcular los valores de
precipitación en diferentes periodos de duración, como en el caso de duraciones de tormenta
menores a 1 hora, estas pueden ser calculadas mediante la metodología de Dick Peschke que
relaciona la duración de la tormenta con la precipitación máxima en 24 horas. La expresión es
la siguiente:

𝑑 0.25
𝑃𝑑 = 𝑃24ℎ ( )
1440
79
 Se aplica la fórmula para las precipitaciones calculadas con sus periodos de retorno
respectivamente y diferentes duraciones en las Tablas 33 y 34:

Tabla 33. Distribución de precipitaciones menores a 1 hora-Ananea-Piscopd

Precipitacion Maxima (mm) - Piscopd - Ananea
Duracion 22.807 27.534 30.844 35.234 38.661 42.229
(min) Periodo de retorno T (años)
2 5 10 25 50 100
10 6.584 7.948 8.904 10.171 11.161 12.190
20 7.829 9.452 10.589 12.096 13.272 14.497
30 8.665 10.461 11.718 13.386 14.688 16.043
40 9.311 11.241 12.592 14.384 15.783 17.240
50 9.845 11.886 13.314 15.209 16.689 18.229
60 10.304 12.440 13.935 15.919 17.467 19.079

Tabla 34. Distribución de precipitaciones menores a 1 hora- Ananea-Senamhi

Precipitacion Maxima (mm) - Senamhi - Ananea
Duracion 20.407 26.424 30.279 35.034 38.509 41.940
(min) Periodo de retorno T (años)
2 5 10 25 50 100
10 5.891 7.628 8.741 10.113 11.117 12.107
20 7.006 9.071 10.395 12.027 13.220 14.398
30 7.753 10.039 11.503 13.310 14.630 15.934
40 8.331 10.788 12.361 14.302 15.721 17.122
50 8.809 11.407 13.070 15.123 16.623 18.104
60 9.220 11.939 13.680 15.828 17.399 18.949

Para calcular las precipitaciones entre 1 hora y 48 horas, se usarán los coeficientes de
duración de lluvia los mismos que podrán usarse, con criterio y cautela para el cálculo de la
intensidad, cuando no se disponga de mejor información, los resultados se presentan en las
Tablas 35 y 36.

80
Tabla 35. Distribución de precipitaciones entre 1 y 24 horas-Ananea-Piscopd
Precipitacion Maxima (mm) - Piscopd - Ananea
Coeficientes Duracion 22.807 27.534 30.844 35.234 38.661 42.229
de duracion (horas) Periodo de retorno T (años)
2 5 10 25 50 100
0.25 1 5.702 6.883 7.711 8.808 9.665 10.557
0.31 2 7.070 8.536 9.562 10.923 11.985 13.091
0.38 3 8.667 10.463 11.721 13.389 14.691 16.047
0.44 4 10.035 12.115 13.571 15.503 17.011 18.581
0.50 5 11.403 13.767 15.422 17.617 19.331 21.114
0.56 6 12.772 15.419 17.273 19.731 21.650 23.648
0.64 8 14.596 17.622 19.740 22.550 24.743 27.026
0.73 10 16.649 20.100 22.516 25.721 28.223 30.827
0.79 12 18.017 21.752 24.367 27.835 30.542 33.361
0.83 14 18.930 22.853 25.600 29.244 32.089 35.050
0.87 16 19.842 23.955 26.834 30.654 33.635 36.739
0.90 18 20.526 24.781 27.759 31.711 34.795 38.006
0.93 20 21.210 25.607 28.685 32.768 35.955 39.273
0.97 22 22.123 26.708 29.919 34.177 37.501 40.962
1.00 24 22.807 27.534 30.844 35.234 38.661 42.229

Tabla 36. Distribución de precipitaciones entre 1 y 24 horas-Ananea-Senamhi

Precipitacion Maxima (mm) - Piscopd - Ananea
Coeficientes Duracion 20.407 26.424 30.279 35.034 38.509 41.940
de duracion (horas) Periodo de retorno T (años)
2 5 10 25 50 100
0.25 1 5.102 6.606 7.570 8.758 9.627 10.485
0.31 2 6.326 8.192 9.386 10.860 11.938 13.001
0.38 3 7.755 10.041 11.506 13.313 14.634 15.937
0.44 4 8.979 11.627 13.323 15.415 16.944 18.454
0.50 5 10.203 13.212 15.139 17.517 19.255 20.970
0.56 6 11.428 14.798 16.956 19.619 21.565 23.486
0.64 8 13.060 16.912 19.378 22.421 24.646 26.842
0.73 10 14.897 19.290 22.103 25.575 28.112 30.616
0.79 12 16.122 20.875 23.920 27.677 30.422 33.133
0.83 14 16.938 21.932 25.131 29.078 31.963 34.810
0.87 16 17.754 22.989 26.342 30.479 33.503 36.488
0.90 18 18.366 23.782 27.251 31.530 34.658 37.746
0.93 20 18.978 24.575 28.159 32.581 35.814 39.004
0.97 22 19.795 25.632 29.370 33.983 37.354 40.682
1.00 24 20.407 26.424 30.279 35.034 38.509 41.940

Una vez calculadas las precipitaciones para diferentes duraciones se procede a

calcular las intensidades máximas. La intensidad se expresa en mm/hr y puede hallarse
dividiendo la precipitación entre la duración en horas, dichos resultados se hallan en las
Tablas 37, 38, 39 y 40.

𝑃
𝑖=
𝑇𝑑

81
Tabla 37. Intensidades Máximas menores a 1 hora-Ananea-Piscopd

Intensidad Maxima (mm/hr) - Piscopd - Ananea

Duracion Periodo de retorno T (años)
(hr) T=2 T=5 T=10 T=25 T=50 T=100
0.167 39.503 47.690 53.423 61.027 66.963 73.143
0.333 23.488 28.357 31.766 36.287 39.817 43.491
0.500 17.329 20.921 23.436 26.772 29.376 32.087
0.667 13.966 16.861 18.888 21.576 23.675 25.860
0.833 11.814 14.263 15.977 18.251 20.027 21.875
1.000 10.304 12.440 13.935 15.919 17.467 19.079

Tabla 38. Intensidades Máximas menores a 1 hora - Ananea-Senamhi

Intensidad Maxima (mm/hr) - Senamhi - Ananea
Duracion Periodo de retorno T (años)
(hr) T=2 T=5 T=10 T=25 T=50 T=100
0.167 35.346 45.769 52.444 60.680 66.700 72.642
0.333 21.017 27.214 31.184 36.081 39.660 43.193
0.500 15.506 20.078 23.007 26.620 29.261 31.867
0.667 12.497 16.182 18.542 21.454 23.582 25.683
0.833 10.571 13.688 15.684 18.148 19.948 21.725
1.000 9.220 11.939 13.680 15.828 17.399 18.949

Tabla 39. Intensidades Máximas entre 1 y 24 horas-Ananea-Piscopd

Intensidad Maxima (mm/hr) - Piscopd - Ananea
Duracion Periodo de retorno T (años)
(hr) T=2 T=5 T=10 T=25 T=50 T=100
1 5.702 6.883 7.711 8.808 9.665 10.557
2 3.535 4.268 4.781 5.461 5.993 6.545
3 2.889 3.488 3.907 4.463 4.897 5.349
4 2.509 3.029 3.393 3.876 4.253 4.645
5 2.281 2.753 3.084 3.523 3.866 4.223
6 2.129 2.570 2.879 3.289 3.608 3.941
8 1.825 2.203 2.468 2.819 3.093 3.378
10 1.665 2.010 2.252 2.572 2.822 3.083
12 1.501 1.813 2.031 2.320 2.545 2.780
14 1.352 1.632 1.829 2.089 2.292 2.504
16 1.240 1.497 1.677 1.916 2.102 2.296
18 1.140 1.377 1.542 1.762 1.933 2.111
20 1.061 1.280 1.434 1.638 1.798 1.964
22 1.006 1.214 1.360 1.553 1.705 1.862
24 0.950 1.147 1.285 1.468 1.611 1.760

82
Tabla 40. Intensidades Máximas entre 1 y 24 horas-Ananea-Senamhi
Intensidad Maxima (mm/hr) - Senamhi - Ananea
Duracion Periodo de retorno T (años)
(hr) T=2 T=5 T=10 T=25 T=50 T=100
1 5.102 6.606 7.570 8.758 9.627 10.485
2 3.163 4.096 4.693 5.430 5.969 6.501
3 2.585 3.347 3.835 4.438 4.878 5.312
4 2.245 2.907 3.331 3.854 4.236 4.613
5 2.041 2.642 3.028 3.503 3.851 4.194
6 1.905 2.466 2.826 3.270 3.594 3.914
8 1.633 2.114 2.422 2.803 3.081 3.355
10 1.490 1.929 2.210 2.557 2.811 3.062
12 1.343 1.740 1.993 2.306 2.535 2.761
14 1.210 1.567 1.795 2.077 2.283 2.486
16 1.110 1.437 1.646 1.905 2.094 2.280
18 1.020 1.321 1.514 1.752 1.925 2.097
20 0.949 1.229 1.408 1.629 1.791 1.950
22 0.900 1.165 1.335 1.545 1.698 1.849
24 0.850 1.101 1.262 1.460 1.605 1.747

Con los datos de la intensidad y la duración se procede a graficar las curvas IDF para
duraciones menores a 1 hora y para duraciones entre 1 hora y 24 horas:

Figura 10. Curva IDF Piscopd de 1 hora- Ananea-Piscopd

83
 Figura 11. Curva IDF Senamhi de 1 hora- Ananea-Senamhi

Figura 12. Curva IDF de 1 a 24 horas Piscopd Ananea-Piscopd

84
 Figura 13. Curva IDF de 1 a 24 horas- Ananea-Senamhi
4.7. Ecuaciones de las curvas IDF
Las curvas de intensidad-duración-frecuencia se pueden expresar mediante ecuaciones
con el fin de evitar la lectura en una gráfica:

𝐾𝑇 𝑚
𝐼=
𝐷𝑛

Dicha ecuación es exponencial por lo cual se llevará a una forma lineal mediante
logaritmos

log (𝐼max ) = log (𝐾 ∗ 𝑇 𝑚 ∗ 𝐷−𝑛 )

Por las propiedades de los logaritmos se tiene:

log(𝐼max ) = log(𝐾 ) + log(𝑇 𝑚 ) + log (𝐷−𝑛 )

log(𝐼max ) = log(𝐾 ) + 𝑚 ∗ log(𝑇) − 𝑛 ∗ log (𝐷)

Luego se hace un cambio de variable

𝑦 = 𝑥1 + 𝑚𝑥2 − 𝑛𝑥3

Para obtener el valor de los coeficientes se debe hacer una regresión lineal múltiple
con la ayuda de Excel se puede hacer dicho análisis, se debe ordenar los periodos de retorno
en forma ascendente, la duración en minutos y sus intensidades respectivamente como se
aprecia en la Tabla 41:

85
Tabla 41. Regresión lineal múltiple – Piscopd – Ananea

Duración
(min) T I (mm/hr) x3=Log(D) x2=Log(T) y=Log(I)
60 2 5.702 1.778 0.301 0.756
120 2 3.535 2.079 0.301 0.548
180 2 2.889 2.255 0.301 0.461
240 2 2.509 2.380 0.301 0.399
300 2 2.281 2.477 0.301 0.358
360 2 2.129 2.556 0.301 0.328
480 2 1.825 2.681 0.301 0.261
600 2 1.665 2.778 0.301 0.221
720 2 1.501 2.857 0.301 0.177
840 2 1.352 2.924 0.301 0.131
960 2 1.240 2.982 0.301 0.093
1080 2 1.140 3.033 0.301 0.057
1200 2 1.061 3.079 0.301 0.026
1320 2 1.006 3.121 0.301 0.002
1440 2 0.950 3.158 0.301 -0.022
60 5 6.883 1.778 0.699 0.838
120 5 4.268 2.079 0.699 0.630
180 5 3.488 2.255 0.699 0.543
240 5 3.029 2.380 0.699 0.481
300 5 2.753 2.477 0.699 0.440
360 5 2.570 2.556 0.699 0.410
480 5 2.203 2.681 0.699 0.343
600 5 2.010 2.778 0.699 0.303
720 5 1.813 2.857 0.699 0.258
840 5 1.632 2.924 0.699 0.213
960 5 1.497 2.982 0.699 0.175
1080 5 1.377 3.033 0.699 0.139
1200 5 1.280 3.079 0.699 0.107
1320 5 1.214 3.121 0.699 0.084
1440 5 1.147 3.158 0.699 0.060
60 10 7.711 1.778 1.000 0.887
120 10 4.781 2.079 1.000 0.680
180 10 3.907 2.255 1.000 0.592
240 10 3.393 2.380 1.000 0.531
300 10 3.084 2.477 1.000 0.489
360 10 2.879 2.556 1.000 0.459
480 10 2.468 2.681 1.000 0.392
600 10 2.252 2.778 1.000 0.352
720 10 2.031 2.857 1.000 0.308
840 10 1.829 2.924 1.000 0.262

86
960 10 1.677 2.982 1.000 0.225
1080 10 1.542 3.033 1.000 0.188
1200 10 1.434 3.079 1.000 0.157
1320 10 1.360 3.121 1.000 0.134
1440 10 1.285 3.158 1.000 0.109
60 25 8.808 1.778 1.398 0.945
120 25 5.461 2.079 1.398 0.737
180 25 4.463 2.255 1.398 0.650
240 25 3.876 2.380 1.398 0.588
300 25 3.523 2.477 1.398 0.547
360 25 3.289 2.556 1.398 0.517
480 25 2.819 2.681 1.398 0.450
600 25 2.572 2.778 1.398 0.410
720 25 2.320 2.857 1.398 0.365
840 25 2.089 2.924 1.398 0.320
960 25 1.916 2.982 1.398 0.282
1080 25 1.762 3.033 1.398 0.246
1200 25 1.638 3.079 1.398 0.214
1320 25 1.553 3.121 1.398 0.191
1440 25 1.468 3.158 1.398 0.167
60 50 9.665 1.778 1.699 0.985
120 50 5.993 2.079 1.699 0.778
180 50 4.897 2.255 1.699 0.690
240 50 4.253 2.380 1.699 0.629
300 50 3.866 2.477 1.699 0.587
360 50 3.608 2.556 1.699 0.557
480 50 3.093 2.681 1.699 0.490
600 50 2.822 2.778 1.699 0.451
720 50 2.545 2.857 1.699 0.406
840 50 2.292 2.924 1.699 0.360
960 50 2.102 2.982 1.699 0.323
1080 50 1.933 3.033 1.699 0.286
1200 50 1.798 3.079 1.699 0.255
1320 50 1.705 3.121 1.699 0.232
1440 50 1.611 3.158 1.699 0.207
60 100 10.557 1.778 2.000 1.024
120 100 6.545 2.079 2.000 0.816
180 100 5.349 2.255 2.000 0.728
240 100 4.645 2.380 2.000 0.667
300 100 4.223 2.477 2.000 0.626
360 100 3.941 2.556 2.000 0.596
480 100 3.378 2.681 2.000 0.529
600 100 3.083 2.778 2.000 0.489
720 100 2.780 2.857 2.000 0.444
840 100 2.504 2.924 2.000 0.399
960 100 2.296 2.982 2.000 0.361

87
 1080 100 2.111 3.033 2.000 0.325
1200 100 1.964 3.079 2.000 0.293
1320 100 1.862 3.121 2.000 0.270
1440 100 1.760 3.158 2.000 0.245

Una vez ordenado los datos se procede a hacer la regresión lineal múltiple y se
obtienen las constantes en la Tabla 42:

Tabla 42. Estadísticas de Regresión -Ananea-Piscopd

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.997239412
Coeficiente de determinación R^2 0.994486445
R^2 ajustado 0.994359696
Error típico 0.017660352
Observaciones 90

Coeficientes
Intercepción 1.658519688
Variable X 1 -0.537726643
Variable X 2 0.155032428

El valor de la intercepción está en unidades logarítmicas por lo cual se debe sacar su

antilogaritmo:

𝐾 = 10𝑘

𝐾 = 45.5533

Por lo tanto, la ecuación de la curva IDF para una duración de 1 a 24 horas con los
datos de Pisco para la estación Ananea es la siguiente:

45.5533 ∗ 𝑇 0.1550
𝐼=
𝐷 0.5377

Donde:

I = intensidad expresada en mm/hr

T = periodo de retorno en años

D = duración en minutos

88
 De igual manera se halla la ecuación para una duración de 1 a 24 horas con los datos
proporcionados por Senamhi de la estación Ananea

41.3469 ∗ 𝑇 0.1791
𝐼=
𝐷0.5377

Usando otra ecuación para una duración de 1 a 24 horas para determinar cuál se ajusta
mejor a cada estación:

𝐼 = 𝑎 + 𝑏 ∗ 𝑙𝑛(𝐷) + 𝑐 ∗ 𝑙𝑛(𝑇) + 𝑑 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Para obtener el valor de los coeficientes se debe hacer una regresión lineal múltiple
con la ayuda de Excel se puede hacer dicho análisis, se debe ordenar los periodos de retorno
en forma ascendente, la duración en minutos y sus intensidades respectivamente como se
aprecia en la Tabla 41: como se aprecia en la Tabla 43:

Tabla 43. Regresión lineal múltiple – Piscopd – Ananea

Duración
(min) T I (mm/hr) Ln D Ln T Ln (ln D) Ln T
60 2 5.702 4.094 0.693 0.977
120 2 3.535 4.787 0.693 1.085
180 2 2.889 5.193 0.693 1.142
240 2 2.509 5.481 0.693 1.179
300 2 2.281 5.704 0.693 1.207
360 2 2.129 5.886 0.693 1.229
480 2 1.825 6.174 0.693 1.262
600 2 1.665 6.397 0.693 1.286
720 2 1.501 6.579 0.693 1.306
840 2 1.352 6.733 0.693 1.322
960 2 1.240 6.867 0.693 1.335
1080 2 1.140 6.985 0.693 1.347
1200 2 1.061 7.090 0.693 1.358
1320 2 1.006 7.185 0.693 1.367
1440 2 0.950 7.272 0.693 1.375
60 5 6.883 4.094 1.609 2.269
120 5 4.268 4.787 1.609 2.520
180 5 3.488 5.193 1.609 2.651
240 5 3.029 5.481 1.609 2.738
300 5 2.753 5.704 1.609 2.802
360 5 2.570 5.886 1.609 2.853
480 5 2.203 6.174 1.609 2.930
600 5 2.010 6.397 1.609 2.987
720 5 1.813 6.579 1.609 3.032

89
840 5 1.632 6.733 1.609 3.069
960 5 1.497 6.867 1.609 3.101
1080 5 1.377 6.985 1.609 3.128
1200 5 1.280 7.090 1.609 3.152
1320 5 1.214 7.185 1.609 3.174
1440 5 1.147 7.272 1.609 3.193
60 10 7.711 4.094 2.303 3.246
120 10 4.781 4.787 2.303 3.606
180 10 3.907 5.193 2.303 3.793
240 10 3.393 5.481 2.303 3.917
300 10 3.084 5.704 2.303 4.009
360 10 2.879 5.886 2.303 4.082
480 10 2.468 6.174 2.303 4.191
600 10 2.252 6.397 2.303 4.273
720 10 2.031 6.579 2.303 4.338
840 10 1.829 6.733 2.303 4.391
960 10 1.677 6.867 2.303 4.436
1080 10 1.542 6.985 2.303 4.476
1200 10 1.434 7.090 2.303 4.510
1320 10 1.360 7.185 2.303 4.541
1440 10 1.285 7.272 2.303 4.569
60 25 8.808 4.094 3.219 4.537
120 25 5.461 4.787 3.219 5.041
180 25 4.463 5.193 3.219 5.302
240 25 3.876 5.481 3.219 5.476
300 25 3.523 5.704 3.219 5.604
360 25 3.289 5.886 3.219 5.706
480 25 2.819 6.174 3.219 5.859
600 25 2.572 6.397 3.219 5.974
720 25 2.320 6.579 3.219 6.064
840 25 2.089 6.733 3.219 6.139
960 25 1.916 6.867 3.219 6.202
1080 25 1.762 6.985 3.219 6.257
1200 25 1.638 7.090 3.219 6.305
1320 25 1.553 7.185 3.219 6.348
1440 25 1.468 7.272 3.219 6.387
60 50 9.665 4.094 3.912 5.514
120 50 5.993 4.787 3.912 6.126
180 50 4.897 5.193 3.912 6.444
240 50 4.253 5.481 3.912 6.655
300 50 3.866 5.704 3.912 6.811
360 50 3.608 5.886 3.912 6.934
480 50 3.093 6.174 3.912 7.121
600 50 2.822 6.397 3.912 7.260
720 50 2.545 6.579 3.912 7.370
840 50 2.292 6.733 3.912 7.461

90
 960 50 2.102 6.867 3.912 7.537
1080 50 1.933 6.985 3.912 7.604
1200 50 1.798 7.090 3.912 7.662
1320 50 1.705 7.185 3.912 7.715
1440 50 1.611 7.272 3.912 7.762
60 100 10.557 4.094 4.605 6.491
120 100 6.545 4.787 4.605 7.212
180 100 5.349 5.193 4.605 7.586
240 100 4.645 5.481 4.605 7.834
300 100 4.223 5.704 4.605 8.018
360 100 3.941 5.886 4.605 8.163
480 100 3.378 6.174 4.605 8.383
600 100 3.083 6.397 4.605 8.546
720 100 2.780 6.579 4.605 8.676
840 100 2.504 6.733 4.605 8.782
960 100 2.296 6.867 4.605 8.873
1080 100 2.111 6.985 4.605 8.951
1200 100 1.964 7.090 4.605 9.020
1320 100 1.862 7.185 4.605 9.082
1440 100 1.760 7.272 4.605 9.137
Una vez ordenado los datos se procede a hacer la regresión lineal múltiple y se
obtienen las constantes en la Tabla 44:

Tabla 44. Estadísticas de Regresión -Ananea-Piscopd

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9699477
Coeficiente de determinación R^2 0.94079854
R^2 ajustado 0.93873337
Error típico 0.46972497
Observaciones 90

Coeficientes
a Intercepción 7.34434651
b Ln D -0.90756501
c Ln T 3.91906178
d Ln (ln D) Ln T -1.92460503

Por lo tanto, la ecuación de la curva IDF con los datos de Pisco para la estación
Ananea es la siguiente:

𝐼 = 7.3443 − 0.9076 ∗ 𝑙𝑛(𝐷) + 3.9191 ∗ 𝑙𝑛(𝑇) − 1.9246 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Donde:

I = intensidad expresada en mm/hr

91
 T = periodo de retorno en años

D = duración en minutos

Se procede de igual manera con los datos de Senamhi:

𝐼 = 6.4327 − 0.7916 ∗ 𝑙𝑛(𝐷) + 4.2402 ∗ 𝑙𝑛(𝑇) − 2.076 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Para poder elegir la ecuación que mejor se ajusta para cada caso se usará el
coeficiente de correlación que se halló en las tablas de estadísticas de regresión, la cual es una
medida de regresión que sirve para conocer el grado de variación entre las variables
determinadas y se elegirá el que se acerque más a “1”:

45.5533 ∗ 𝑇 0.1550
𝐼=
𝐷 0.5377

Coeficiente de correlación múltiple = 0.9972

𝐼 = 7.3443 − 0.9076 ∗ 𝑙𝑛(𝐷) + 3.9191 ∗ 𝑙𝑛(𝑇) − 1.9246 ∗ ln (ln (𝐷)) ∗ 𝐿𝑛(𝑇)

Coeficiente de correlación múltiple = 0.9699

Por lo tanto, la ecuación que mejor se ajusta a la estación Ananea con datos de
Piscopd es la propuesta por el Manual de Hidrología, Hidráulica y Drenaje.

El proceso para hallar las ecuaciones y elegir la que mejor que se ajusta se repetirá
para todas las estaciones dando como resultado la Tabla 45 y 46:

92
Tabla 45. Ecuaciones IDF de las estaciones usando Manual de Hidrología, Hidráulica y
Drenaje
Piscopd Senamhi
Ananea
57. 992 ∗ 𝑇 0.0956 69.7290 ∗ 𝑇 0.1502
Arapa 𝐼= 𝐼=
𝐷 0.5377 𝐷 0.5377
64.71 7 ∗ 𝑇 0.2139 63.2364 ∗ 𝑇 0.2702
Ayaviri 𝐼= 𝐼=
𝐷 0.5377 𝐷 0.5377
60.11 6 ∗ 𝑇 0.13 6 69.0556 ∗ 𝑇 0.2077
Cabanillas 𝐼= 𝐼=
𝐷 0.5377 𝐷 0.5377
64. 193 ∗ 𝑇 0.1393 66.4310 ∗ 𝑇 0.1537
Capachica I= I=
𝐷0.5377 𝐷0.5377
54.4193 ∗ 𝑇 0.13 2 66.2464 ∗ 𝑇 0.159
Chuquibambilla I= I=
𝐷 0.5377 𝐷 0.5377
43.7 27 ∗ 𝑇 0.2477 55.5331 ∗ 𝑇 0.2354
Cojata I= I=
𝐷 0.5377 𝐷 0.5377
41. 621 ∗ 𝑇 0.25 1 52.4256 ∗ 𝑇 0.16 6
Crucero I= I=
𝐷 0.5377 𝐷 0.5377
61.6 26 ∗ 𝑇 0.1461 75.4402 ∗ 𝑇 0.170
Huancane I= I=
𝐷0.5377 𝐷0.5377
61. 336 ∗ 𝑇 0.1036 65.7202 ∗ 𝑇 0.1144
Ilave I= I=
𝐷 0.5377 𝐷 0.5377
57.4 72 ∗ 𝑇 0.1926 69.4429 ∗ 𝑇 0.1623
Lampa I= I=
𝐷 0.5377 𝐷 0.5377
65.7726 ∗ 𝑇 0.0927 6 .7 26 ∗ 𝑇 0.1502
Laraqueri I= I=
𝐷 0.5377 𝐷0.5377
56.6639 ∗ 𝑇 0.15 6 63.6260 ∗ 𝑇 0.1 65
Mañazo I= I=
𝐷 0.5377 𝐷 0.5377
45.3659 ∗ 𝑇 0.1 51 51. 917 ∗ 𝑇 0.1664
Mazo Cruz I= I=
𝐷 0.5377 𝐷 0.5377
49.1369 ∗ 𝑇 0.13 7 59.6263 ∗ 𝑇 0.0931
Muñani I= I=
𝐷0.5377 𝐷 0.5377
62.1673 ∗ 𝑇 0.1144 73.0 64 ∗ 𝑇 0.1143
Pampahuta I= I=
𝐷 0.5377 𝐷 0.5377
34.9511 ∗ 𝑇 0.1593 67.7096 ∗ 𝑇 0.1564
Pizacoma I= I=
𝐷 0.5377 𝐷 0.5377
51.3562 ∗ 𝑇 0.1340 61.4909 ∗ 𝑇 0.1360
Progreso I= I=
𝐷0.5377 𝐷0.5377
60. 2 0 ∗ 𝑇 0.1100 67.7950 ∗ 𝑇 0.2022
Pucara I= I=
𝐷 0.5377 𝐷0.5377
55.5050 ∗ 𝑇 0.1591 61.0953 ∗ 𝑇 0.1055
Santa Rosa I= I=
𝐷 0.5377 𝐷 0.5377
116. 344 ∗ 𝑇 0.1137 130.72 4 ∗ 𝑇 0.1140
Tambopata I= I=
𝐷 0.5377 𝐷 0.5377
53.67 5 ∗ 𝑇 0.1036 66.6306 ∗ 𝑇 0.2179
Taraco I= I=
𝐷 0.5377 𝐷 0.5377

93
Tabla 46. Ecuaciones IDF de las estaciones usando la expresión de Varhson
Estaciones
Piscopd
Ananea
Senamhi
Piscopd 𝐼 = 10.15 5 − 1.2659 ∗ 𝑙𝑛 𝐷 + 2. 751 ∗ 𝑙𝑛 𝑇 − 1.4293 ∗ ln(ln 𝐷 ) ∗ 𝑙𝑛 𝑇
Arapa
Senamhi 𝐼 = 11.4445 − 1.4159 ∗ 𝑙𝑛 𝐷 + 5.70 5 ∗ 𝑙𝑛 𝑇 − 2. 061 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = .1019 − 0.9 04 ∗ 𝑙𝑛 𝐷 + 9.3057 ∗ 𝑙𝑛 𝑇 − 4.5359 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Ayaviri
Senamhi 𝐼 = 6.5957 − 0.77 7 ∗ 𝑙𝑛 𝐷 + 12.2443 ∗ 𝑙𝑛 𝑇 − 5.9534 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.0433 − 1.244 ∗ 𝑙𝑛 𝐷 + 4.4666 ∗ 𝑙𝑛 𝑇 − 2.1996 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Cabanillas
Senamhi 𝐼 = 10.0353 − 1.2263 ∗ 𝑙𝑛 𝐷 + .6756 ∗ 𝑙𝑛 𝑇 − 4.237 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.76 3 − 1.3343 ∗ 𝑙𝑛 𝐷 + 4. 721 ∗ 𝑙𝑛 𝑇 − 2.39 6 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Capachica
Senamhi 𝐼 = 10.7769 − 1.3322 ∗ 𝑙𝑛 𝐷 + 5.6315 ∗ 𝑙𝑛 𝑇 − 2.7664 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 9.0531 − 1.1220 ∗ 𝑙𝑛 𝐷 + 4.0532 ∗ 𝑙𝑛 𝑇 − 1.995 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Chuquibambilla
Senamhi 𝐼 = 10.7047 − 1.3222 ∗ 𝑙𝑛 𝐷 + 5. 543 ∗ 𝑙𝑛 𝑇 − 2. 740 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 5.2652 − 0.6319 ∗ 𝑙𝑛 𝐷 + 7.322 ∗ 𝑙𝑛 𝑇 − 3.5653 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Cojata
Senamhi 𝐼 = 7.06 0 − 0. 534 ∗ 𝑙𝑛 𝐷 + .5773 ∗ 𝑙𝑛 𝑇 − 4.1794 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 4.5565 − 0.5415 ∗ 𝑙𝑛 𝐷 + 7.6072 ∗ 𝑙𝑛 𝑇 − 3.7005 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Crucero
Senamhi 𝐼 = .35 7 − 1.0309 ∗ 𝑙𝑛 𝐷 + 4.9503 ∗ 𝑙𝑛 𝑇 − 2.4277 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.1915 − 1.2617 ∗ 𝑙𝑛 𝐷 + 4. 17 ∗ 𝑙𝑛 𝑇 − 2.4012 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Huancane
Senamhi 𝐼 = 11.944 − 1.4724 ∗ 𝑙𝑛 𝐷 + 7.2637 ∗ 𝑙𝑛 𝑇 − 3.5611 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.7792 − 1.3421 ∗ 𝑙𝑛 𝐷 + 3.3242 ∗ 𝑙𝑛 𝑇 − 1.6490 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Ilave
Senamhi 𝐼 = 11.3160 − 1.4071 ∗ 𝑙𝑛 𝐷 + 3.9335 ∗ 𝑙𝑛 𝑇 − 1.9461 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = .5049 − 1.0424 ∗ 𝑙𝑛 𝐷 + 6.5974 ∗ 𝑙𝑛 𝑇 − 3.2259 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Lampa
Senamhi 𝐼 = 11.0 9 − 1.36 ∗ 𝑙𝑛 𝐷 + 6.3033 ∗ 𝑙𝑛 𝑇 − 3.0929 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 11.5799 − 1.4435 ∗ 𝑙𝑛 𝐷 + 3.161 ∗ 𝑙𝑛 𝑇 − 1.5734 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Laraqueri
Senamhi 𝐼 = 11.2919 − 1.3970 ∗ 𝑙𝑛 𝐷 + 5.6314 ∗ 𝑙𝑛 𝑇 − 2.76 2 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 9.0964 − 1.1235 ∗ 𝑙𝑛 𝐷 + 5.0042 ∗ 𝑙𝑛 𝑇 − 2.4565 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Mañazo
Senamhi 𝐼 = 9.6125 − 1.1 02 ∗ 𝑙𝑛 𝐷 + 6.95 7 ∗ 𝑙𝑛 𝑇 − 3.404 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 6. 425 − 0. 402 ∗ 𝑙𝑛 𝐷 + 4.9311 ∗ 𝑙𝑛 𝑇 − 2.4129 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Mazo Cruz
Senamhi 𝐼 = .2462 − 1.0171 ∗ 𝑙𝑛 𝐷 + 4. 50 ∗ 𝑙𝑛 𝑇 − 2.3791 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = .206 − 1.0172 ∗ 𝑙𝑛 𝐷 + 3.655 ∗ 𝑙𝑛 𝑇 − 1. 003 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Muñani
Senamhi 𝐼 = 10.5075 − 1.309 ∗ 𝑙𝑛 𝐷 + 2. 723 ∗ 𝑙𝑛 𝑇 − 1.4292 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.7041 − 1.3310 ∗ 𝑙𝑛 𝐷 + 3.7214 ∗ 𝑙𝑛 𝑇 − 1. 411 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Pampahuta
Senamhi 𝐼 = 12.5 5 − 1.5650 ∗ 𝑙𝑛 𝐷 + 4.3701 ∗ 𝑙𝑛 𝑇 − 2.1621 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 5.6525 − 0.69 3 ∗ 𝑙𝑛 𝐷 + 3.0767 ∗ 𝑙𝑛 𝑇 − 1.5105 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Pizacoma
Senamhi 𝐼 = 10.9595 − 1.3543 ∗ 𝑙𝑛 𝐷 + 5. 510 ∗ 𝑙𝑛 𝑇 − 2. 733 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = .5937 − 1.0657 ∗ 𝑙𝑛 𝐷 + 3.6 99 ∗ 𝑙𝑛 𝑇 − 1. 1 2 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Progreso
Senamhi 𝐼 = 10.3090 − 1.27 2 ∗ 𝑙𝑛 𝐷 + 4.4704 ∗ 𝑙𝑛 𝑇 − 2.2024 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 10.5241 − 1.3094 ∗ 𝑙𝑛 𝐷 + 3.4 7 ∗ 𝑙𝑛 𝑇 − 1.727 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Pucara
Senamhi 𝐼 = 9. 972 − 1.2106 ∗ 𝑙𝑛 𝐷 + .255 ∗ 𝑙𝑛 𝑇 − 4.0340 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = .9360 − 1.1037 ∗ 𝑙𝑛 𝐷 + 4.9017 ∗ 𝑙𝑛 𝑇 − 2.4063 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Santa Rosa
Senamhi 𝐼 = 10.6505 − 1.3259 ∗ 𝑙𝑛 𝐷 + 3.33 ∗ 𝑙𝑛 𝑇 − 1.6556 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 20.1325 − 2.5036 ∗ 𝑙𝑛 𝐷 + 6.9471 ∗ 𝑙𝑛 𝑇 − 3.4375 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Tambopata
Senamhi 𝐼 = 22.5255 − 2. 012 ∗ 𝑙𝑛 𝐷 + 7.7 0 ∗ 𝑙𝑛 𝑇 − 3. 535 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Piscopd 𝐼 = 9.3151 − 1.1597 ∗ 𝑙𝑛 𝐷 + 2.9100 ∗ 𝑙𝑛 𝑇 − 1.4431 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)
Taraco
Senamhi 𝐼 = 9.299 − 1.1323 ∗ 𝑙𝑛 𝐷 + 9.0296 ∗ 𝑙𝑛 𝑇 − 4.4066 ∗ 𝑙n(ln 𝐷 ) ∗ 𝑙𝑛(𝑇)

94
 Una vez obtenidas las ecuaciones se procede a compararlas para elegir la que mejor se
ajusta a cada estación mediante el coeficiente de correlación presentado en la Tabla 47:

Tabla 47. Coeficiente de correlación múltiple

Manual de Hidrologia Varhson
Estaciones
Piscopd Senamhi Piscopd Senamhi

Ananea 0.9972 0.9954 0.9699 0.9715

Arapa 0.9968 0.9959 0.9644 0.9691

Ayaviri 0.9946 0.9978 0.9759 0.9771

Cabanillas 0.9961 0.9948 0.9680 0.9737

Capachica 0.9969 0.9968 0.9685 0.9697

Chuquibambilla 0.9969 0.9957 0.9684 0.9698

Cojata 0.9974 0.9974 0.9764 0.9757

Crucero 0.9983 0.9951 0.9753 0.9704

Huancane 0.9960 0.9955 0.9687 0.9708

Ilave 0.9964 0.9965 0.9649 0.9660

Lampa 0.9973 0.9967 0.9729 0.9704

Laraqueri 0.9966 0.9959 0.9640 0.9690

Mañazo 0.9970 0.9969 0.9702 0.9725

Mazo Cruz 0.9973 0.9963 0.9724 0.9707

Muñani 0.9961 0.9962 0.9681 0.9638

Pampahuta 0.9965 0.9965 0.9660 0.9660

Pizacoma 0.9957 0.9964 0.9698 0.9698

Progreso 0.9970 0.9961 0.9680 0.9678

Pucara 0.9966 0.9961 0.9656 0.9736

Santa Rosa 0.9965 0.9959 0.9701 0.9648

Tambopata 0.9965 0.9965 0.9659 0.9659

Taraco 0.9973 0.9957 0.9654 0.9747

95
 Como se pudo apreciar en la tabla anterior usando la ecuación propuesta por el
Manual de Hidrología, Hidráulica y Drenaje se obtuvo un mejor coeficiente de correlación en
comparación a la propuesta por Varhson por lo que se elige para poder hacer las
comparaciones, dichas comparaciones se presentan en las Tablas 48, 49 y 50.

Tabla 48. Comparación de intensidad para 1 hora y un periodo de retorno de 2 años-

Ananea
D (min) T (años) Intensidad (mm/hr)
Diferencia
60 2 Piscopd Senamhi

Ananea 5.611 5.179 8.35%

Arapa 6.844 8.560 20.05%

Ayaviri 8.304 8.436 1.57%

Cabanillas 7.321 8.822 17.01%

Capachica 7.897 8.175 3.40%

Chuquibambilla 6.625 8.186 19.07%

Cojata 5.750 7.232 20.49%

Crucero 5.538 6.518 15.04%

Huancane 7.551 9.394 19.63%

Ilave 7.349 7.870 6.62%

Lampa 7.267 8.596 15.46%

Laraqueri 7.759 8.444 8.11%

Mañazo 6.997 8.010 12.65%

Mazo Cruz 5.706 6.442 11.43%

Muñani 5.984 7.036 14.95%

Pampahuta 7.445 8.752 14.93%

Pizacoma 4.318 8.348 48.28%

Progreso 6.234 7.475 16.60%

Pucara 7.262 8.628 15.83%

Santa Rosa 6.856 7.271 5.72%

Tambopata 13.985 15.650 10.64%

Taraco 6.380 8.573 25.57%

96
Tabla 49. Comparación de intensidad para 4 horas y un periodo de retorno de 25 años-
Ananea
D (min) T (años) Intensidad (mm/hr)
Diferencia
240 25 Piscopd Senamhi

Ananea 3.939 3.863 1.95%

Arapa 4.135 5.935 30.34%

Ayaviri 6.764 7.922 14.62%

Cabanillas 4.929 7.073 30.30%

Capachica 5.327 5.719 6.86%

Chuquibambilla 4.457 5.816 23.37%

Cojata 5.101 6.220 17.99%

Crucero 5.044 4.735 6.52%

Huancane 5.182 6.863 24.50%

Ilave 4.530 4.986 9.15%

Lampa 5.609 6.145 8.74%

Laraqueri 4.653 5.856 20.54%

Mañazo 4.956 6.088 18.60%

Mazo Cruz 4.321 4.654 7.15%

Muñani 4.031 4.224 4.56%

Pampahuta 4.717 5.543 14.91%

Pizacoma 3.063 5.880 47.90%

Progreso 4.149 5.001 17.03%

Pucara 4.549 6.822 33.32%

Santa Rosa 4.862 4.504 7.93%

Tambopata 8.844 9.903 10.70%

Taraco 3.933 7.053 44.24%

97
Tabla 50. Comparación de intensidad para 6 horas y un periodo de retorno de 50 años-
Ananea
D (min) T (años) Intensidad (mm/hr)
Diferencia
360 50 Piscopd Senamhi

Ananea 3.526 3.517 0.26%

Arapa 3.552 5.296 32.92%

Ayaviri 6.308 7.682 17.89%

Cabanillas 4.363 6.568 33.56%

Capachica 4.718 5.116 7.78%

Chuquibambilla 3.944 5.224 24.51%

Cojata 4.870 5.888 17.29%

Crucero 4.850 4.280 13.33%

Huancane 4.611 6.212 25.78%

Ilave 3.914 4.340 9.83%

Lampa 5.154 5.530 6.80%

Laraqueri 3.990 5.225 23.65%

Mañazo 4.448 5.571 20.16%

Mazo Cruz 3.950 4.200 5.93%

Muñani 3.569 3.623 1.50%

Pampahuta 4.106 4.825 14.90%

Pizacoma 2.751 5.270 47.80%

Progreso 3.661 4.419 17.15%

Pucara 3.948 6.311 37.45%

Santa Rosa 4.365 3.897 12.01%

Tambopata 7.695 8.618 10.71%

Taraco 3.398 6.596 48.48% I

98
Figura 14. Comparación de las intensidades

99
 CAPÍTULO V

5. Conclusiones y Recomendaciones
5.1. Conclusiones
➢ Para la realización de la presente tesis se obtuvo la información de las precipitaciones
diarias las cuales fueron proporcionadas por el SENAMHI de las 22 estaciones
pluviométricas mencionadas, así como también se obtuvo la información del producto
grillado pisco de precipitación en el departamento de Puno, dichos registros de
precipitaciones tienen una duración máxima de 36 años mientras que el menor
registro es de 18 años el cual corresponde a la estación Crucero, además las
precipitaciones en algunas estaciones son similares mientras que en otras hay una
gran diferencia la cual se evidenció en la comparación de las intensidades máximas.
➢ Se elaboraron las curvas IDF usando los datos de precipitación de cada estación, así
como también usando los datos del producto grillado pisco de precipitación, se hizo
una curva IDF para una duración menor a 1 hora y otra para una duración de 1 hora a
24 horas para los periodos de retorno de 2, 5, 10, 25, 50 y 100 años, por lo tanto
usando los datos del Senamhi y del producto grillado pisco se obtuvo 4 curvas IDF
por estación, dichas curvas dependen de las precipitaciones por lo cual son diferentes
y únicas para cada estación ya que cada estación tiene una ubicación diferente y
características geográficas diferentes.
➢ Con las curvas IDF generadas con los datos del producto grillado Pisco y del
Senamhi, se procedió a elegir la ecuación que tuvo mejor coeficiente de correlación
para las curvas IDF con duraciones de 1 hora a 24 horas mediante un análisis de
regresión lineal múltiple que dio como resultado parámetros “K” y “m” diferentes
para cada estación y el parámetro “n” igual en todas las estaciones y con dichas
ecuaciones se obtuvo las intensidades máximas y se concluyó que a mayor periodo de
retorno las intensidades incrementan y a mayores duraciones las intensidades
disminuyen.
➢ Se compararon las curvas IDF mediante sus ecuaciones generadas por los datos de
Senamhi y el grillado Pisco para los periodos de retorno de 2, 25 y 50 años, con
duraciones de 60, 240 y 360 minutos respectivamente dando como resultado
intensidades diferentes para cada estación y datos usados, la comparación de las
intensidades máximas dio como resultado diferencias máximas del 48.48% y 48.28%
en las estaciones Taraco y Pizacoma respectivamente, así como también diferencias

100
 mínimas de 1.57% y 0.26% en las estaciones Ayaviri y Ananea respectivamente, esto
se debe a las variaciones de las precipitaciones en los distintos años del registro, por
lo que se puede concluir que las intensidades generadas a partir de los datos de
Senamhi y el grillado Pisco son diferentes entre sí presentando grandes variaciones así
como variaciones mínimas.

5.2. Recomendaciones
➢ Para mejorar la precisión de los cálculos la información de las precipitaciones deberá
ser mayores a 25 años, de igual manera la información deberá ser de años recientes
dado que la versión actual del grillado Pisco V2.1. tiene data de 1981 al 2016 se usó
ese periodo de tiempo.
➢ Para la selección del periodo de retorno óptimo se recomienda realizar un análisis del
tipo de estructura, así como también un análisis de los costos totales y factores
sociales.
➢ Para la obtención de las precipitaciones máximas de 24 horas para los distintos
periodos de retorno puede usarse programas como es el caso de Hydrognomon 4 a fin
de comparar los resultados obtenidos.
➢ Se puede realizar otros tipos de distribuciones como son las distribuciones de Pareto y
Gamma a fin de evaluar cual se ajusta mejor a los datos de las precipitaciones.
➢ Se recomienda usar otros métodos de la distribución de las precipitaciones distintos al
del manual de hidrología, hidráulica y drenaje para la obtención de las curvas IDF
como puede ser la distribución de lluvia basada en perfiles de lluvia SCS dicho
método fue propuesto por el Soil Conservation Service del U.S. Department of
Agriculture para poder evaluar con que método se obtienen mejores resultados.
➢ Se recomienda usar más modelos matemáticos de ecuaciones a fin de comparar cual
se ajusta mejor como son los propuestos por Talbot, Wenzel, Koutsoyiannis entre
otros.
➢ Para poder usar los resultados del grillado Pisco en obras hidráulicas se recomienda
contar con información de estaciones pluviométricas cercanas a fin comparar y
verificar si los datos de Pisco son similares a las estaciones dado que pueden presentar
variaciones significativas.

101
 CAPÍTULO VI

6. Referencias
Alkarkhi, A. F. M. (2021). Chi-square test for one sample variance. Applications of
Hypothesis Testing for Environmental Science, 63–78. https://doi.org/10.1016/B978-0-
12-824301-5.00003-4

Aravena, D. P. (2006). ANÁLISIS COMPARATIVO DE LAS CURVAS INTENSIDAD –

DURACIÓN – FRECUENCIA (IDF) DE 31 ESTACIONES PLUVIOGRÁFICAS
UBICADAS EN LA ZONA ÁRIDA Y SEMIÁRIDA DE CHILE.
http://dspace.utalca.cl/handle/1950/2263

Autoridad Nacional de Agua. (2016, enero 4). Autoridad Nacional del Agua instala más de
100 pluviómetros para proteger a poblaciones vulnerables.
https://www.ana.gob.pe/etiquetas/pluviometro

Aybar, C., Fernández, C., Huerta, A., Lavado, W., Vega, F., & Felipe-Obando, O. (2019).
Construction of a high-resolution gridded rainfall dataset for Peru from 1981 to the
present day. https://doi.org/10.1080/02626667.2019.1649411, 65(5), 770–785.
https://doi.org/10.1080/02626667.2019.1649411

BCRP. (2022). BANCO CENTRAL DE RESERVA DEL PERÚ SUCURSAL PUNO

CARACTERIZACIÓN DEL DEPARTAMENTO DE PUNO.
https://www.google.com/maps/place/Puno/@-15.0833935,-

ben Aissia, M. A., Chebana, F., & Ouarda, T. B. M. J. (2017). Multivariate missing data in
hydrology – Review and applications. Advances in Water Resources, 110, 299–309.
https://doi.org/10.1016/J.ADVWATRES.2017.10.002

Chereque, W. (1989). HIDROLOGIA para estudiantes de ingeniería civil.

Fadhel, S., Rico-Ramirez, M. A., & Han, D. (2017). Uncertainty of Intensity-Duration-

Frequency (IDF) curves due to varied climate baseline periods.
https://doi.org/10.1016/j.jhydrol.2017.02.013

Fortunato, A., Oliveri, E., & Mazzola, M. R. (2014). Selection of the Optimal Design Rainfall
Return Period of Urban Drainage Systems. Procedia Engineering, 89, 742–749.
https://doi.org/10.1016/J.PROENG.2014.11.502

102
Hailegeorgis, T. T., Thorolfsson, S. T., & Alfredsen, K. (2013). Regional frequency analysis
of extreme precipitation with consideration of uncertainties to update IDF curves for the
city of Trondheim. https://doi.org/10.1016/j.jhydrol.2013.06.019

Hernández Sampieri, R., Fernández Collado, C., María del Pilar Baptista Lucio, D., &
Méndez Valencia Christian Paulina Mendoza Torres, S. (2014). Metodologia de la
Investigacion (McGRAW-HILL, Ed.; 6a ed.).

Hosseinzadehtalaei, P., Tabari, H., & Willems, P. (2017). Precipitation intensity-duration-

frequency curves for central Belgium with an ensemble of EURO-CORDEX simulations,
and associated uncertainties A R T I C L E I N F O.
https://doi.org/10.1016/j.atmosres.2017.09.015

Kareem, D. A., Rahman, A., Amen, M., Mustafa, A., Yüce, M. I., & Szydłowski, M. (2022).
Comparative Analysis of Developed Rainfall Intensity-Duration-Frequency Curves for
Erbil with Other Iraqi Urban Areas. https://doi.org/10.3390/w14030419

Lima, C. H. R., Kwon, H.-H., & Kim, Y.-T. (2018). A local-regional scaling-invariant
Bayesian GEV model for estimating rainfall IDF curves in a future climate.
https://doi.org/10.1016/j.jhydrol.2018.08.075

MTC, M. de T. y C. (2008). MANUAL DE HIDROLOGÍA, HIDRÁULICA Y DRENAJE.

http://transparencia.mtc.gob.pe/idm_docs/normas_legales/1_0_2950.pdf

Noor, M., Ismail, T., Shahid, S., Asaduzzaman, M., & Dewan, A. (2020). Evaluating
intensity-duration-frequency (IDF) curves of satellite-based precipitation datasets in
Peninsular Malaysia. https://doi.org/10.1016/j.atmosres.2020.105203

Organización Meteorológica Mundial. (2021a). ATLAS DE LA OMM SOBRE MORTALIDAD

Y PÉRDIDAS ECONÓMICAS DEBIDAS A FENÓMENOS METEOROLÓGICOS,
CLIMÁTICOS E HIDROLÓGICOS EXTREMOS (1970–2019).
https://library.wmo.int/doc_num.php?explnum_id=10992

Organización Meteorológica Mundial. (2021b). El estado del clima en América Latina y el

Caribe 2020 (OMM-No 1272).
https://reliefweb.int/sites/reliefweb.int/files/resources/Statement_LAC_es_big.pdf

103
Paredes, R. E. (2015). GENERACIÓN DE INTENSIDADES DE PRECIPITACIÓN MÁXIMA
EN ESTACIONES SIN INFORMACIÓN PLUVIOGRÁFICA (CUENCA DEL RIO
ILLPA – PUNO).

Porwik, P., & Dadzie, B. M. (2022). Detection of data drift in a two-dimensional stream
using the Kolmogorov-Smirnov test. Procedia Computer Science, 207, 168–175.
https://doi.org/10.1016/J.PROCS.2022.09.049

Reyes, L. v. (1992). Hidrologia Basica.

Senamhi. (2017). USO DEL PRODUCTO GRILLADO PISCO DE PRECIPITACION EN

ESTUDIOS, INVESTIGACIONES Y SISTEMAS OPERACIONALES DE MONITOREO
Y PRONOSTICO HIDROMETEOROLOGICO.
https://repositorio.senamhi.gob.pe/bitstream/handle/20.500.12542/260/Uso-producto-
grillado-Pisco-precipitaci%c3%b3n-estudios-investigaciones-sistemas-operacionales-
monitoreo-pron%c3%b3stico-
Hidrometeorl%c3%b3gico_2017.pdf?sequence=1&isAllowed=y

Senamhi. (2018, junio 7). Mapa Climático del Perú.

https://www.senamhi.gob.pe/?&p=mapa-climatico-del-peru

Te Chow, V. (1994). Hidrologia Aplicada.

Ugarte, H. I. (2012). Análisis de precipitaciones máximas diarias para la deducción de

fórmulas de intensidad de lluvia, y curvas IDF para las estaciones de Huancané, Moho
y Putina. http://repositorio.unap.edu.pe/handle/UNAP/5490

Universidad Nacional Autonoma de Mexico. (2015, agosto 11). Lluvias e inundaciones |

Portal UNAM. https://www.unam.mx/medidas-de-emergencia/lluvias-e-inundaciones

Venkatesh, K., Maheswaran, R., & Devacharan, J. (2021). Framework for developing IDF
curves using satellite precipitation: a case study using GPM-IMERG V6 data. 1, 3.
https://doi.org/10.1007/s12145-021-00708-0

Villón Béjar, M. (2002). Hidrología.

Villón, M. (2002). Hidrología Estadística.

Zevallos, J. A. (2018). ESTIMACIÓN DE CURVAS DE INTENSIDAD-DURACIÓN-

FRECUENCIA DE PRECIPITACIONES PARA EL PERÚ USANDO

104
 PRECIPITACIONES HORARIAS SIMULADAS CON EL MODELO DE PULSO
RECTANGULAR DE BARTLETT-LEWIS.
https://josezevallosr.github.io/CurvasIdf/mapa.html

Zhang, H., & Wu, Z. (2022). The general goodness-of-fit tests for correlated data.
Computational Statistics & Data Analysis, 167, 107379.
https://doi.org/10.1016/J.CSDA.2021.107379

105
ANEXOS
A.1. ESTACION ARAPA

Tabla A.1.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Arapa
Precipitacion maxima en 24 horas
(mm)
AÑO Piscopd Senamhi
1981 30.772 41
1982 35.823 28.6
1983 21.923 36.9
1984 23.605 50.2
1985 32.495 38.9
1986 21.864 28
1987 22.726 23.2
1988 28.319 48.5
1989 25.613 27.8
1990 29.351 34.4
1991 22.711 28.6
1992 28.200 53.6
1993 32.454 53.3
1994 22.268 24
1995 25.670 25.4
1996 23.849 24.3
1997 23.460 26
1998 30.550 49.6
1999 20.111 21.7
2000 26.350 27.7
2001 26.989 33.6
2002 31.763 35.6
2003 37.813 40
2004 29.920 40.8
2005 29.896 30
2006 23.314 22.4
2007 28.066 31.2
2008 36.854 39.2
2009 34.195 35.1
2010 34.333 38.6
2011 24.537 41
2012 25.930 45.2
2013 31.266 38.5
2014 28.203 43.1
2015 28.367 31.7
2016 31.972 29.3

106
Gráficos de las curvas IDF

Figura A.1.1. Curva IDF Piscopd de 1 hora

Figura A.1.2. Curva IDF Senamhi de 1 hora

107
Figura A.1.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.1.4. Curva IDF de 1 a 24 horas Senamhi

108
A.2. ESTACION AYAVIRI

Tabla A.2.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Ayaviri
Precipitacion maxima en 24 horas
(mm)
AÑO Piscopd Senamhi
1982 41.788 42.7
1983 25.654 33.5
1984 80.386 50.3
1985 54.620 93.5
1986 21.924 30.5
1987 40.725 33.4
1988 26.191 36.2
1989 25.222 26
1990 33.791 40.2
1991 49.009 52.2
1992 19.915 21
1993 69.484 92
1994 25.048 35.5
1995 26.017 26
1996 29.012 31.6
1997 38.621 45.9
1998 45.949 43.2
1999 25.842 34.7
2000 43.100 43.4
2001 23.185 25.8
2002 31.130 32
2003 35.937 41.7
2004 33.625 36.7
2005 34.334 34.5
2006 26.551 38.5
2007 34.769 32.9
2008 37.527 37.9
2009 38.454 39.5
2010 26.784 33.3
2011 39.426 42.7
2012 20.017 22.8
2013 24.065 25.9
2014 26.671 27.2
2015 32.017 38.9
2016 23.005 22.9

109
Gráficos de las curvas IDF

Figura A.2.1. Curva IDF Piscopd de 1 hora

Figura A.2.2. Curva IDF Senamhi de 1 hora

110
Figura A.2.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.2.4. Curva IDF de 1 a 24 horas Senamhi

111
A.3. ESTACION CABANILLAS

Tabla A.3.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Cabanillas
Precipitacion maxima en 24 horas
(mm)
AÑO Piscopd Senamhi
1981 26.806 26.2
1982 19.754 19
1983 21.627 21
1984 37.585 28.2
1985 21.411 20.5
1986 35.914 54.2
1987 24.488 29
1988 23.889 46
1989 27.313 29.5
1990 28.762 31
1991 16.995 20.2
1992 21.573 21.2
1993 32.800 53.4
1994 48.244 54.6
1995 15.272 15.5
1996 32.215 42.7
1997 35.043 44.6
1998 35.300 39.2
1999 34.111 34.9
2000 31.328 31.6
2001 32.666 44.2
2002 29.197 30.5
2003 34.176 42.3
2004 30.075 29.6
2005 34.583 66
2006 34.255 35.2
2007 38.284 46.4
2008 33.213 44.1
2009 31.857 35.6
2010 25.351 27.3
2011 36.264 68.7
2012 30.786 32.6
2013 29.250 54.3
2014 33.126 33
2015 25.125 30.2
2016 31.168 33.3

112
Graficos de las curvas IDF

\ Figura A.3.1. Curva IDF Piscopd de 1 hora

Figura A.3.2. Curva IDF Senamhi de 1 hora

113
Figura A.3.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.3.4. Curva IDF de 1 a 24 horas Senamhi

114
A.4. ESTACION CAPACHICA

Tabla A.4.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Capachica
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1985 31.645 21.8
1986 24.939 28.4
1987 23.512 32.4
1988 28.305 27
1989 36.816 45
1990 28.174 31
1991 31.418 38
1992 46.4 50
1993 31.193 52
1994 44.888 49
1995 36.575 33.4
1996 44.131 51
1997 35.593 37.3
1998 37.038 41
1999 34.032 32.9
2000 23.747 25.6
2001 44.762 45.6
2002 27.197 30.5
2003 33.187 35.3
2004 35.427 29.2
2005 27.569 27
2006 26.198 27.6
2007 35.315 31.2
2008 34.054 33.4
2009 22.274 22.4
2010 28.125 28.4
2011 30.238 30.5
2012 27.958 29.8
2013 52.022 34.1
2014 30.786 31.6
2015 32.766 33.3
2016 31.035 33

115
Gráficos de las curvas IDF

Figura A.4.1. Curva IDF Piscopd de 1 hora

Figura A.4.2. Curva IDF Senamhi de 1 hora

116
Figura A.4.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.4.4. Curva IDF de 1 a 24 horas Senamhi

117
A.5. ESTACION CHUQUIBAMBILLA

Tabla A.5.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Chuquibambilla
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 28.266 46.6
1982 25.524 26
1983 16.784 15.6
1984 33.719 41.6
1985 22.314 25.5
1986 21.641 26.8
1987 36.367 35.8
1988 27.494 31.3
1989 25.969 27
1990 20.733 27.4
1991 44.227 42.2
1992 24.648 35.7
1993 35.473 38.3
1994 25.962 35
1995 22.801 24.4
1996 24.083 24.2
1997 31.899 36.2
1998 28.451 28
1999 22.614 26.5
2000 22.696 22.3
2001 23.615 52.7
2002 26.802 25.3
2003 28.598 47.8
2004 28.505 41.6
2005 36.347 34.1
2006 36.868 38.8
2007 34.252 27.9
2008 30.463 36.2
2009 22.609 26.6
2010 38.859 59.2
2011 24.000 24.6
2012 25.088 31
2013 21.694 31.5
2014 25.970 32.1
2015 26.374 47.6
2016 28.551 38.1

118
Gráficos de las curvas IDF

Figura A.5.1. Curva IDF Piscopd de 1 hora

Figura A.5.2. Curva IDF Senamhi de 1 hora

119
Figura A.5.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.5.4. Curva IDF de 1 a 24 horas Senamhi

120
A.6. ESTACION COJATA

Tabla A.6.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Cojata
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 21.779 35
1982 42.839 33.1
1983 19.013 34
1984 24.025 33.6
1985 21.883 68.9
1986 21.601 31
1987 55.360 35.1
1988 44.160 38.6
1989 22.729 24.8
1990 21.046 25
1991 27.102 26.7
1992 47.440 55.5
1993 18.813 23.7
1994 21.010 34
1995 24.022 27.5
1996 20.930 20.2
1997 33.922 45.4
1998 14.554 22.1
1999 26.678 32.5
2000 20.506 21.6
2001 27.120 28.1
2002 22.501 34.4
2003 35.078 61.1
2004 16.855 30.6
2005 19.241 19.2
2006 14.180 40.9
2007 22.167 29.6
2008 21.694 22.6
2009 24.146 25
2010 19.607 35.6
2011 21.947 32.4
2012 21.821 24
2013 24.025 22
2014 17.561 23
2015 30.537 27.6
2016 33.588 28.1

121
Gráficos de las curvas IDF

Figura A.6.1. Curva IDF Piscopd de 1 hora

Figura A.6.2. Curva IDF Senamhi de 1 hora

122
Figura A.6.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.6.4. Curva IDF de 1 a 24 horas Senamhi

123
A.7. ESTACION CRUCERO

Tabla A.7.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Crucero
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1999 20.106 26.8
2000 27.000 18.5
2001 21.365 31.7
2002 27.534 37.8
2003 30.800 39.4
2004 21.966 21.7
2005 57.578 17.6
2006 24.414 22.4
2007 19.655 22
2008 22.308 23.7
2009 16.475 26.4
2010 31.044 32.1
2011 20.888 25.4
2012 25.512 18.2
2013 24.232 33
2014 21.443 20.7
2015 22.321 45.3
2016 29.983 16.2

124
Gráficos de las curvas IDF

Figura A.7.1. Curva IDF Piscopd de 1 hora

Figura A.7.2. Curva IDF Senamhi de 1 hora

125
Figura A.7.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.7.4. Curva IDF de 1 a 24 horas Senamhi

126
A.8. ESTACION HUANCANE

Tabla A.8.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Huancane
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 36.943 42.2
1982 38.844 38.2
1983 15.955 21.2
1984 41.965 46.6
1985 38.247 42.2
1986 38.656 39.4
1987 24.974 58
1988 37.646 52.4
1989 32.037 35.2
1990 23.251 23.8
1991 35.650 58
1992 27.213 48.5
1993 29.996 34.2
1994 27.301 68.7
1995 33.392 35
1996 23.330 51.6
1997 30.678 38.6
1998 28.524 54.5
1999 22.205 45
2000 22.524 28.4
2001 31.128 29.7
2002 26.315 32
2003 37.315 39.2
2004 32.229 35.9
2005 24.455 26.4
2006 25.394 31.6
2007 25.538 34.6
2008 37.481 43.9
2009 23.855 25.3
2010 21.165 20.6
2011 31.220 32.2
2012 28.467 27.4
2013 55.504 44.1
2014 27.251 27.4
2015 30.173 30.2
2016 49.652 49.8

127
Gráficos de las curvas IDF

Figura A.8.1. Curva IDF Piscopd de 1 hora

Figura A.8.2. Curva IDF Senamhi de 1 hora

128
Figura A.8.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.8.4. Curva IDF de 1 a 24 horas Senamhi

129
A.9. ESTACION ILAVE

Tabla A.9.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Ilave
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1984 28.454 44
1985 25.307 37
1986 40.382 40.2
1987 23.714 29
1988 31.648 26.2
1989 29.958 39.5
1990 33.079 32.2
1991 21.996 25.8
1992 26.244 30.7
1993 28.090 28.8
1994 25.637 30.4
1995 20.774 23
1996 24.755 28.2
1997 32.291 36.9
1998 22.903 20.6
1999 37.764 39.7
2000 27.958 27.6
2001 33.041 36.2
2002 33.332 33.2
2003 24.230 26.1
2004 27.080 28.7
2005 23.029 23.2
2006 42.944 46
2007 29.693 29.3
2008 31.438 38.1
2009 31.417 36
2010 24.279 27.4
2011 42.515 43.7
2012 35.705 36.1
2013 35.745 29.1
2014 31.087 33.3
2015 31.562 30.5
2016 29.378 28.6

130
Gráficos de las curvas IDF

Figura A.9.1. Curva IDF Piscopd de 1 hora

Figura A.9.2. Curva IDF Senamhi de 1 hora

131
Figura A.9.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.9.4. Curva IDF de 1 a 24 horas Senamhi

132
A.10. ESTACION LAMPA

Tabla A.10.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Lampa
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 33.832 49
1982 24.901 64
1983 25.237 24.5
1984 29.517 50.4
1985 39.203 48.3
1986 20.358 37
1987 30.444 36.6
1988 42.793 35.7
1989 33.214 22.2
1990 35.482 30.3
1991 30.082 28.8
1992 28.261 39.3
1993 34.637 29.9
1994 24.768 35.2
1995 28.177 24.7
1996 29.210 42.7
1997 52.881 31.4
1998 24.475 32.8
1999 25.692 32.7
2000 25.371 33.4
2001 31.886 38.1
2002 31.978 36.9
2003 22.993 36.7
2004 26.003 43.8
2005 57.385 49.6
2006 33.288 27.1
2007 35.567 35.6
2008 23.086 34.7
2009 29.076 54.7
2010 20.128 25.6
2011 43.105 33.7
2012 26.692 27.4
2013 27.436 35.4
2014 24.738 28.5
2015 51.065 34.9
2016 29.552 31.2

133
Gráficos de las curvas IDF

Figura A.10.1. Curva IDF Piscopd de 1 hora

Figura A.10.2. Curva IDF Senamhi de 1 hora

134
Figura A.10.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.10.4. Curva IDF de 1 a 24 horas Senamhi

135
A.11. ESTACION LARAQUERI

Tabla A.11.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Laraqueri
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1995 38.419 38.7
1996 38.304 41.8
1997 35.270 49.5
1998 33.070 33.8
1999 25.284 24.2
2000 35.446 35.6
2001 33.539 51.6
2002 23.114 22
2003 25.672 25.6
2004 29.502 28.8
2005 34.501 54.8
2006 37.191 36.7
2007 30.163 35.6
2008 23.384 22.5
2009 29.831 29.4
2010 24.505 25.7
2011 36.483 33.8
2012 42.451 45.8
2013 28.702 32.2
2014 31.498 32.3
2015 26.568 28.5
2016 32.328 34

136
Gráficos de las curvas IDF

Figura A.11.1. Curva IDF Piscopd de 1 hora

Figura A.11.2. Curva IDF Senamhi de 1 hora

137
Figura A.11.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.11.4. Curva IDF de 1 a 24 horas Senamhi

138
A.12. ESTACION MAÑAZO

Tabla A.12.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion -Mañazo
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1993 24.806 24.8
1994 30.670 49
1995 20.473 30.9
1996 37.369 53
1997 26.810 29.1
1998 31.243 43.8
1999 29.777 31.9
2000 24.073 24.6
2001 45.824 54
2002 23.769 30.1
2003 20.940 24.1
2004 26.767 24.3
2005 45.411 45.1
2006 32.157 39.9
2007 33.334 30.2
2008 27.948 27
2009 26.077 29.8
2010 23.153 28.8
2011 37.845 35.5
2012 22.434 28.1
2013 24.757 24.7
2014 30.989 44.4
2015 25.737 27.5
2016 37.554 39.3

139
Gráficos de las curvas IDF

Figura A.12.1. Curva IDF Piscopd de 1 hora

Figura A.12.2. Curva IDF Senamhi de 1 hora

140
Figura A.12.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.12.4. Curva IDF de 1 a 24 horas Senamhi

141
A.13. ESTACION MAZO CRUZ

Tabla A.13.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Mazo Cruz

Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 20.841 24
1982 15.901 32
1983 15.179 13.4
1984 24.061 28
1985 24.007 28
1986 36.369 45
1987 25.815 21.8
1988 51.044 23.7
1989 17.733 30.4
1990 26.890 21.7
1991 17.594 9.2
1992 22.533 20
1993 32.140 26.8
1994 26.406 26.9
1995 18.011 17.8
1996 22.702 25.4
1997 23.237 35.4
1998 19.282 20
1999 24.209 29
2000 24.505 27.4
2001 23.074 25.8
2002 24.020 22.6
2003 21.980 21.6
2004 21.296 22.4
2005 30.129 37
2006 32.683 34
2007 20.230 19.6
2008 23.495 27.8
2009 21.288 25.4
2010 21.979 24.6
2011 26.012 26.4
2012 34.500 34.6
2013 21.332 33.2
2014 24.547 38.2
2015 21.566 30
2016 30.651 40.6

142
Gráficos de las curvas IDF

Figura A.13.1. Curva IDF Piscopd de 1 hora

Figura A.13.2. Curva IDF Senamhi de 1 hora

143
Figura A.13.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.13.4. Curva IDF de 1 a 24 horas Senamhi

144
A.14. ESTACION MUÑANI

Tabla A.14.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Muñani
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 23.754 31.1
1982 30.244 27.5
1983 16.770 17.6
1984 24.082 40.4
1985 28.602 23.6
1986 21.208 27.6
1987 25.637 25.7
1988 21.672 27.7
1989 19.121 26.6
1990 24.372 31
1991 17.961 28.3
1992 33.911 31
1993 19.010 20.8
1994 31.372 24.5
1995 33.730 31
1996 36.259 24.2
1997 23.312 38.2
1998 17.941 21.8
1999 14.990 30.2
2000 25.179 20.7
2001 27.684 32.7
2002 23.629 20.4
2003 23.235 29.6
2004 30.236 32.2
2005 19.905 30.1
2006 18.838 29.2
2007 20.624 22.2
2008 30.107 33.4
2009 36.815 20
2010 17.919 25
2011 15.649 35.8
2012 29.549 37.9
2013 24.901 32
2014 20.897 32.3
2015 28.294 29.8
2016 26.559 26.6

145
Gráficos de las curvas IDF

Figura A.14.1. Curva IDF Piscopd de 1 hora

Figura A.14.2. Curva IDF Senamhi de 1 hora

146
Figura A.14.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.14.4. Curva IDF de 1 a 24 horas Senamhi

147
A.15. ESTACION PAMPAHUTA

Tabla A.15.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion -Pampahuta
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 35.309 45.3
1982 22.609 22.9
1983 26.286 30.4
1984 36.217 43.6
1985 45.386 32.6
1986 30.534 35.7
1987 23.531 25.2
1988 23.347 32.4
1989 36.772 34.3
1990 15.258 27.1
1991 27.023 32.1
1992 28.359 36.6
1993 33.739 36.3
1994 32.832 37.3
1995 21.350 25.4
1996 26.135 39.8
1997 38.625 42.3
1998 29.976 38
1999 34.408 38.6
2000 31.134 34.4
2001 28.758 49.9
2002 34.861 47.9
2003 32.654 36.4
2004 37.310 40
2005 31.241 43.3
2006 27.280 33.1
2007 28.271 33
2008 31.073 38.6
2009 30.561 26.3
2010 28.916 32.7
2011 30.028 31.1
2012 31.812 49.9
2013 27.803 29
2014 33.101 44.8
2015 37.244 37.8
2016 28.474 28

148
Gráficos de las curvas IDF

Figura A.15.1. Curva IDF Piscopd de 1 hora

Figura A.15.2. Curva IDF Senamhi de 1 hora

149
Figura A.15.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.15.4. Curva IDF de 1 a 24 horas Senamhi

150
A.16. ESTACION PIZACOMA

Tabla A.16.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Pizacoma
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1986 18.999 45.1
1987 29.331 27
1988 15.616 40.8
1989 14.262 34.7
1990 11.769 22.9
1991 13.344 35.6
1992 13.301 33.2
1993 13.548 41.5
1994 19.581 36.2
1995 15.157 24.1
1996 20.903 25.7
1997 19.350 33.4
1998 13.297 28.4
1999 19.623 29
2000 19.163 38.7
2001 19.344 41.7
2002 16.519 44.2
2003 9.796 34.4
2004 17.034 37.1
2005 19.475 45.5
2006 37.884 46
2007 15.785 44.6
2008 15.438 25.4
2009 14.353 27.2
2010 19.273 23.2
2011 15.772 37.8
2012 21.162 61.2
2013 25.438 32.3
2014 12.218 27
2015 14.186 28
2016 20.593 26.3

151
Gráficos de las curvas IDF

Figura A.16.1. Curva IDF Piscopd de 1 hora

Figura A.16.2. Curva IDF Senamhi de 1 hora

152
 Curvas IDF - Piscopd - Pizacoma
9.000
Intensidad de Precipitacion (mm/hr) 8.000
7.000
6.000
5.000
4.000
3.000
2.000
1.000
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.16.3. Curva IDF de 1 a 24 horas Piscopd

Curvas IDF - Senamhi - Pizacoma

16.000
Intensidad de Precipitacion (mm/hr)

14.000
12.000
10.000
8.000
6.000
4.000
2.000
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.16.4. Curva IDF de 1 a 24 horas Senamhi

153
A.17. ESTACION PROGRESO

Tabla A.17.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Progreso
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 24.915 27.5
1982 27.353 27.7
1983 19.747 19.1
1984 22.164 17.9
1985 21.263 21.7
1986 25.973 28.5
1987 18.967 44.6
1988 21.475 21.5
1989 21.673 38.1
1990 27.880 25
1991 22.171 24.8
1992 19.547 20.9
1993 23.975 28.2
1994 32.560 30.2
1995 34.368 34.2
1996 27.985 30
1997 30.826 37.4
1998 27.314 28
1999 27.097 26.2
2000 21.340 25.6
2001 22.893 30.5
2002 27.426 41.2
2003 30.385 29.8
2004 23.285 26.2
2005 21.928 42.6
2006 25.391 25
2007 19.453 28.4
2008 24.306 28.8
2009 29.666 29.4
2010 35.136 37.6
2011 22.125 42.8
2012 32.949 32.6
2013 21.558 38.6
2014 40.105 41.4
2015 28.567 33.8
2016 36.783 38

154
Gráficos de las curvas IDF

Curvas IDF - Piscopd - Progreso

80.000
Intensidad de Precipitacion (mm/hr)

70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.17.1. Curva IDF Piscopd de 1 hora

Curvas IDF - Senamhi - Progreso

100.000
Intensidad de Precipitacion (mm/hr)

90.000
80.000
70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.17.2. Curva IDF Senamhi de 1 hora

155
 Curvas IDF - Piscopd - Progreso
12.000
Intensidad de Precipitacion (mm/hr)
10.000

8.000

6.000

4.000

2.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.17.3. Curva IDF de 1 a 24 horas Piscopd

Curvas IDF - Senamhi - Progreso

14.000
Intensidad de Precipitacion (mm/hr)

12.000

10.000

8.000

6.000

4.000

2.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.17.4. Curva IDF de 1 a 24 horas Senamhi

156
A.18. ESTACION PUCARA

Tabla A.18.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Pucara
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 36.552 37.3
1982 34.777 40.7
1983 23.256 23.9
1984 34.779 43.4
1985 27.090 28.7
1986 27.485 27.6
1987 30.576 33.8
1988 31.153 36
1989 33.270 33.1
1990 26.040 33.4
1991 32.880 33.1
1992 21.916 29.4
1993 36.107 38.2
1994 33.196 35.9
1995 26.246 26
1996 18.182 46.6
1997 30.209 32.4
1998 36.935 37
1999 23.045 22.6
2000 28.186 28.6
2001 29.654 68
2002 38.477 40.2
2003 41.062 40.5
2004 28.179 76.4
2005 30.293 55.6
2006 35.928 47.8
2007 25.094 25.7
2008 24.578 23
2009 29.055 45
2010 23.101 24
2011 20.225 20.4
2012 34.022 49.2
2013 34.889 35
2014 30.852 31.6
2015 26.484 39.8
2016 28.186 29.4

157
Gráficos de las curvas IDF

Curvas IDF - Piscopd - Pucara

80.000
Intensidad de Precipitacion (mm/hr)

70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.18.1. Curva IDF Piscopd de 1 hora

Curvas IDF - Senamhi - Pucara

140.000
Intensidad de Precipitacion (mm/hr)

120.000

100.000

80.000

60.000

40.000

20.000

0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.18.2. Curva IDF Senamhi de 1 hora

158
 Curvas IDF - Piscopd - Pucara
12.000
Intensidad de Precipitacion (mm/hr)
10.000

8.000

6.000

4.000

2.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.18.3. Curva IDF de 1 a 24 horas Piscopd

Curvas IDF - Senamhi - Pucara

20.000
Intensidad de Precipitacion (mm/hr)

18.000
16.000
14.000
12.000
10.000
8.000
6.000
4.000
2.000
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.18.4. Curva IDF de 1 a 24 horas Senamhi

159
A.19. ESTACION SANTA ROSA

Tabla A.19.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Santa Rosa

Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1986 28.466 30.8
1987 42.295 25.4
1989 25.516 20.5
1990 22.739 27.8
1991 53.990 31.9
1992 14.653 14.5
1993 35.008 22.5
1994 21.609 24.5
1995 33.728 42.1
1996 24.352 29
1997 29.597 35.1
1998 31.099 33
1999 30.059 35
2000 31.308 30.3
2001 27.606 34.5
2002 27.253 24.5
2003 32.631 31.9
2004 26.838 25.7
2005 28.010 29.4
2006 37.969 43.5
2007 26.194 26.7
2008 24.130 25
2009 18.355 22.8
2010 31.235 41
2011 28.477 27.3
2012 22.566 22.1
2013 29.373 27.7
2014 30.528 31.6
2015 23.342 32.3
2016 21.800 25.2

160
Gráficos de las curvas IDF

Curvas IDF - Piscopd - Santa Rosa

90.000
Intensidad de Precipitacion (mm/hr)

80.000
70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.19.1. Curva IDF Piscopd de 1 hora

Curvas IDF - Senamhi - Santa Rosa

80.000
Intensidad de Precipitacion (mm/hr)

70.000
60.000
50.000
40.000
30.000
20.000
10.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.19.2. Curva IDF Senamhi de 1 hora

161
 Curvas IDF - Piscopd - Santa Rosa
14.000
Intensidad de Precipitacion (mm/hr)
12.000

10.000

8.000

6.000

4.000

2.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.19.3. Curva IDF de 1 a 24 horas Piscopd

Curvas IDF - Senamhi - Santa Rosa

12.000
Intensidad de Precipitacion (mm/hr)

10.000

8.000

6.000

4.000

2.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.19.4. Curva IDF de 1 a 24 horas Senamhi

162
A.20. ESTACION TAMBOPATA

Tabla A.20.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Tambopata
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 51.472 68.5
1982 54.176 72.4
1983 62.033 70.9
1984 52.286 67.4
1985 47.650 76.5
1986 54.487 68.7
1987 40.251 52.7
1988 58.132 69.3
1989 34.928 40.2
1990 59.818 60.7
1991 46.757 74
1992 68.794 71
1993 52.215 64
1994 52.352 60.8
1995 58.133 82.5
1996 62.126 75.6
1997 57.382 57.7
1998 60.513 60.3
1999 42.228 69.6
2000 47.893 105.1
2001 57.821 64.1
2002 56.641 55.6
2003 48.983 49.2
2004 52.004 53.1
2005 54.455 82.3
2006 57.688 59
2007 43.912 44.1
2008 55.370 81.2
2009 63.320 61.3
2010 97.111 47
2011 83.129 62
2012 76.390 45.5
2013 60.320 71
2014 65.373 60.4
2015 56.403 71
2016 73.557 38.5

163
Gráficos de las curvas IDF

Curvas IDF - Piscopd - Tambopata

160.000
Intensidad de Precipitacion (mm/hr)

140.000
120.000
100.000
80.000
60.000
40.000
20.000
0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.20.1. Curva IDF Piscopd de 1 hora

Figura A.20.2. Curva IDF Senamhi de 1 hora

164
Figura A.20.3. Curva IDF de 1 a 24 horas Piscopd

Figura A.20.4. Curva IDF de 1 a 24 horas Senamhi

165
A.21. ESTACION TARACO

Tabla A.21.1. Precipitaciones máximas anuales de 24 horas Senamhi y Piscopd

Estacion - Taraco
Precipitacion maxima en 24 horas (mm)
AÑO Piscopd Senamhi
1981 22.959 24.2
1982 27.748 28
1983 23.556 25
1984 33.294 39.5
1985 30.712 49.5
1986 34.356 53
1987 27.501 40
1988 32.853 31.5
1989 26.709 36
1990 25.105 48.1
1991 25.392 26.8
1992 22.766 43
1993 23.013 20.4
1994 28.945 34.2
1995 32.185 66.4
1996 26.726 22.4
1997 31.406 52.2
1998 33.791 55.8
1999 18.184 23.6
2000 23.953 26
2001 29.499 28
2002 20.469 20.4
2003 24.520 24.6
2004 24.568 43
2005 30.082 64
2006 25.508 48.8
2007 25.943 46.8
2008 25.484 28.6
2009 22.729 50.2
2010 23.813 21.4
2011 23.656 23.6
2012 28.430 28.4
2013 29.085 32.6
2014 23.216 36.8
2015 24.452 28.4
2016 32.869 33.2

166
Gráficos de las curvas IDF

Curvas IDF - Piscopd - Taraco

70.000
Intensidad de Precipitacion (mm/hr)

60.000

50.000

40.000

30.000

20.000

10.000

0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.21.1. Curva IDF Piscopd de 1 hora

Curvas IDF - Senamhi - Taraco

140.000
Intensidad de Precipitacion (mm/hr)

120.000

100.000

80.000

60.000

40.000

20.000

0.000
0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.21.2. Curva IDF Senamhi de 1 hora

167
 Curvas IDF - Piscopd - Taraco
10.000
Intensidad de Precipitacion (mm/hr) 9.000
8.000
7.000
6.000
5.000
4.000
3.000
2.000
1.000
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.21.3. Curva IDF de 1 a 24 horas Piscopd

Curvas IDF - Senamhi - Taraco

21.000
Intensidad de Precipitacion (mm/hr)

18.000

15.000

12.000

9.000

6.000

3.000

0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
Duracion (hr)

T=2 T=5 T=10 T=25 T=50 T=100

Figura A.21.4. Curva IDF de 1 a 24 horas Senamhi

168
COMPARACIÓN DE LAS CURVAS INTENSIDAD-DURACIÓN-
FRECUENCIA GENERADAS A PARTIR DE LAS ESTACIONES
PLUVIOMÉTRICAS Y DEL PRODUCTO GRILLADO PISCO DE
PRECIPITACIÓN EN EL DEPARTAMENTO DE PUNO
INFORME DE ORIGINALIDAD

3 %
INDICE DE SIMILITUD
5%
FUENTES DE INTERNET
3%
PUBLICACIONES
1%
TRABAJOS DEL
ESTUDIANTE

FUENTES PRIMARIAS

1
repositorio.unap.edu.pe
Fuente de Internet 1%
2
repositorio.unfv.edu.pe
Fuente de Internet 1%
3
repositorio.unamba.edu.pe
Fuente de Internet 1%
4
repositorio.unsaac.edu.pe
Fuente de Internet 1%
5
repositorio.ucv.edu.pe
Fuente de Internet 1%

Excluir citas Apagado Excluir coincidencias < 1%

Excluir bibliografía Apagado