Series de Tiempo

Revista Colombiana de Estadstica
Junio 2008, volumen 31, no. 1, pp. 41 a 65
Anlisis de la tendencia y la estacionalidad de la

precipitacin mensual en Venezuela
Trend and Seasonality Assessment for Monthly Precipitation in
Venezuela
Lelys Guenni1,a , Edgard Degryze2,b , Katiuska Alvarado2,c
1 Departamento
2 Centro
de Cmputo Cientfico y Estadstica, Universidad Simn Bolvar,

Caracas, Venezuela
de Estadstica y Software Matemtico, Universidad Simn Bolvar,

Caracas, Venezuela
Resumen
En este artculo se analizan los datos de 113 estaciones de precipitacin mensual disponibles para aos recientes en Venezuela. Los datos provienen de la red de estaciones climticas de la Corporacin Venezolana de
Guayana-Electrificacin del Caron (CVG-EDELCA), la Fuerza Area Venezolana (FAV) y el Ministerio del Ambiente y de los Recursos Naturales
(MARN). Se hace un anlisis de homogeneidad utilizando la prueba de Alexandersson (Alexandersson 1986) para determinar si existen estaciones con
cambios importantes en la media de la serie que no forman parte de la variabilidad climtica interanual. Se ajustan modelos lineales con componente
de tendencia, estacionalidad y errores autorregresivos utilizando el mtodo
de mnimos cuadrados generalizados. Se comparan distintos modelos para
determinar si el componente de tendencia debe o no debe ser incluido en el
modelo as como la representacin del componente estacional con uno o dos
armnicos, para describir el comportamiento unimodal o bimodal de la precipitacin a lo largo del ao. Se utiliza el criterio de informacin bayesiana
(CIB) para la seleccin de los modelos propuestos. Los valores de tendencia
estimados y la significancia del componente de tendencia son representados
espacialmente. Se encuentra que la zona norte costera y la mayor parte de la
regin andina presentan una tendencia negativa en la precipitacin. Por el
contrario, la zona sureste del estado Bolvar presenta una tendencia positiva.
Sin embargo, el componente de tendencia no es significativo para la mayora
de las estaciones. Adems, el patrn estacional est mejor representado por
un modelo con dos armnicos, dadas las caractersticas estacionales de las
estaciones analizadas.
Palabras clave: precipitacin mensual, tendencia, estacionalidad, seleccin
de modelos, series de tiempo.
a Profesor
titular. E-mail: lbravo@cesma.usb.ve

de investigacin. E-mail: edgardegryze@cesma.usb.ve
c Estudiante de maestra. E-mail: katiuska@cesma.usb.ve
b Asistente
41
42
Lelys Guenni, Edgard Degryze & Katiuska Alvarado

Abstract
This paper analyzes data from 113 Venezuelan monthly precipitation stations for recent years. The data come from the climatic network from the
Venezuelan Guayana Coorporation- Caroni Electrification (CVG-EDELCA),
the Venezuelan Air Force (FAV), and the Ministry of Environment and Natural Resources (MARN). An homogeneity test is carried out by using Alexanderssons test (Alexandersson 1986) to detect locations with important
changes in the mean, which are not part of the natural climate variability.
Linear models with a trend component, a seasonal component and autoregressive errors are fitted by using Generalized Least Squares. Different
models are compared to determine whether the trend component should be
included within the model, as well as the seasonal component with one or
two harmonics, depending on whether the precipitation presents a single or
two modes along the year. The Bayesian Information Criteria (BIC) is used
for model selection. The estimated trend values and the significance of the
trend component are spatially represented. It is found that in the northern
coastal region and most of the Andean region precipitation trends are negative. On the contrary, southeast of Bolvar state presents a positive trend.
However, the model trend component is not significant for most locations.
Moreover, the seasonal pattern is best represented with a model with two
harmonics, given the seasonal characteristics of the analyzed locations.
Key words: Monthly precipitation, Trend, Seasonality, Selection of models,
Time series.
1. Introduccin
El anlisis de los cambios en la precipitacin a distintas escalas espaciales y
temporales es un tema de suma importancia para Venezuela y para el nivel global
(De Luis et al. 2000, Gonzlez-Hidalgo et al. 2001, Martelo 2004). La precipitacin
es un componente fundamental del sistema climtico; en los actuales momentos
existe un amplio consenso sobre la necesidad de profundizar el conocimiento sobre
su variabilidad espacial y temporal dentro del contexto del cambio climtico global
(Solomon et al. 2007, p. 996).
En el nivel nacional, la caracterizacin de la precipitacin representa un papel
fundamental en el comportamiento de los sistemas agroecolgicos del pas, en la
dinmica de ciertas enfermedades endmicas como la malaria y el dengue, y en
la distribucin espacial y la frecuencia de eventos hidrometeorolgicos extremos,
causantes de deslaves e inundaciones.
Una de las limitaciones de muchos pases, incluido Venezuela, para profundizar en estos anlisis es la disponibilidad de datos climticos de buena calidad, en
particular datos de precipitacin en forma de series de tiempo de larga duracin
(al menos de 20 aos) y con una distribucin espacial que permita analizar simultneamente el problema de la variabilidad temporal y espacial para todo el
pas.
En Venezuela existen varias instituciones que mantienen redes de estaciones
meteorolgicas e hidromtricas. Entre ellas podemos mencionar: Ministerio del
Revista Colombiana de Estadstica 31 (2008) 4165
Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela
43
Ambiente y de los Recursos Naturales (MARN), con la red ms extensa; Instituto

Nacional de Investigaciones Agrcolas (INIA), que mantiene una red al servicio de
las ciencias agrcolas y la actividad agropecuaria nacional; Corporacin Venezolana
de Guayana y Electrificacin del Caron (CVG-EDELCA), con una red de estaciones hidrometeorolgicas mayormente localizadas en el estado Bolvar, cuyo fin
primordial es la cuantificacin de los recursos hdricos de la zona; las Fuerzas Areas Venezolanas (FAV), que mantienen la red nacional ms importante al servicio
de la aviacin venezolana; y la Armada Venezolana, cuya red de estaciones sirve
a la navegacin. En el caso de la precipitacin, en el pas se dispone de alrededor
de unas 1200 estaciones, muchas de las cuales no operan en la actualidad.
En este artculo se pretende estimar simultneamente la tendencia y la estacionalidad para un conjunto de estaciones de precipitacin de la red de meteorolgica
nacional. La mayora de las estaciones consideradas tienen datos de precipitacin
mensual hasta 1999; en cuanto a la distribucin espacial, muchas se encuentran en
la parte norte del ro Orinoco.
En la seccin 2 se describe el conjunto de estaciones seleccionadas de la red
climatolgica nacional, se explican los criterios de calidad utilizados para manipular los datos y se describen las pruebas de homogeneidad aplicadas a las series de
tiempo para asegurar que los datos de las estaciones utilizadas cumplan las condiciones de homogeneidad requeridas. En la seccin 3 se presenta una descripcin
de los modelos utilizados para representar la tendencia y la estacionalidad de las
series analizadas. Los resultados obtenidos en el proceso de seleccin de modelos
y estimacin de parmetros son presentados en la seccin 4. Estos resultados son
discutidos en la seccin 5, en la que tambin se presentan las consideraciones finales
de este trabajo, as como las posibles extensiones del mismo.
2. Descripcin de los datos y control de calidad de

la informacin
2.1. Estaciones seleccionadas para el anlisis
El rea de estudio comprende todo el territorio nacional, como se indica en la
figura 1. Para el anlisis planteado en esta investigacin, se utilizaron datos de un
total de 113 estaciones climatolgicas. Las estaciones climatolgicas forman parte
de la red de estaciones del Ministerio del Ambiente y de los Recursos Naturales
(MARN), la Fuerza Area Venezolana (FAV) y CVG- Electrificacin del Caron
(CVG-EDELCA). De estas 113 estaciones, 77 se encuentran ubicadas al norte del
Orinoco con 49 aos de registro (1950-1998); 36 estaciones al sur del Orinoco, de
las cuales 18 tienen 30 aos de registro (1969-1998). El resto posee datos entre 1921
y 2002. En la figura 11 se muestra la distribucin espacial y los nombres del total
de estaciones utilizadas en el anlisis. Puede observarse que las estaciones no estn
uniformemente distribuidas, siendo las zonas de los Llanos, cordillera de Perij, sur
del Lago de Maracaibo y el delta del Orinoco las menos representadas. Segn la
Organizacin Meteorolgica Mundial (OMM), para el reporte de datos mensuales
44
de variables meteorolgicas de superficie, cada 250000 kilmetros cuadrados deben

estar representados por al menos una estacin meteorolgica. Sin embargo, la
densidad idnea de la red de estaciones depender del tipo de terreno y de la
cobertura superficial del rea de estudio. Lo ideal es que cada tipo de cobertura
(bosques, zonas urbanas, zonas agrcolas, etc.) est representada por un nmero
adecuado de estaciones (World Meteorological Organization 2007). En el Apndice
A (tabla 2) se presenta la lista de estaciones, se indica su ubicacin geogrfica
(latitud, longitud y altura) y el serial que las identifica.
2.2. Control de calidad y tratamiento de los datos faltantes,

datos acumulados y datos dudosos
Para el ajuste de los modelos estadsticos propuestos, se utilizan las series
de datos mensuales de precipitacin. Para algunas de las estaciones, se dispone
de informacin diaria; para otras localidades, se dispone de informacin a nivel
mensual.
Los datos analizados presentan muchos problemas de calidad, entre los cuales
podemos mencionar:
Estaciones con datos registrados utilizando distintas tecnologas de medicin; por ejemplo, estaciones automticas con transmisin satelital (GOES)
y sistema digital (SD), y estaciones tradicionales (medicin a travs de pluvimetros). Este es el caso de muchas de las estaciones de CVG-EDELCA,
para las cuales hubo un cambio de tecnologa de medicin y transmisin de
la informacin debido al proceso de modernizacin de la red de estaciones
de la empresa.
Estaciones con datos faltantes, para los cuales no se dispone de ningn registro.
Estaciones con datos acumulados, en los que existen muchos registros diarios
que son la suma de cierto nmero de registros precedentes cuyo valor se
desconoce.
Estaciones con datos estimados, para las cuales no se conoce el mtodo de
estimacin.
En el caso de las estaciones de CVG-EDELCA para las cuales se dispone de
ms de un tipo de registro en una localidad, se procedi a unificar las series de
datos siempre y cuando se dispusiera de al menos un ao de registro comn a
ambas tecnologas. Tambin se verific que la diferencia entre las observaciones
para el periodo de registro comn fuese de menos de 15 mm en ms del 90 % de
los casos. Solo con esta condicin se procedi a unificar las series de datos. Para
que una estacin pueda ser incluida en el anlisis, debe tener por lo menos 10 aos
de datos con un mximo de 20 % de datos faltantes.
Los datos diarios, los datos acumulados y los datos estimados (o dudosos) se
trataron como datos faltantes. Algunos de estos datos fueron sustituidos utilizando el siguiente criterio: para los meses que tenan a lo sumo cinco datos diarios
45
Figura 1: Localizacin de la zona de estudio.
faltantes, fueron completados con el promedio diario de por lo menos 10 aos de

registro del mismo mes y del mismo da. En el Apndice A (tabla 2) se muestra
una lista del nmero de estaciones y el porcentaje de datos utilizados en el anlisis
para cada estacin.
46
En el caso de los datos mensuales, los datos faltantes fueron completados utilizando solo el promedio mensual de los aos de registro, calculado a partir de al
menos 10 aos de datos histricos.
Es de notar que el procedimiento para la estimacin de datos faltantes es heurstico. Existen en la literatura procedimientos ptimos para la estimacin de datos
faltantes y programas computacionales como el TSW-TRAMO-SEATS for Windows (Caporello & Maravall 2004), basado en la metodologa de Gmez & Maravall
(1994). Dado que este no es el tema central del trabajo, se consider el uso de estrategias ms sencillas para facilitar el anlisis de las pruebas de homogeneidad, de
tendencia y de estacionalidad, las cuales se describen en las siguientes secciones.
2.3. Pruebas de homogeneidad

Antes de iniciar un estudio de las tendencias de la precipitacin en una regin
dada, es necesario asegurarse de que los cambios observados en la media se deban
a la dinmica natural del clima. Una serie climtica puede dejar de ser homognea si la estacin de medicin ha sufrido cambios de instrumentos, cambios de
emplazamiento o cambios de observador o de entorno (Saladi et al. 2005). Los
registros climticos son especialmente sensibles a estos tipos de cambios; por tanto, es necesario contar con una tcnica que permita comprobar esta hiptesis. Una
manera de verificar esta propiedad es confirmando si los cambios observados en
una serie candidato tambin son registrados en una estacin de referencia cercana.
La prueba ms conocida para este tipo de anlisis es la SNHT (Standard Normal
Homogeneity Test ), desarrollada por Alexandersson (1986) y aplicada por primera
vez a datos de precipitacin del suroeste de Suecia. Para las series de precipitacin
mensual, la prueba se aplica a los registros anuales de un mes particular o a los
registros anuales de las series, los cuales se obtienen al sumar los valores mensuales de cada ao. La prueba de Alexandersson ha sido aplicada en Venezuela por
Quintana-Gmez (1999) para datos de temperatura mxima y mnima.
El primer paso en el anlisis es escoger un conjunto de estaciones de referencia. En este caso se seleccionaron las estaciones de la Fuerza Area Venezolana,
consideradas las estaciones de referencia nacional, ya que forman parte de la red
de estaciones de reporte diario a la Organizacin Meteorolgica Mundial (OMM).
Una lista de estas estaciones se presenta en el Apndice A (tabla 2) de este artculo. Una vez escogidas las series de referencia se aplica la prueba estimando una
serie de cocientes {qi }N
i=1 entre el valor observado de la serie a la cual se aplica la
prueba y el valor obtenido de una o ms estaciones de referencia. El valor observado se compara con las estaciones de referencia disponibles para el estado donde se
encuentra ubicada la estacin candidata. En este caso se asume que las estaciones
situadas en un mismo estado tienen un rgimen de precipitacin cuyos cambios
de media, en caso de estar presentes, tambin estarn presentes en la estacin de
referencia considerada. Luego se estima la serie estandarizada de cocientes {zi }N
i=1 ,
para la cual
zi = (qi q)/sq
donde q y sq son la media y desviacin estndar muestral de la serie qi .
47
Sea 1 < N y 1 6= 2 , donde N es el nmero de aos de datos disponibles.

Se desea probar la hiptesis nula:
H0 : zi N (0, 1)
con respecto a la hiptesis alternativa:

H1 : zi N (1 , 1)
zi N (2 , 1)
i
i>
La hiptesis nula implica que la media de la serie estandarizada zi no cambia

con el tiempo, mientras que la hiptesis alternativa indica que para algn tiempo
existe un cambio en la media de la serie.
El estadstico de prueba para determinar si existe un cambio en la media de la
serie zi es
T0 = max {T }
1<N
donde
T = z 1 2 + (N )z 2 2
z 1 y z 2 son las medias muestrales de los primeros y ltimos (N ) valores
de la serie zi . Si T0 es mayor que cierto nivel crtico para determinado nivel de
significancia de la prueba, por ejemplo, del 95 %, se rechaza la hiptesis nula de
homogeneidad de la serie. En la tabla 1 se muestran los valores crticos para la
prueba con = 0.05 y = 0.10, segn Alexandersson (1986), para distintos
valores de N , que es la longitud de la serie.
Tabla 1: Valores crticos de la prueba de Alexandersson para = 0.10, = 0.05 y
distintos valores de N .
N
25
50
75
100
150
200
250
300
350
T90 %
6.55
7.25
7.65
7.80
8.05
8.20
8.35
8.50
8.60
T95 %
7.75
8.55
8.95
9.15
9.35
9.55
9.70
9.80
9.90
N
400
450
500
550
600
650
700
750
800
T90 %
8.70
8.75
8.85
8.90
8.95
8.95
9.00
9.05
9.05
T95 %
10.00
10.10
10.20
10.25
10.30
10.40
10.45
10.50
10.50
Una manera ms general de construir la serie de cocientes {qi }N

i=1 es definiendo
qi como
Si0
qi =
f (Sij )
donde Si0 es el valor de la serie a la cual se aplicar la prueba, y esta se indica con
el valor 0; f (Sij ) es una funcin del valor de la serie de la estacin de referencia j.
Tambin se pueden definir los cocientes qi para el ao i normalizando previamente
por la media muestral:
Si0 /S 0
qi =
f (Sij )/S j
48
La funcin f puede definirse como la media muestral de las k estaciones de

referencia:
k
1X
Sij
f (Sij ) =
k j=1
Otra forma de definir esta funcin es utilizando el coeficiente de correlacin
entre la estacin 0 y la estacin j para j = 1, . . . , k. En este caso,
Pk
2
j=1 Sij j
f (Sij ) = Pk
2
j=1 j
donde j es el coeficiente de correlacin entre Si0 y Sij . Se asume que este valor
decrece con la distancia lj que separa a ambas estaciones de modo que
j = exp(lj )
donde se estima a partir de los datos. Para la aplicacin de este ltimo criterio,
se necesitan al menos dos estaciones de referencia.
En resumen, se utilizan tres estrategias para aplicar la prueba de
Alexandersson, dependiendo del mtodo seleccionado para calcular los cocientes
qi : una en la que los cocientes se calculan sin normalizar por la media muestral
(T1 ); otra en la que los cocientes se normalizan por la media muestral (T2 ) y una
tercera en la que los cocientes utilizan la correlacin entre la estacin de referencia
y la estacin de prueba (T3 ).
La prueba de homogeneidad de Alexandersson fue aplicada a 60 de las 113
estaciones debido a que no para todas las estaciones existe una estacin de referencia de la FAV, localizada en el estado donde se ubica cada estacin. De estas
60 estaciones, 44 se compararon con solo una estacin de referencia, mientras que
las 16 estaciones restantes, todas ubicadas en el estado Bolvar, se compararon
con dos estaciones de referencia: la estacin Ciudad Bolvar y la Santa Elena. Los
resultados de esta prueba indican que 8 de las 60 estaciones fueron no homogneas
en un nivel de significancia del 5 %; en consecuencia, se eliminaron del resto del
anlisis (tabla 2). Antes de la aplicacin de la prueba se comprob la hiptesis de
normalidad de los cocientes qi mediante un grfico cuantil-cuantil que compara los
cuantiles de cada una de las series de cocientes con los cuantiles tericos de una
distribucin normal. Para dos de las 60 localidades (estaciones 1516 y 5924), no
se pudo asumir la normalidad de los cocientes resultantes; por tanto no se aplic
la prueba en esos casos.
Ejemplos de la aplicacin de la prueba de Alexandersson para tres localidades
utilizando los tres criterios mencionados anteriormente para calcular los cocientes
qi se presentan en las figuras 2, 3 y 4 para las estaciones Arekuna (estado Bolvar),
Uriman (estado Bolvar) y Sitio Oropeza (estado Miranda), respectivamente.
Puede observarse que mientras las estaciones Arekuna y Uriman (estado Bolvar) resultan homogneas por cualquiera de los tres criterios descritos, la estacin
Sitio Oropeza (estado Miranda) resulta no homognea con un cambio importante
en la media en 1983. En este caso solo pueden aplicarse los criterios 1 y 2, ya que
49

Grfico Sucesin Tv1
2.0
2.5
1.5
Tv1
Cuantiles muestrales
Grfico CuantilCuantil q1
2.0
1.0
0.5
1.5
0.0
2
1965
1970
1975
Cuantiles tericos
1980
1985
1990
1995
1990
1995
1990
1995
Aos
Grfico Sucesin Tv2
1.4
2.0
1.2
1.5
Tv2
2.5
1.0
1.0
0.5
0.8
0.0
2
1965
1975
1980
1985
Aos
Grfico Sucesin Tv3
1.3
1.5
1.1
Tv3
1970
Cuantiles tericos
0.9
1.0
0.5
0.0
0.7
2
0
Cuantiles tericos
1965
1970
1975
1980
1985
Aos
Figura 2: Grficos cuantil-cuantil de comparacin de los cocientes de la prueba de Alexandersson con los cuantiles de una distribucin normal y valores de los cocientes vs. ao para la estacin Arekuna.
nicamente se cuenta con una estacin de referencia en el estado Miranda, la de

Cajigal, y se necesitan al menos dos estaciones de referencia para la aplicacin del
criterio 3.
3. Descripcin de los modelos ajustados

La grfica de una serie de tiempo permite observar el comportamiento de la
misma en un periodo determinado; de esta manera se establecen visualmente ciertas caractersticas como la presencia o no de periodos cclicos (ciclos estacionales)
o de posibles cambios en la tendencia de la serie. En la figura 5 se presentan las
series de precipitacin mensual para algunas estaciones seleccionadas. Se observa un patrn cclico en toda su extensin, algunos valores extremos que indican
niveles de precipitacin elevados no muy frecuentes en la estacin. Adems, en
algunas grficas, los valores promedios parecen aumentar con el tiempo, como en
la estacin Cajigal, o disminuir con el tiempo, como en la estacin Santa Ins.
Otra manera eficaz de observar los ciclos estacionales predominantes en una
serie de precipitacin es usando los diagramas de caja, los cuales proveen tambin
valiosa informacin acerca del mes o los meses en que ocurren las observaciones
extremas.
50

Grfico Sucesin Tv1

4.0
3.0
4.0
Tv1
5.0
3.0
2.0
1.0
0.o
2.0
2
1960
1970
1980
Cuantiles tericos
Aos
Grfico Sucesin Tv2
1990
3.0
1.4
1.2
Tv2
1.6
1.0
2.0
1.0
0.8
0.0
2
1960
1970
Cuantiles tericos
1980
1990
Aos
Grfico Sucesin Tv3
1.3
2.0
1.1
Tv3
3.0
1.0
0.9
0.0
0.7
2
1960
Cuantiles tericos
1970
1980
1990
Aos
Figura 3: Grficos cuantil-cuantil de comparacin de los cocientes de la prueba de Alexandersson con los cuantiles de una distribucin normal y valores de los cocientes vs. ao para la estacin Uriman.
En la figura 6 se muestran seis estaciones con sus respectivos diagramas de

caja mensuales. En estos se puede observar claramente la presencia de un ciclo
anual con un mximo bien definido en las estaciones Rancho Grande, Santa Ins
y Kavanayn, y dos mximos anuales en las estaciones Cajigal, Villa del Rosario
y Santa Elena.
En trminos generales se puede observar que en Venezuela existen dos tipos
de ciclos: uno unimodal y otro bimodal. Para las estaciones con ciclo unimodal,
los niveles pluviomtricos ms altos ocurren en junio, julio y agosto, excepto en la
estacin Coro-Aeropuerto, donde el mximo ocurre en noviembre. Para las estaciones con ciclo bimodal, los valores mximos ocurren de abril a mayo o de septiembre
a octubre.
A partir de los anlisis grficos obtenidos, las series de precipitacin mensual de
Venezuela pueden ser representadas matemticamente por un modelo de la forma
Yt = Tt + St + t
(1)
donde Yt representa la precipitacin mensual en el mes t; Tt representa el componente de tendencia y St representa el componente estacional y t representa el
componente de error en el tiempo t.
51
Grfico Sucesin Tv1

15
1.4
10
1.2
Tv1
1.6
1.0
0.8
0.6
0
2
1950
1960
1970
1980
Cuantiles tericos
Aos
CuantilCuantil q2
Grfico Sucesin Tv2
1990
15
1.2
10
Tv2
1.4
1.0
0.8
0.6
0
2
1950
1960
1970
Cuantiles tericos
1980
1990
Aos
Figura 4: Grficos cuantil-cuantil de comparacin de los cocientes de la prueba de Alexandersson con los cuantiles de una distribucin normal y valores de los cocientes vs. ao para la estacin Sitio Oropeza.
Usualmente se asume que t es una secuencia independiente y tiene una distribucin normal con media cero y varianza constante 2 .
En el modelo (1) se asume que el componente Tt tiene la forma
Tt = + t
donde es el intercepto de la serie, y el parmetro representa la pendiente o
tendencia del proceso.
El componente S(t) se asume de la forma
St =
2
X
Ak cos(2kt/12 + k )
k=1
que representa un polinomio de Fourier con dos armnicos con periodos 12 y 6,

respectivamente, donde Ak es la amplitud y k es la fase del k-simo armnico.
St tambin puede escribirse como un modelo de la forma
St = 1 cos(2t/12) + 1 sen(2t/12) + 2 cos(4t/12) + 2 sen(4t/12)
donde i y i son los coeficientes que deben estimarse.
En el proceso de estimacin del modelo propuesto, es de suma importancia
determinar la significancia estadstica de los parmetros que definen Tt y St . Si
52

Estacin 9420 (Cajigal)
Estacin 2717 (Santa Ins)
350
Milmetros por mes
Milmetros por mes
400
250
150
300
200
100
50
0
0
1950
1960
1970
1980
1990
1950
1960
1970
1980
1990
Aos
Aos
Estacin 26 (San Pedro de las Bocas)
Estacin 5887 (La Paragua)
Milmetros por mes
Milmetros por mes
700
500
300
500
300
100
100
0
1965
1970
1975
1980
1985
1970
Aos
1975
1980
1985
1990
1995
Aos
Figura 5: Series de tiempo de precipitacin mensual para cuatro estaciones seleccionadas.
los errores t no son independientes y estn autocorrelacionados, los estimadores

de mnimos cuadrados de los parmetros que definen Tt y St tendrn una menor
varianza, lo cual implica que aumenta la probabilidad de cometer un error tipo
I en la prueba de significancia t-Student. Este problema es muy comn cuando
se intenta aplicar mtodos de pruebas de hiptesis estndar a series climticas u
otras series de datos geofsicos (Wilks 1997).
Al ajustar el modelo lineal (1) se verific la presencia o no de correlacin serial
de los residuales, utilizando el correlograma de los residuos del modelo ajustado
por mnimos cuadrados ordinarios a cada una de las series de precipitacin. En la
figura 7 se presentan los correlogramas para algunas de las series analizadas.
Estos correlogramas muestran que, por ejemplo, los residuales del modelo (1) de
la serie de precipitacin correspondientes a la estacin Villa del Rosario no parecen
estar autocorrelacionados, ya que los coeficientes de autocorrelacin para todos los
retardos se encuentran por debajo de los lmites de significancia. En cambio, para
las estaciones 60, 2172 y 2911, la autocorrelacin serial es significativa, ya que al
menos el coeficiente de autocorrelacin para el primer retardo sobrepasa los lmites
de significancia.
Con base en estos resultados se modifica el modelo (1), considerando uno autorregresivo de orden p (AR(p)) para los residuales de la forma
t =
p
X
i t1 + t
i=1
53

Estacin 9420 (Cajigal)
Estacin 426 (Rancho Grande)
Estacin 1071 (Villa del Rosario)

350
350
500
300
300
400
200
150
100
250
Milmetros por mes
Milmetros por mes
Milmetros por mes
250
300
200
100
50
0
Mar
May
Jul
Sept
Nov
150
100
50
0
Ene
200
0
Ene
Estacin 2717 (Santa Ins)
Mar
May
Jul
Sept
Nov
Ene
Estacin 6933 (Kavanayen)
Mar
May
Jul
Sept
Nov
Estacin 60 (Santa Elena)
700
400
500
600
400
200
Milmetros por mes
Milmetros por mes
Milmetros por mes
500
300
400
300
200
100
0
Ene
Mar
May
Jul
Sept
Nov
200
100
100
0
300
Ene
Mar
May
Jul
Sept
Nov
Ene
Mar
May
Jul
Sept
Nov
Figura 6: Boxplots mensuales para seis estaciones seleccionadas.
donde p es el orden del modelo autorregresivo y t es un componente de ruido

blanco. La presencia de un componente autorregresivo es una caracterstica muy
comn del comportamiento de muchas variables meteorolgicas. Por ejemplo, el
modelo AR(1) explica adecuadamente las variaciones de baja frecuencia que exhibe
el sistema climtico (Zwiers & Von Storch 1995) y puede ser necesario utilizar
modelos de mayor orden (p > 1) cuando se requiere una modelacin ms precisa
de las variables meteorolgicas.
Utilizando un proceso de seleccin de modelos es posible considerar distintas
formas de representar el comportamiento de la precipitacin mensual de Venezuela
a travs de los siguientes modelos:
Modelo 1: Modelo con tendencia y un armnico
Yt = + t + 1 cos(2t/12) + 1 sen(2t/12) + t
Modelo 2: Modelo con tendencia y dos armnicos
Yt = + t + 1 cos(2t/12) + 1 sen(2t/12)+
2 cos(4t/12) + 2 sen(4t/12) + t
Modelo 3: Modelo sin tendencia y un armnico
Yt = + 1 cos(2t/12) + 1 sen(2t/12) + t
54

Estacin 2911 (San Jos de Yaruara)
1.0
1.0
0.8
0.8
0.6
0.6
Correlacin
Correlacin
Estacin 2172 (Las Cruces)
0.4
0.4
0.2
0.2
0.0
0.0
10
20
30
40
10
Retardo
0.8
0.8
0.6
0.6
0.4
0.2
0.0
0.0
20
40
0.4
0.2
10
30
Estacin 1071 (Villa del Rosario)

1.0
Correlacin
Correlacin
Estacin 60 (Santa Elena)

1.0
20
Retardo
30
40
Retardo
10
20
30
40
Retardo
Figura 7: Correlogramas de los residuales del modelo 1 para cuatro estaciones seleccionadas.
Modelo 4: Modelo sin tendencia y dos armnicos

Yt = + 1 cos(2t/12) + 1 sen(2t/12)+
2 cos(4t/12) + 2 sen(4t/12) + t
donde t es un proceso autorregresivo de orden p.
En la primera etapa, el modelo (1) con componente de tendencia y estacionalidad se ajusta por mnimos cuadrados ordinarios para cada localidad. Luego
se estiman los residuales del modelo ajustado; el orden p del componente autorregresivo para los residuales del modelo se estima utilizando el criterio CIB de
comparacin de modelos. Una vez determinado el orden p, se reajustan los modelos
1 a 4 con residuales AR(p) utilizando Mnimos Cuadrados Generalizados mediante la funcin gls de la librera nmle de R (R Development Core Team 2007). Se
utiliza de nuevo el criterio CIB para seleccionar el mejor modelo en cada caso. Los
resultados son presentados en la siguiente seccin.
4. Resultados
Los modelos 1 a 4 fueron ajustados a las estaciones de estudio, descartando las
estaciones no homogneas segn el criterio de Alexandersson. Los resultados ms
55
importantes tienen que ver con la determinacin de la tendencia de la serie y su

significancia. En la mayora de los casos, el mejor modelo seleccionado segn el
criterio del CIB fue el modelo 4, lo cual implica que la mayora de las estaciones no
present un componente de tendencia significativo y el comportamiento estacional
puede ser representado con dos armnicos.
En la tabla 3 del Apndice A se muestran, para cada estacin, los coeficientes
del modelo ajustado, incluidos el coeficiente de media , el coeficiente del componente de tendencia , los coeficientes del componente estacional 1 y 1 para
el primer armnico, y 2 y 2 para el segundo armnico. Tambin se reportan los
valores del criterio CIB para los modelos 1 a 4 y el modelo seleccionado segn este
criterio. En cada caso se indica la significancia o no del componente de tendencia
y del segundo armnico.
Dado que hay un nmero importante de estaciones analizadas y es de sumo
inters determinar la variacin del comportamiento espacial de la tendencia nacional, se elabor un mapa con los valores de tendencia estimados al incluir el
componente de tendencia en el modelo. Luego se hizo una interpolacin por Kriging utilizando la librera spatial de R; posteriormente se emple el software
ArcGIS (ESRI 2006) para la produccin del mapa resultante (figura 8). All tambin se indica para cules estaciones result ser significativo o no el componente
de tendencia.
Figura 8: Mapa de tendencias de la precipitacin en mm por ao y significancia del

componente de tendencia en el modelo.
56
De esta grfica se desprende que la parte norte costera del pas presenta una
tendencia negativa en la precipitacin, al igual que la mayor parte de la zona
andina y la parte norte del estado Bolvar y gran parte de los estados Anzotegui
y Monagas. El componente de tendencia fue incluido en el modelo (1) para tres
localidades solamente, las cuales se indican en la figura 8. Para la mayora de las
localidades analizadas, el componente de tendencia no resulta estadsticamente
significativo, como se seala en la misma figura.
En la figura 9 se muestra el mapa de los errores estndar resultantes de la
interpolacin por Kriging en mm/ao. Efectivamente se observa que los errores de
interpolacin son ms altos en las regiones con poca cobertura de estaciones y en
las zonas alejadas de los puntos de medicin.
Figura 9: Mapa del Error Estndar de las tendencias de la precipitacin en mm por

ao.
El comportamiento unimodal o bimodal y el orden p del componente autorregresivo de las estaciones analizadas tambin fue representado espacialmente en las
figuras 10 y 11.
De los resultados obtenidos se concluye que mensualmente se detecta un rgimen bimodal en 39 de las 113 estaciones analizadas, ubicadas mayormente en
la regin de la cordillera de Los Andes y en el estado Zulia. En el resto de las
estaciones (74), el rgimen estacional es unimodal, aunque para representarlo sea
necesario un componente con dos armnicos, segn el criterio CIB de seleccin de
57
Figura 10: Rgimen estacional de la precipitacin mensual en Venezuela.
modelos. En 85 de las 113 estaciones la amplitud del primer armnico es mayor

que la amplitud del segundo; de estas 85, solo 11 presentan un rgimen bimodal.
Slo para las estaciones de Cocollar en el estado Sucre, Rancho Grande en el estado Aragua y Puerto Ayacucho en el estado Amazonas, el mejor modelo ajustado
result el modelo 3 (sin tendencia y con un armnico). El componente autorregresivo de los residuales es de orden 1 para la mayora de la estaciones a esa escala
temporal (nivel mensual).
Los resultados estadsticos que describen la estacionalidad de la precipitacin
en Venezuela coinciden con las caractersticas climticas de la regin. La variabilidad anual de la precipitacin en Venezuela est altamente influenciada por las
condiciones geogrficas dominantes: la presencia de la cordillera de La Costa y
su interaccin con el mar Caribe; la migracin de la Zona de Convergencia InterTropical y los impactos de los frentes fros de Norteamrica y del Sur (Brasil y
Argentina). Al oeste de los 70 W (regin Andina y estado Zulia), la mayora de
las estaciones presentan un rgimen bimodal que contrasta con el marcado mximo
que se observa en julio-agosto en la zona de los Llanos (Poveda et al. 2006). Los
mximos bimodales que ocurren en los periodos abril-mayo y septiembre-octubre
son altamente afectados por las condiciones orogrficas de la regin.
58
Figura 11: Orden del Componente Autorregresivo para el modelo de precipitacin mensual en Venezuela.
5. Conclusiones
Los resultados obtenidos representan un primer avance en analizar la situacin
de la precipitacin nacional en aos recientes. A pesar de que no se disponen de
datos actualizados para todas las estaciones, este artculo pretende consolidar un
esfuerzo interdisciplinario sobre la recuperacin de los datos histricos del clima
nacional, enfocndose en el anlisis de la calidad de la informacin y el resumen
de la variabilidad observada.
Aunque el componente de tendencia no sea significativo, los valores obtenidos
de pendientes negativas para la zona norte costera estn de acuerdo, al menos en
signo, con las proyecciones presentadas en la Primera Comunicacin Nacional sobre
el Cambio Climtico (MARN 2005). Los resultados reportados en dicha comunicacin son parte de un esfuerzo por entender cmo las condiciones de incremento de
gases de invernadero pueden afectar el clima nacional a partir de las proyecciones
de los modelos de Circulacin General de la Atmsfera. Las proyecciones de algunos modelos sugieren una reduccin de hasta el 25 % de la precipitacin promedio
anual en la zona norte-costera del pas para 2060. Los anlisis aqu presentados
sugieren que si las tasas de disminucin de la precipitacin (pendientes negativas)
observadas en aos recientes se mantienen en el futuro, en unos 50 aos se proyecta
59
una reduccin de 50 a 100 mm de precipitacin anual promedio en la zona norte

costera y en gran parte de la regin Andina. Sin embargo, en una situacin de
cambio climtico, es posible que estas tasas de cambio disminuyan an ms. Esta
situacin es preocupante dado que en esta regin se ubica el 80 % de la poblacin
nacional (Fuente: Instituto Nacional de Estadstica, INE, Censo 2001).
Las pendientes negativas tambin pueden ser una evidencia de una mayor actividad del fenmeno ENSO (El Nio-Southern Oscilation) en aos recientes, dado
el impacto negativo de la fase caliente de ENSO (El Nio) sobre la precipitacin
de la regin norte de Suramrica (Poveda et al. 2006).
En el anlisis presentado se ha asumido una modelacin estadstica sencilla
de las series de tiempo observadas, en la que se consideran cambios estticos en
la tendencia y en los patrones estacionales de la precipitacin. Un anlisis ms
completo considerara modelos dinmicos en los cuales los coeficientes de tendencia
y estacionalidad pueden variar con el tiempo. Este anlisis estara enmarcado en
la teora de los modelos lineales dinmicos descrita por West & Harrison (1977).
La fortaleza de este nuevo anlisis sera describir la variabilidad interanual de los
posibles cambios de tendencia, causados por ejemplo por el impacto del evento
El Nio-Oscilacin Sur (ENOS) en el pas. Estos resultados sern reportados en
futuras investigaciones.
Agradecimientos
Adradecemos a Jhan Rodrguez y a Ral Ramrez por su paciente preparacin
de muchas de las ilustraciones de este trabajo. Tambin agradecemos a la Fuerza
Area Venezolana, Corporacin Venezolana de Guayana-Electrificacin del Caron
y el Ministerio del Ambiente y de los Recursos Naturales por proveer los datos
que sirvieron de insumo para este trabajo. Esta investigacin fue parcialmente
financiada por FONACIT, proyecto 2005-000184, Programa de Apoyo a Grupos.

Recibido: agosto de 2007 Aceptado: marzo de 2008
Referencias
Alexandersson, H. (1986), A Homogeneity Test to Precipitation Data, Journal of
Climatology 6, 661675.
Caporello, G. & Maravall, A. (2004), TSW, Banco de Espaa, Research Department.
*http://www.bde.es/servicio/software/tramo/tswrm.pdf
De Luis, M., Ravents, J., Gonzlez-Hidalgo, J. C., Snchez, J. R. & Cortina, J.
(2000), Spatial Analysis of Rainfall Trends in the Region of Valencia (East
Spain), International Journal of Climatology 20, 14521469.
ESRI (2006), ArcGIS, 9.2 edn, Environmental Scientific Research Institute, Redlands, United States.
60
Gmez, V. & Maravall, A. (1994), Estimation, Prediction and Interpolation for

Nonstationary Series with the Kalman Filter, Journal of the American Statistical Association 89, 611624.
Gonzlez-Hidalgo, J. C., De Luis, M., Ravents, J. & Snchez, J. R. (2001), Spatial
Distribution of Seasonal Rainfall Trends in a Western Mediterranean Area,
International Journal of Climatology 21, 843860.
MARN (2005), Primera comunicacin nacional sobre cambio climtico en Venezuela. Ministerio del ambiente y los recursos naturales, Programa de las
Naciones Unidas para el Desarrollo (PNUD). Fondo Mundial para el Medio
Ambiente, Caracas, Venezuela.
*http://www.minamb.gob.ve/files/Cambio_Climatico/Primeracomunnacional.pdf
Martelo, M. T. (2004), Consecuencias ambientales generales del cambio climtico
en Venezuela, Trabajo de ascenso, Universidad Central de Venezuela, Facultad
de Agronoma, Maracay, Venezuela.
Poveda, G., Waylen, P. & Pulwarty, R. (2006), Annual and Inter-annual Variability of Present Climate in Northern South America and Southern Mesoamerica, Palaeogeography, Palaeoclimatolgy, Palaeoecology 234(1), 327.
Quintana-Gmez, R. A. (1999), Trends of Maximum and Minimum Temperature
in Northern South America, Journal of Climate 12(7), 21042112.
R Development Core Team (2007), R: A Language and Environment for Statistical
Computing, R Foundation for Statistical Computing, Vienna, Austria. ISBN
3-900051-07-0.
*http://www.R-project.org
Saladi, O., Brunet, M., Aguilar, E., Sigr, J. & Lpez, D. (2005), Datos de precipitacin mensual ajustada del sector nororiental de la pennsula ibrica (18502000), Technical report, Universitat Rovira i Virgili, Tarragona, Espaa.
Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K. B., Tignor,
M. & Miller, H. L. (2007), Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change, Cambridge University Press,
New York, USA.
West, M. & Harrison, J. (1977), Bayesian Forecasting and Dynamic Models, second
edn, Springer-Verlag.
Wilks, D. (1997), Resampling Hypothesis Tests for Autocorrelated Fields, Journal
of Climate 10, 6582.
World Meteorological Organization (2007), Guide to Climatological Practices, third
edn, World Meteorological Organization. Taken in May of 2007 of the web
page.
*http://www.wmo.int/pages/prog/wcp/ccl/guide/documents/
guide_third_edition_draft_may2007.pdf
61
Zwiers, F. & Von Storch, H. (1995), Taking Serial Correlation into Account in
Tests of the Mean, Journal of Climate 8(2), 336351.
Apndice A.
Porcentaje
de existentes
460
155
363
421
820
879
21
1160
460
550
980
88
20
115
86
99
615
413
383
190
660
320
235
2101
1628
650
10
30
65
500
15
310
17
53
234
834
Aripichi
Carapo
Icabaru
Kama
Mahigia
Parupa
San Ignacio de Yuruani
San Pedro de Las Bocas
Karuaiken
Guarimba
Santa Elena
Kamarata
Kilmetro 88
Mayupa
Tuna
Lorikeima
Morocmeru
Coro-Aeropuerto
Rancho Grande
Valencia-Gfv
Las Dos Bocas
Caracas-La Mariposa
San Francisco Macan.
Quisiro
Quiroz-El Tablazo
Villa del Rosario
Machiques-Granja M.A.C.
Quebrada Arriba
Carora-Granja
Baragua
Moroturo
Bobare
San Felipe
Central Matilde
Alto de o Len
Sitio Oropeza
La Urbina-Quebrada Seca
Carenero
Curiepe
El Caf
Palo Gacho
Puerto La Cruz
Bergantn
Porlamar
Tunapuy
Cumanacoa-La Granja
Cocollar
Periodo de
registro
395
320
503
1130
360
1226
878
249
800
466
Organismo
4.75
5.72
4.33
5.33
4.45
5.67
5.01
6.93
4.90
5.94
4.60
5.67
6.04
6.12
6.05
4.90
4.84
11.42
10.35
10.19
9.96
10.41
11.03
10.89
10.47
10.33
10.06
10.24
10.16
10.59
10.55
10.29
10.36
10.14
10.44
10.39
10.28
10.54
10.48
10.42
10.38
10.22
10.02
10.97
10.58
10.25
10.18
Estado
Latitud ()
62.33
63.53
61.67
61.17
63.01
61.54
61.14
62.87
61.78
62.30
61.80
62.43
61.40
62.68
61.97
61.54
60.87
69.68
67.68
68.00
68.00
66.93
64.29
71.29
71.02
72.30
72.56
70.53
70.08
69.94
69.24
69.46
68.74
68.87
67.16
67.08
67.26
66.13
66.17
66.28
66.52
64.63
64.39
63.84
63.11
63.93
63.82
Nombre
Longitud ()
3
5
15
17
20
23
25
26
36
59
60
62
78
84
92
102
107
232
426
461
491
563
795
1009
1059
1071
1092
1174
1187
1231
1238
1265
1343
1381
1425
1446
1455
1508
1516
1534
1542
1751
1796
1806
1828
1869
1873
Altura
Serial
Tabla 2: Lista de estaciones utilizadas.
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Falcn
Aragua
Carabobo
Carabobo
Miranda
Nueva Esparta
Zulia
Zulia
Zulia
Zulia
Lara
Lara
Lara
Lara
Lara
Yaracuy
Yaracuy
Distrito Capital
Miranda
Aragua
Miranda
Miranda
Miranda
Miranda
Anzotegui
Anzotegui
Nueva Esparta
Sucre
Sucre
Sucre
CVG
CVG
CVG
CVG
CVG
CVG
CVG
CVG
CVG
CVG
FAV
CVG
CVG
CVG
CVG
CVG
CVG
FAV
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
1977-00
1976-00
1974-02
1974-94
1976-00
1974-99
1974-02
1964-85
1992-02
1980-02
1954-00
1984-02
1971-92
1984-01
1984-00
1992-02
1990-02
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
88
86
82
81
81
87
91
98
94
92
100
91
71
83
81
83
85
99
97
96
97
95
99
96
96
99
97
99
99
99
96
99
92
97
95
94
98
95
94
95
94
97
97
99
92
97
98
62
Perodo de
registro
Porcentaje
de existentes
Nombre
Altura
Latitud ()
70.12 9.81 1499 El Jabn

70.11 9.95 475 Sicarigua
70.41 10.02 539 Prieto-Los Lpez
70.27 9.87 844 El Empedrado
70.28 9.67 800 Valle Hondo
70.22 9.64 1157 Carache
69.86 9.59 1388 Sabana Grande-Guago
70.67 9.54 124 Cenizo-Campamento Vivian
70.42 9.64 272 Guamas de Monay
70.33 9.47 1601 Santa Ana
70.53 9.71 200 Sabana Grande
70.43 9.37 790 Trujillo-Liceo
70.66 9.31 1001 Escuque
70.66 9.37 756 Las Cruces
70.53 9.25 1180 Santiago de Trujillo
70.71 9.05 1747 La Mesa de Esnujaque
70.66 9.08 1693 Jajo
69.66 9.74 1330 Sanare
69.10 9.67 175 Agua Blanca
69.96 9.69 941 Humocaro Bajo
68.29 9.92 385 Tinaquillo
68.05 9.65 128 El Pao-Oficina
65.16 9.96
12 Clarines
65.20 9.60
35 Onoto
64.74 9.97 160 San Bernardino
64.58 9.96
69 Curataquiche
64.35 9.91 160 Santa Ins
64.74 9.79 100 El Carito
64.29 9.58 280 Santa Rosa
61.09 9.19
2 San Jos de Yaruara
71.29 8.55 1520 Mesa de Ejido
71.92 8.27 2100 Pueblo Hondo
72.16 8.17 485 Mesa de Seboruco
70.41 8.77 550 Barinitas
64.72 8.85 240 Pariagun
62.66 8.29
57 Caroni Macagua
72.45 7.92 350 Urea
69.48 7.05
90 Elorza
65.64 7.48
72 Santa Rosala
64.85 6.98 230 Las Trincheras
61.49 7.43 171 Hato Buena Vista
63.05 7.78 293 Guri-Campamento Las Babas
66.79 10.50 965 Caracas-Caurimare
67.27 6.93
78 Hato Uranon
63.33 6.83 290 La Paragua
61.63 6.75 120 El Dorado
62.89 6.51 345 Arekuna
62.67 5.36 395 Uriman
61.72 5.58 1200 Kavanayen
61.73 4.98 950 Wonken
67.05 1.93 119 San Carlos Ro Negro
65.80 3.14 112 Tama-Tama
67.14 3.94 120 Santa Brbara-Orinoco
65.22 5.07 138 Yekuana
65.25 2.80 116 Santa Mara Guaicas
66.27 10.51
Cajigal
Organismo
2106
2108
2110
2118
2126
2136
2139
2141
2146
2147
2151
2156
2162
2172
2185
2193
2195
2234
2239
2241
2316
2349
2608
2648
2703
2713
2717
2722
2755
2911
3042
3074
3082
3126
3712
3933
4012
4291
4660
4663
4907
4970
5027
5408
5887
5924
6928
6931
6933
7906
9401
9402
9404
9408
9415
9420
Estado
Longitud ()
Serial
Tabla 2: Lista de estaciones utilizadas. (continuacin)
Lara
Lara
Lara
Lara
Trujillo
Trujillo
Lara
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Trujillo
Lara
Portuguesa
Lara
Carabobo
Carabobo
Anzategui
Anzategui
Anzategui
Anzategui
Anzategui
Anzategui
Anzategui
Delta Amacuro
Mrida
Tchira
Tchira
Barinas
Anzategui
Bolvar
Tchira
Apure
Bolvar
Bolvar
Bolvar
Bolvar
Miranda
Apure
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Bolvar
Amazonas
Amazonas
Amazonas
Amazonas
Amazonas
Distrito Capital
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
MARN
CVG
MARN
MARN
MARN
MARN
MARN
CVG
MARN
MARN
CVG
MARN
CVG
CVG
CVG
CVG
MARN
MARN
MARN
MARN
MARN
FAV
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1969-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1969-98
1969-98
1969-98
1969-98
1969-98
1950-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1969-98
1950-98
99
99
98
99
95
97
99
98
98
97
98
95
97
96
92
96
95
100
95
98
94
96
98
98
98
99
98
98
98
98
97
94
92
94
97
99
94
89
99
99
98
99
88
89
98
97
100
98
97
95
96
99
98
98
93
100
63
9421 71.73 10.57

Maracaibo
Zulia
FAV
9422 64.68 10.45
Barcelona
Anzategui
FAV
9423 63.18 9.75
Maturn
Sucre
FAV
9424 63.55 8.15

Bolvar
Bolvar
FAV
9425 71.18 8.60

Mrida
Mrida
FAV
9426 69.32 10.23

Barquisimeto
Lara
FAV
9427 67.65 10.25

Maracay
Aragua
FAV
9428 67.50 5.60

Puerto Ayacucho
Amazonas
FAV
9429 61.45 7.30

Tumeremo
Bolvar
FAV
9432 67.42 7.68

San Fernando
Apure
FAV
Estaciones utilizadas como estaciones de referencia en la prueba de Alexandersson.
Estaciones no homogneas segn la prueba de Alexandersson.
Porcentaje
de existentes
Perodo de
registro
Organismo
Estado
Nombre
Altura
Latitud ()
Serial
Longitud ()
Tabla 2: Lista de estaciones utilizadas. (continuacin)
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1950-98
1961-00
1959-00
1921-00
100
100
100
100
100
100
100
100
100
100
37.16 57.51 17.77

149.53 61.60
8.42
4.83 48.03 6.79
107.18 31.20 14.84
6.43 49.18 32.16
62.29
4.20 7.60
49.21 34.53 17.61
61.58 20.10 23.17
81.29 60.43
0.58
149.09 61.59
2.36
24.87 33.24 11.52
116.49
9.29 9.66
184.38 30.60 29.92
61.07 37.21 18.56
65.05 33.92 16.44
14.97
7.87 6.95
102.57
NS
NS
59.28
2.75 7.20
89.38 11.36 18.43
46.83 12.99 7.94
31.16
1.03
9.10
33.89 4.05 22.18
56.81 8.06 39.14
47.99 12.32 37.75
53.52 7.87 49.43
26.00 14.09 27.04
50.11 23.56 3.71
10.74
6.24 13.62
66.51 24.04 5.18
50.93 21.61 8.45
31.46 11.59 12.23
43.98
7.75 4.64
59.08 26.55 22.40
70.46 43.73 22.30
3493.68
3690.80
4129.60
2900.39
3655.29
3580.91
4039.57
3060.63
1493.65
1668.03
6495.71
2627.30
2722.08
1611.41
1960.36
6040.08
6743.47
6204.15
6539.55
6141.57
6234.55
6005.13
6501.11
6555.96
6810.67
6354.84
6448.26
5734.55
6701.37
6345.76
6115.79
6108.36
6737.64
7027.90
3448.93
3648.24
4088.10
2876.14
3613.32
3579.38
4002.64
3035.96
1475.45
1650.52
6446.63
2622.91
2709.20
1598.81
1949.99
6025.29
6746.39
6201.07
6506.08
6110.53
6228.21
5919.34
6381.95
6428.17
6696.73
6269.19
6407.16
5668.41
6673.01
6289.61
6081.16
6101.75
6682.26
6956.91
3486.65
3682.75
4128.26
2892.00
3651.60
3572.17
4030.16
3052.11
1489.21
1663.36
6492.01
2618.86
2715.57
1606.62
1955.56
6029.21
6733.58
6191.00
6530.95
6128.00
6226.90
5994.37
6488.97
6543.20
6798.63
6342.09
6437.32
5720.27
6689.20
6332.78
6116.96
6095.05
6725.70
7018.01
3441.84
3640.01
4087.67
2867.63
3610.22
3570.65
3993.03
3027.46
1470.93
1645.77
6443.82
2614.53
2702.66
1593.97
1945.29
6014.61
6736.50
6187.89
6497.93
6096.93
6220.51
5909.44
6369.71
6415.30
6684.33
6256.17
6396.43
5654.05
6660.74
6276.62
6084.26
6088.40
6670.22
6947.41
Mejor modelo
CIB4
CIB3
87.05
199.74
85.44
129.41
79.51
54.40
89.27
84.25
125.21
152.60
80.40
84.75
170.22
124.35
80.88
7.79
68.62
64.16
71.95
35.95
6.64
8.98
45.37
34.71
51.13
1.45
49.39
6.86
52.16
66.35
26.31
48.99
21.13
25.68
CIB2
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
S
NS
NS
NS
CIB1
Significativo
0.11
0.06
0.22
0.04
0.20
0.01
0.03
0.01
0.13
0.12
0.08
0.04
0.04
0.02
0.27
0.02
0.03
0.01
0.03
0.00
0.03
0.02
0.01
0.01
0.00
0.00
0.02
0.00
0.01
0.01
0.05
0.00
0.01
0.04
(mm/mes)
253.37
309.18
192.16
174.69
272.83
129.94
158.73
113.94
271.32
300.07
145.78
174.18
284.37
224.13
156.33
31.86
147.14
85.68
130.58
75.24
42.64
40.08
116.97
88.59
125.27
40.59
91.35
30.88
130.13
92.61
92.87
67.09
95.07
129.01
(mm)
3
5
15
17
20
23
25
26
36
59
60
62
84
102
107
232
426
461
491
563
795
1009
1059
1071
1092
1231
1238
1265
1343
1381
1425
1455
1508
1516
Serial
Tabla 3: Coeficientes de los modelos ajustados y comparacin de modelos.
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
3
4
4
4
4
4
4
4
4
4
4
4
4
4
2
4
4
4
64
10.87
21.82
36.12
14.19
53.45
23.25
20.46
7.84
5.15
6.24
2.54
15.94
71.83
1.11
7.40
3.68
13.09
1.32
13.22
9.90
9.64
19.12
19.48
29.18
96.86
25.35
77.02
80.96
54.76
46.94
38.21
16.86
40.25
31.52
31.97
9.51
7.86
20.10
132.24
54.58
57.90
14.16
140.72
131.67
106.95
48.33
54.40
41.30
156.64
105.37
46.16
163.69
229.94
98.35
132.46
90.19
78.13
70.11
102.78
10.92
61.67
91.42
52.69
22.99
36.23
30.36
14.41
15.35
40.78
24.82
22.63
4.34
36.98
4.50
18.21
18.11
12.15
14.84
21.34
17.16
75.79
6.83
62.03
64.18
83.20
70.48
65.85
54.08
82.16
50.57
52.30
22.20
5.11
5.09
101.56
77.26
52.62
4.06
84.27
114.82
93.47
25.13
43.94
55.61
112.21
95.31
39.45
159.39
177.62
95.97
93.34
5.19
60.17
52.82
1.07
17.79
43.94
10.84
NS
17.01
13.92
16.59
11.14
9.92
32.09
11.30
11.13
16.51
16.97
15.86
11.34
8.53
15.68
9.40
15.75
13.26
25.93
11.13
15.55
15.49
8.37
7.95
7.07
4.24
2.81
1.14
79.35
1.05
6.67
11.28
2.32
2.19
40.44
0.27
22.94
32.25
32.50
39.40
42.76
12.33
25.23
18.91
29.05
37.43
73.80
17.48
38.12
30.98
0.37
14.13
12.03
12.35
5.27
9.39
NS
43.55
41.85
44.22
33.33
24.27
17.96
42.81
48.70
37.28
45.88
37.28
22.53
23.55
33.64
25.73
36.15
23.68
9.52
18.01
9.56
6.47
18.25
16.76
15.09
5.63
16.01
10.92
0.44
36.34
40.97
78.01
47.15
8.27
16.69
39.63
2.60
36.66
20.95
11.61
12.62
7.34
33.18
32.01
13.68
52.78
14.47
16.92
6.26
11.10
7168.33
6828.41
6552.03
6026.50
6655.63
6566.73
6325.16
6688.61
6536.47
6522.35
6343.77
6015.46
6592.30
6616.75
6759.34
6438.55
6836.52
6396.40
6237.08
6236.53
6227.95
5928.84
6241.44
6192.80
6565.82
5934.61
6381.07
6420.61
6257.44
6147.71
6119.66
6222.82
6278.28
6231.72
4319.18
6212.28
6512.25
7248.17
7145.80
6626.08
6484.38
6544.09
4063.12
4272.55
4159.97
3978.45
4083.95
6208.05
4284.20
4263.88
4046.66
4409.49
4589.73
4371.70
4375.09
4283.12
7084.12
6704.02
6546.23
5958.29
6520.51
6556.54
6328.16
6544.76
6366.50
6350.32
6197.52
5899.35
6507.65
6470.63
6613.20
6294.58
6716.65
6236.37
6153.58
6154.31
6016.92
5773.31
6049.61
6085.04
6518.51
5850.61
6354.22
6397.65
6216.52
6106.95
6084.82
6222.12
6250.55
6222.89
4202.85
6054.82
6386.71
7121.83
7091.71
6625.17
6332.51
6435.32
4042.70
4225.09
4119.89
3902.27
4014.22
6188.21
4245.06
4231.25
4011.45
4351.73
4532.66
4361.49
4349.21
4263.17
7157.10
6817.46
6542.35
6026.15
6642.91
6554.20
6312.74
6676.04
6524.35
6512.03
6333.32
6002.76
6580.52
6604.40
6747.58
6426.38
6825.38
6383.63
6223.64
6225.11
6214.52
5916.33
6232.86
6180.00
6553.62
5921.90
6371.71
6410.69
6244.57
6136.49
6107.39
6220.02
6266.51
6228.58
4321.59
6200.61
6504.28
7238.63
7140.82
6619.09
6473.78
6533.34
4052.33
4262.95
4150.01
3968.12
4074.00
6195.11
4274.27
4255.26
4037.11
4401.66
4581.72
4361.88
4365.88
4275.15
7072.65
6693.00
6536.53
5960.51
6507.58
6543.98
6315.73
6532.03
6354.54
6341.37
6187.92
5886.67
6495.93
6458.29
6601.57
6282.11
6705.77
6223.53
6140.02
6143.07
6003.19
5760.77
6044.34
6072.38
6506.15
5837.70
6345.31
6387.96
6203.58
6095.80
6072.52
6219.30
6238.73
6219.92
4213.47
6043.55
6378.65
7112.78
7087.53
6618.17
6322.55
6425.18
4031.86
4215.30
4109.74
3891.61
4004.09
6175.20
4235.03
4222.81
4001.86
4344.21
4524.64
4351.64
4339.92
4255.41
Mejor modelo
NS
NS
NS
S
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
S
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
CIB4
Significativo
0.01
0.02
0.03
0.05
0.00
0.01
0.01
0.01
0.01
0.03
0.02
0.01
0.02
0.01
0.02
0.01
0.02
0.00
0.00
0.02
0.00
0.01
0.03
0.01
0.01
0.01
0.03
0.02
0.01
0.02
0.01
0.05
0.01
0.04
0.26
0.02
0.05
0.05
0.08
0.04
0.03
0.03
0.00
0.02
0.01
0.01
0.03
0.01
0.02
0.06
0.04
0.09
0.08
0.02
0.04
0.08
CIB3
(mm/mes)
167.29
129.90
112.88
53.22
120.97
119.50
85.91
71.90
82.97
82.33
70.80
56.41
132.77
86.50
105.38
66.82
107.26
66.60
71.84
69.93
63.96
48.75
72.80
68.76
123.92
57.16
107.49
105.68
89.83
76.60
77.13
64.42
88.87
53.99
215.13
69.81
71.46
199.44
229.93
87.12
96.64
62.81
152.36
158.41
151.28
102.07
110.11
88.78
152.18
134.00
112.41
211.43
339.14
209.01
260.92
279.13
CIB2
(mm)
1534
1542
1796
1806
1828
1869
1873
2108
2110
2118
2126
2136
2139
2141
2146
2147
2151
2156
2162
2172
2185
2193
2195
2234
2239
2241
2316
2349
2648
2703
2713
2717
2722
2755
2911
3042
3074
3082
3126
3712
3933
4012
4291
4660
4663
4907
4970
5027
5408
5887
5924
6928
6931
6933
7906
9401
CIB1
Serial
Tabla 3: Coeficientes de los modelos ajustados y comparacin de modelos. (continuaci.)
4
4
4
2
4
4
3
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
2
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
65
167.62 34.19
188.44 75.96
187.11 109.86
109.80 17.17
28.63 49.78
9.81 31.32
34.41 46.79
40.17 60.42
53.63 55.30
7.63 15.71
32.57 51.28
26.12 11.50
55.56 60.52
161.05 75.65
118.87 84.65
53.70
37.63
44.10
29.57
5.32
8.68
10.53
38.93
20.40
6.77
6.43
11.91
NS
43.43
17.03
25.63 4404.73 4345.48 4395.03 4335.59

24.82 4310.68 4267.51 4302.35 4259.54
15.84 4283.59 4242.08 4275.21 4233.82
22.10 4232.25 4201.90 4222.50 4192.11
8.42 6157.70 6148.13 6144.73 6135.11
26.55 6175.71 6077.77 6163.24 6065.11
14.44 5860.44 5782.52 5849.24 5771.51
13.51 6480.12 6343.45 6467.78 6330.75
13.91 6505.07 6457.15 6492.09 6444.09
7.54 6024.24 6010.43 6011.88 5998.18
73.37 6841.54 6595.11 6829.87 6582.71
12.65 5860.85 5787.94 5847.55 5774.49
NS 6270.99 6272.80 6257.66 6259.46
2.80 5734.88 5681.51 5723.77 5670.29
21.24 10990.99 10934.46 10976.73 10920.09
Mejor modelo
CIB4
CIB3
CIB2
CIB1
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
NS
Significativo
0.02
0.07
0.07
0.02
0.01
0.01
0.01
0.01
0.00
0.01
0.00
0.01
0.00
0.01
0.00
(mm/mes)
276.20
265.93
206.02
207.54
71.97
42.87
51.76
110.49
81.28
31.28
142.25
44.55
75.87
189.53
118.24
(mm)
9402
9404
9408
9415
9420
9421
9422
9423
9424
9425
9426
9427
9428
9429
9432
Serial
Tabla 3: Coeficientes de los modelos ajustados y comparacin de modelos. (continuaci.)
4
4
4
4
4
4
4
4
4
4
4
4
3
4
4
: Coeficiente de media. : Coeficiente de tendencia. 1 : Coeficiente del coseno para el primer armnico.
1 : Coeficiente del seno para el primer armnico. 2 : Coeficiente del coseno para el segundo armnico.
2 : Coeficiente del seno para el segundo armnico. CIBi : Criterio de informacin bayesiana para el
modelo i = 1, 2, 3, 4. NS: No Significativo. S: Significativo.

Series de Tiempo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Series de Tiempo

Cargado por

Copyright:

Formatos disponibles

Revista Colombiana de Estadstica

Junio 2008, volumen 31, no. 1, pp. 41 a 65

Anlisis de la tendencia y la estacionalidad de la

de Cmputo Cientfico y Estadstica, Universidad Simn Bolvar,

de Estadstica y Software Matemtico, Universidad Simn Bolvar,

titular. E-mail: lbravo@cesma.usb.ve

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Ambiente y de los Recursos Naturales (MARN), con la red ms extensa; Instituto

2. Descripcin de los datos y control de calidad de

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

de variables meteorolgicas de superficie, cada 250000 kilmetros cuadrados deben

2.2. Control de calidad y tratamiento de los datos faltantes,

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Figura 1: Localizacin de la zona de estudio.

faltantes, fueron completados con el promedio diario de por lo menos 10 aos de

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

2.3. Pruebas de homogeneidad

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Sea 1 < N y 1 6= 2 , donde N es el nmero de aos de datos disponibles.

con respecto a la hiptesis alternativa:

La hiptesis nula implica que la media de la serie estandarizada zi no cambia

Una manera ms general de construir la serie de cocientes {qi }N

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

La funcin f puede definirse como la media muestral de las k estaciones de

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Grfico Sucesin Tv2

Grfico Sucesin Tv3

nicamente se cuenta con una estacin de referencia en el estado Miranda, la de

3. Descripcin de los modelos ajustados

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

Grfico Sucesin Tv1

Grfico Sucesin Tv2

Grfico Sucesin Tv3

En la figura 6 se muestran seis estaciones con sus respectivos diagramas de

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Grfico Sucesin Tv1

Grfico Sucesin Tv2

que representa un polinomio de Fourier con dos armnicos con periodos 12 y 6,

Lelys Guenni, Edgard Degryze & Katiuska Alvarado

Estacin 2717 (Santa Ins)

Milmetros por mes

Milmetros por mes

Estacin 26 (San Pedro de las Bocas)

Estacin 5887 (La Paragua)

Milmetros por mes

Milmetros por mes

Figura 5: Series de tiempo de precipitacin mensual para cuatro estaciones seleccionadas.

los errores t no son independientes y estn autocorrelacionados, los estimadores

Revista Colombiana de Estadstica 31 (2008) 4165

Anlisis de la tendencia y la estacionalidad de la precipitacin en Venezuela

Estacin 426 (Rancho Grande)

Estacin 1071 (Villa del Rosario)

Milmetros por mes

Milmetros por mes

Estacin 2717 (Santa Ins)

Estacin 6933 (Kavanayen)

Estacin 60 (Santa Elena)

Milmetros por mes

Milmetros por mes

Milmetros por mes

Figura 6: Boxplots mensuales para seis estaciones seleccionadas.

donde p es el orden del modelo autorregresivo y t es un componente de ruido

Lelys Guenni, Edgard Degryze & Katiuska Alvarado