APLICACIÓN DE MÉTODOS ESTADÍSTICOS PARA LA PARA REGIONALIZACIÓN

DE PRECIPITACIÓN MENSUAL EN EL VALLE DEL CAUCA

Yesid Carvajal Escobar1 Juan B. Marco

Segura2

RESUMEN

A partir de la información histórica de 49 estaciones de medición de lluvias, ubicadas

en el Valle geográfico del río Cauca, y tomando un período común de registros entre
1972-1998, se realizó una clasificación de las estaciones, aplicando el método de
cluster jerarquizado. Se conformaron tres grupos homogéneos para la región. Los
resultados se comprobaron aplicando los métodos estadísticos de Dalrymple (1960)
Wiltshire y Berán (1987b) y Análisis Discriminante de las Componentes Principales
(CP), tomando las 10 primeras componentes (Jhonson, 2000). Igualmente, se verificó
la coherencia geográfica de los grupos obtenidos. Se hace un análisis comparativo de
las ventajas y desventajas de los diferentes métodos de regionalización, así como de
los beneficios de agrupar la información hidrometeorológica cuando se hace un
tratamiento conjunto de los datos. Aunque la mejor alternativa es el método
geográfico, este debe ser comprobado mediante un test estadístico que valide los
resultados de la agrupación.

Palabras clave: Homogeneización de series de precipitación y caudal,

regionalización, Análisis estadístico, Análisis de consistencia de la información
hidrometeorológica

ABSTRACT

Starting from the historical information of 49 rain gauge stations, located in the
geographical Valley of the river Cauca, a classification of the stations was carried out
applying the method of nested cluster. The precipitation data has been measured
during a period 1972-1998. The three homogeneous groups for the mentioned region
has been conformed. The results were proven applying the statistical methods of
Dalrymple (1960), Wiltshire and Berán (1987b) and Discriminant Analysis of the
Principal Components (CP), using the first 10 components (Jhonson, 2000). Also the
geographical coherence of the obtained groups was verified. A comparative analysis of
the advantages and disadvantages of the different regionalization methods has been
sorted out, as well as of the benefits of the hydrometeorological information in the case
of a combined treatment of the data. Although the best alternative is the geographical
method, this it should be proven by means of a statistical test that validates the results
of the grouping.

Palabras clave: Homogeneización de series de precipitación y caudal,

regionalización, Análisis estadístico, Análisis de consistencia de la información
hidrometeorológica.

1. ANTECEDENTES

1
Profesor Asociado Universidad del Valle Cali-Colombia. Candidato a Doctorado en Hidráulica
y Medio Ambiente. Universidad Politécncia de Valencia. Email: yecarvaj@hma.upv.es
2
Profesor Catedrático. Universidad Politécnica de Valencia- España

1
1.1 METODOS DE REGIONALIZACION

La mayor parte de los métodos de regionalización desarrollados se efectúa para el

análisis estadístico de frecuencias de máximos de una variable hidrológica. La
estimación de parámetros a partir de una muestra de reducido tamaño muchas veces
presenta dificultades, debido a la incertidumbre existente respecto a su
representatividad. Incluso, cuando se asume una única población, el coeficiente de
variación (Cv) y el de asimetría (Cs) calculado en distintas muestras presenta una
elevada dispersión de los parámetros y cuantiles estimados. Esta varianza es mayor
cuanto más reducida es la muestra y más alto el valor del C v. Lo anterior conduce a
métodos que asumen una región homogénea respecto a ciertas características
estadísticas, lo que permite aprovechar el conjunto de información disponible en la
región. La fase más importante en la utilización de información regional, es la de definir
las estaciones de precipitación o caudal que se consideran similares entre sí, y que
puedan ser agrupadas según el grado de heterogeneidad que se quiera asumir para
tener un beneficio en el tratamiento conjunto de la información. Aunque no existe un
procedimiento que asegure correctamente la definición de una región para el análisis
de precipitación o caudal, Lettenmaier y Potter (1985), reportan las ventajas de
agrupar los datos de precipitación máxima de distintas estaciones con C v bajos (Cv
medio < 0.6) y homogéneos (Cv (Cv) < 0.2). En el análisis de precipitación máxima,
dada la variabilidad muestral del Cs y Cv, la mayoría de los métodos toma como base
su regionalización. Ferrer (1996) menciona las siguientes hipótesis de homogeneidad
en su respectivo orden: El Cs constante en la región, el Cs constante en la región y el
Cv constante en cada subregión, El C s y el Cv constante en la región. Es muy poca la
referencia que se hace de regionalización para otro tipo de análisis. En este caso, se
planteó para regionalizar la serie completa de los registros de lluvia mensual, para el
tratamiento conjunto de los datos.

El objetivo de los métodos estadísticos regionales es permitir establecer regiones

homogéneas para la estimación de caudal o lluvia en puntos sin medición, así como
permitir un tratamiento más robusto con el conjunto de estaciones que se consideren
homogéneas. Estos métodos requieren tres fases en su aplicación: Identificar la
región, establecer características conocidas de las estaciones (coordenadas, altitud,
edafología, climatología, etc) y los parámetros o estadísticos a estimar. Ferrer (1996)
cita que estas condiciones definen tres tipos de métodos para la delimitación de
regiones: el geográfico, el estadístico y el de regiones de características específicas.

El método geográfico consiste en agrupar las estaciones en función de sus

coordenadas, frecuentemente, coincidiendo con divisiones administrativas. Tiene la
ventaja de permitir asignar un punto sin registro pluviométrico o una cuenca sin datos
de caudal. Sin embargo, puede plantear problemas con la homogeneidad de la región.
Debido a la relativa continuidad espacial de las lluvias, es más coherente definir
regiones geográficas en un análisis de lluvias que en uno de caudal, porque en éste
último, las cuencas vecinas, pueden presentar entre otras, características
edafológicas, geológicas, o de cobertura vegetal diferentes. El método estadístico
permite clasificar las estaciones según su comportamiento estadístico, para definir los
grupos homogéneos. A diferencia del anterior, emplea algoritmos automáticos de
análisis discriminante, factorial o de cluster. La bibliografía reporta varios casos de
aplicación: De Coursey (1973) en EU clasificó 90 estaciones de caudal, en tres
grupos, aplicando análisis discriminante, basándose en tres estimaciones empíricas de
4 cuantiles de crecientes. Mosley (1981) empleó el cluster jerarquizado en Nueva
Zelanda para agrupar estaciones de caudal teniendo en cuenta la proximidad en un
espacio bidimensional conformado por el C v y el caudal medio específico (m 3/Km2) de

2
los registros de caudal máximo. Recientemente, ARIDE (2001) aplicó el mismo método
para clasificar 5244 estaciones de caudal, en grupos con un patrón climático común,
utilizando el coeficiente de correlación de Pearson como medida de similaridad.

Los algoritmos de cluster jerarquizado agrupan estaciones progresivamente,

clasificándolas en diferentes grupos, hasta minimizar la suma total del cuadrado de las
distancias de cada una al centroide de cada grupo en diferentes etapas. Esto conduce
normalmente, a una o dos regiones importantes con pequeños grupos en la periferia.
Así lo mencionan Mosley (1981) y Acreman y Sinclair (1986). Es de los métodos más
empleados, Wiltshire (1986) y Wiltshire y Beran (1987ª) lo emplearon para agrupar
376 estaciones de caudal en Gran Bretaña. E Instituto del Agua (1992) analizado,
lluvias máximas diarias, empleando cluster no jerarquizado como primera
aproximación en la determinación de las regiones. Una desventaja del método es la
definición arbitraria del número de regiones a obtener, por la falta de fronteras claras.
Esto se resuelve tratando de obtener regiones homogéneas aplicando test estadísticos
u obteniendo una representación geográfica coherente de las mismas. ARIDE (2001)
considera que la selección del número final de grupos, puede hacerse graficando el
coeficiente de correlación promedio de cada grupo versus el número de clusters.
Teóricamente, un paso con un significativo cambio en el coeficiente de correlación de
los grupos conformados, permite definir el número de grupos. El método ofrece
mejores resultados en lluvias. Mosley (1981) obtuvo una coherencia espacial de la
agrupación estadística en la zona sur de Nueva Zelanda, con gran dispersión espacial
de los resultados en la zona norte. Otra desventaja, es la dificultad para asignar un
punto sin registros de determinada región en un conjunto de regiones previamente
definidas porque no se conocen los valores estadísticos empleados como
discriminantes en la clasificación. Esto se resuelve en el caso de lluvias, si la
clasificación estadística tiene una adecuada correspondencia geográfica, mientras que
en el caso de caudal, se resuelve si se encuentran relaciones entre las características
estadísticas discriminantes y determinadas características específicas de las cuencas:
fisiográficas, meteorológicas, etc. Otro inconveniente es que emplea estadísticos
muestrales que tienen asociados una elevada varianza. En este sentido, las
agrupaciones realizadas pueden amplificar artificialmente unas diferencias entre
regiones que en gran parte pueden deberse a un simple efecto aleatorio. Esta
dificultad se abordó en el estudio, realizando preliminarmente un ACP para disminuir
dicho ruido.

El método de características específicas, es muy empleado en análisis de caudal y

menos en lluvia, dada la necesidad de estimar caudal en cuencas sin aforo cuando
sólo se dispone de las características fisiográficas, edafológicas y meteorológicas.
Asumiendo grupos previos con criterios estadísticos, el análisis discriminante asume
que las m características específicas seleccionadas siguen una distribución normal
adimensional y que su matriz de covarianzas es común para todos. Bajo estas
hipótesis se aplica el teorema de Bayes para obtener la probabilidad de que una
estación con unas características específicas dadas pertenezca a un grupo
preexistente, asignando finalmente la estación al punto con mayor probabilidad de
pertenencia. En este método se emplean unas características específicas que luego
clasifican aplicando análisis factorial, cluster o discriminante.

El análisis discriminante permite clasificar estaciones en función de determinadas

características específicas y cuantificar la probabilidad de que una de ellas pertenezca
a uno de los grupos previamente formados con otros criterios. La clasificación en
función de características específicas difícilmente se confirma al comparar los
estadísticos observados, por lo que es preferible utilizar características estadísticas.

3
Wiltshire (1987ª) aplicó Análisis discriminante para clasificar una cuenca, conociendo 9
de sus características específicas, en uno de los 10 grupos previamente definidos
estadísticamente. La comprobación realizada en 376 estaciones de caudal dió
clasificaciones muy diferentes. Resultados similares reporta FREND (1989) al aplicar
el método en cuencas de Europa asumiendo 10 grupos ya existentes y 7
características específicas. Esto indica la dificultad para relacionar estadísticos de
caudal y características específicas de las cuencas.

1.2 EXPERIENCIAS DE REGIONALIZACION EN EL VALLE DEL CAUCA

Regalado et al (1984), realizaron el “Estudio regional de frecuencias de caudales

máximos para las cuencas del Pacífico”, usaron para el análisis probabilístico de las
series hidrológicas, las distribuciones de Log-Pearson tipo III, Gumbel y Log–Normal.
Calcularon mediante regresiones múltiples el caudal máximo en función del área,
longitud del cauce principal y pendiente media. Determinaron también la relación entre
el caudal máximo promedio diario y el caudal máximo instantáneo, bajo un factor
constante de 1.3, recomendando usar el valor más crítico.

En Mejía y Perry (1987) desarrollaron el Estudio de Aguas en el área geográfica del

Valle el Cauca, donde se presentan los trabajos orientados al desarrollo de modelos
de planeamiento para lograr un mejor aprovechamiento del recurso hídrico para todo
tipo de usos en la región. El estudio hidrológico estuvo orientado a la regionalización
de los parámetros hidrológicos básicos que controlan el comportamiento de las series
de tiempo de los caudales de los diferentes tributarios en la zona geográfica del Valle
del Cauca. Se regionalizó el caudal medio multianual identificando seis zonas dentro
del Valle del Cauca que presentan comportamiento similar en cuanto a las
características estacionales de los caudales mensuales.

Erazo (1.998), regionalizó caudales máximos de diseño en las cuencas del

departamento de Valle del Cauca, delimitando regiones hidrológicamente homogéneas
con información geomorfología, geológica, de suelos, vegetación y precipitación. Las
regiones fueron evaluadas con dos pruebas estadísticas la de Gumbel y la de
Wiltshire.

Arias y Soto (2000), regionalizaron caudales medios de las corrientes superficiales

afluentes del río Cauca en los departamentos del Cauca y Valle del Cauca, por medio
del método de regionalización de características medias, calculando el caudal medio
asociado a diferentes periodos de retorno. Similar trabajo reporta Escobar (2001) para
caudales mínimos en dicha región.

2. METODOLOGIA
2.1 SELECCIÓN DE LA INFORMACIÓN Y ANÁLISIS PREVIO DE CONSISTENCIA

Se recopiló la información de precipitación, proveniente de CVC Corporación

Autónoma Regional del Valle del Cauca, preseleccionando 96 estaciones de lluvia,
ubicadas en el Valle geográfico. Seguidamente, mediante criterios de selección tales
como: cobertura, tiempo de registro (estaciones con 15 o más años de registro),
cantidad de datos faltantes y calidad de la información, se escogieron 49 estaciones
pluviométricas, buscando series confiables con un período común de registros (1972-
1998). La figura 1 presenta la localización de las estaciones. Los datos faltantes se

4
calcularon aplicando regresión multivariada con los datos de las estaciones más
cercanas. Luego, se efectuó el análisis exploratorio, analizando gráficos de tiempo, de
masa simple, de doble masa, residual, Q-Q y P-P. Posteriormente, se efectuó el
análisis confirmatorio aplicando pruebas estadísticas de homogeneidad de medias y
varianza: para la media: prueba T con y sin cambio de varianza, prueba F, prueba de
Mann-Whitney, prueba z de Kolmogorov-Smirnov, prueba de Friedman, prueba de
Kendall, prueba del signo, prueba de Wilcoxón de los rangos con signo, prueba de
Kruskal Wallis. prueba de la mediana, para la estimación de tendencias, prueba T
para detección de pruebas lineales. Para detectar cambio de varianza: prueba de de
Levene. Mesa et al (1998).

De las 49 estaciones consideradas, el 90% no tienen tendencia significativa, el 10 %

muestran tendencia lineal, y El 10% presentaron cambio significativo en la varianza,
corrigiéndose dichas tendencias. La conclusión general es que esta variable no
muestra evidencia de cambio climático, coincidiendo con resultados reportados por
Mesa et al (1998) en Colombia.

2.2 METODOS ESTADÍSTICOS DE REGIONALIZACION DE LAS SERIES DE

PRECIPITACION

2.2.1 Análisis de cluster jerarquizado. Previa estandarización de las series de datos

de precipitación de las estaciones, se efectuó un análisis de cluster jerarquico. Hay
diferentes criterios para calcular distancias entre datos y variables, así como para
combinarlos en los clusters. El más habitual y utilizado es el análisis cluster jerárquico
aglomerativo. En éste, los clusters son formados agrupando en clusters cada vez más
grandes hasta que todos forman parte de uno único. Como medida de similaridad, se
empleó el promedio entre grupos del coeficiente de correlación, y se definió la
distancia entre dos clusters como la media de los coeficientes de correlación entre
todas las combinaciones posibles dos a dos de los datos de uno y otro cluster. El
procedimiento se repitió, conformando grupos desde n = 1 hasta 49 estaciones, a
partir de la matriz 49 x 324 meses (27 años). Se determinó el número de grupos
homogéneos graficando los grupos conformados versus el coeficiente de correlación
promedio de Pearson entre los grupos establecidos. (ver figura 2), obteniendo el
número de grupos en el punto donde ocurre un cambio significativo de la misma. (3
grupos homogéneos). ARIDE (2001).

2.2.2 Métodos estadísticos de comprobación. Como métodos estadísticos de

comprobación, para verificar la clasificación de los grupos homogéneos, se emplearon
los métodos de Dalrymple (1960), Wiltshire y Berán (1987b) y el Análisis Discriminante
a las 10 primeras componentes principales de los datos de precipitación. Así mismo,
se verificó la consistencia geográfica de la agrupación estadística realizada,
confirmando una distribución espacial coherente de las estaciones de cada grupo.

Método de Dalrymple (1960). Analiza la variabilidad de las estimaciones del cuartil

De Tr=10 años, asumiendo una función de distribución EV1 para la serie de máximas
precipitaciones mensuales, y una distribución normal de las estimaciones de los
cuantiles, para determinar la región de confianza del 95% para el cuantil de 10 años,
en función de la longitud de la serie. Los límites de confianza son expresados en años
y comparados con el Tr asociado al cuantil regional de 10 años resultante de un ajuste
local gráfico a los datos de cada estación. Una estación cuyo Tr asociado no está
incluido en los límites de confianza, es excluida de la región.

5
Método de Wiltshire y Berán (1987 b). Aplicaron un método, empleando un
estadístico R que mide la variación en la región del valor G´, definido para
cada estación j con una serie de nj años, con la siguiente expresión:

1 nj
G´ j   2 | Gij  0.5 |
nj i 1

Siendo Gij = F(Xij), es decir el valor de la función de probabilidad asociada al valor Xij,
resultante del ajuste regional de la distribución F(x) a los datos de la estación j. Si la
región es homogénea, los valores de Gij se distribuirán según una distribución
uniforme (0,1) y el valor teórico de G j será de 0.5. Las variaciones de G j dentro de la
región son cuantificadas con el estadístico R que se distribuye según una  2 con n-1
grados de libertad, siendo n el número de estaciones que componen la región. Si el
valor de R excede  n21 (1-), se rechaza la hipótesis de homogeneidad. Mediante
simulaciones de Montecarlo, Wiltshire muestra que R se distribuye según una  2
pero la potencia estadística del test es moderada. Otra desventaja es la necesidad de
estimar previamente la ley regional F(x) para calcular G ij y tiene como ventaja la
posibilidad de aplicación a cualquier tipo de regionalización.

Definición: Sea una muestra aleatoria (x1, x2,….xn) procedente de una determinada
población con una función de distribución F(x). A cada uno de dichos valores se le
puede asociar un Gj definido según:

Gj = F(Xi)

G1,G2, …,Gn deben tener, a parte de las desviaciones causadas por los efectos de la
variabilidad muestral, una distribución de frecuencia uniforme (0,1). Si la muestra
corresponde a las series máximas anuales, es necesario dividirlas previamente por el
valor medio de la serie para hacerlas adimensionales. Los puntos G deberán presentar
una distribución uniforme lo que constituye la base del test de homogeneidad. El
parámetro seleccionado por Wiltshire y Berán (1987 b) para cuantificar la aproximación
de los puntos G en una serie j a la distribución uniforme es:
1 nj
G´ j   2 | Gij  0.5 |
nj i 1

Siendo Gij el valor del punto G para el elemento i de la muestra j constituida por n j
elementos. El anterior parámetro debería G´ j debe aproximarse a la media de la
distribución uniforme: 0.5 y por la transformación planteada ser capaz de discriminar
muestras con Cv de la población supuesta al amplificar las diferencias. La
homogeneidad regional es finalmente caracterizada mediante la variabilidad de R de
los distintos Gj´ en las N estaciones, definida según:

 (G '
j  G ' )2
R J 1
J

Donde G’ es el valor medio regional de los Gj’ obtenido según:

6
 N
1
G'  N  n .G J
'
j

n J 1
J
J 1

Y i es la varianza muestral de G j’ estimada mediante i = V/nj, siendo V la varianza

regional esperada de los puntos G´ que, asumiendo distribución uniforme, es igual a
1/12.

R se distribuye según  2 con (N-1) grados de libertad, siendo N el número de

estaciones de la región. Esto fue confirmado por los autores con experimentos
numéricos mediante simulaciones de Montecarlo. Una vez obtenido R, si excede el
valor de  n21 (1-), se rechaza la hipótesis de homogeneidad con un grado de
significancia . El test requiere el conocimiento previo de la función de distribución de
la población.

RISARALDA

N
 QUINDIO
CHOCO

OCEANO RESULTADOS DE ANALISIS DE CLUSTER

PACIFICO
1.0
VALLE DEL
CAUCA 0.9
r de Pearson promedio

TOLIMA
0.8
0.7
0.6
0.5
CAUCA
0.4
0.3
0.2
0.1
0.0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50

Número de clusters

7
Figura 1. Localización de las estaciones Figura 2. Coeficiente de correlación promedio entre grupos vs número
de clusters.

Análisis Discriminante. Este método permite asignar una estación a un grupo definido a
priori en función de una serie de características del mismo. La base de dicho análisis consiste
en establecer una función discriminante que permita clasificar las variables en los diferentes
grupos. Hay tantas funciones discriminantes como grupos menos uno (k – 1) y para que sean
óptimas han de proporcionar una regla de clasificación que minimice la probabilidad de
cometer errores. Obtenidas las cargas discriminantes, se obtiene una clasificación de las
variables basada en el teorema de Bayes, y la probabilidad que una estación con una
puntuación discriminante determinada pertenezca a uno u otro grupo se estima a través de:

P ( D / Gi ) P (Gi)
P (Gi / D ) 
 P( D / Gi) P(Gi)
Siendo P (Gi) la probabilidad previa de que una estación pertenezca a un grupo determinado
de la muestra, P(D/Gi) la probabilidad condicional de obtener determinada puntuación
discriminante bajo el supuesto que la misma pertenezca a otro grupo, P(G i/D) es la
probabilidad posterior, que se calcula con el teorema de Bayes, permitiendo asignar a cada
sujeto al grupo en el cual su probabilidad posterior es mayor. La discriminación entre los k
grupos se realiza mediante el cálculo de las funciones discriminantes. Existen varios
procedimientos, en este caso se utilizó el de Fisher por ser uno de los más utilizados. Dicho
análisis se realizó a partir de la clasificación obtenida en el cluster jerárquico, y fue aplicando a
las 10 primeras componentes principales. El análisis de Componentes Principales (ACP), es
una técnica multivariada que permite transformar un conjunto de variables correlacionadas en
un nuevo conjunto menor de variables no correlacionadas (ortogonales). El método intenta
identificar la dimensión del campo espacial medido con las estaciones de precipitación.
(Johnson, 2000). En esencia, El ACP extrae p raíces o autovalores, y p autovectores de la
matriz de correlación. El número de raíces corresponde al rango de la matriz, que es igual al
número de vectores linealmente independientes. Los autovalores son numéricamente iguales a
la suma de los cuadrados de los pesos factoriales y representan la relativa proporción de la
varianza que representa cada componente. (Jhonson, 2000), trata la metodología inherente a
este análisis. El ACP no requiere una determinada distribución de probabilidad en los datos,
aunque los mejores resultados se pueden obtener cuando los datos originales son normales
multivariados. A partir de las 10 primeros CP, que representan el (72%) de la variabilidad del
conjunto de datos de precipitación, se efectuó el análisis Discrimiante, a partir de los
resultados obtenidos en el cluster jerárquico.

3. ANALISIS Y DISCUSION DE RESULTADOS

3.1 ANALISIS DE CLUSTER JERARQUICO

La figura 2 presenta los coeficientes de correlación promedio por grupos, para diferentes
clusters. Teóricamente, el número de grupos a emplear se define, cuando se presenta un
cambio significativo en la media del coeficiente de correlación intergrupos. En este caso se
tomaron 3 grupos de estaciones de precipitación. ARIDE (2001).

La figura 3 presenta los resultados del test de Dalrymple (1960) para el grupo 3. Se observa
que todas las estaciones pasaron dicho test. Este método tienen la desventaja de tener que
asumir una determinada función de distribución y la posibilidad de encontrar heterogeneidad
en períodos de retorno distintos al utilizado en la prueba. Hosking (1987), plantea que tiene un
escaso poder estadístico, porque en la mayoría de los casos confirma la homogeneidad
regional. Las aplicaciones del test se asocian casi siempre a un método de regionalización del

8
tipo variable índice, pero la escala del método, de comparar el ajuste regional con los límites
de confianza del ajuste local, es utilizable con cualquier método de regionalización.

50

45
40

Años de Registro (n)

35
30

25

20

15
10

5
0
1 10 100

Tiempo de Retorno Tr k (Años)

Yi Límite Inferior Ys Límite Superior ESTACIONES

Figura 3. Resultados del test de Dalrymple para el grupo 1 de estaciones

Método de Wiltshire y Berán (1987b) La tabla 1 resume los resultados del test aplicado a los
grupos, la prueba fue aceptada para los tres grupos con un 95% de confiabilidad, debido a
que los valores de G obtenidos, son menores que la evaluación de la correspondiente prueba
de  . Las simulaciones auxiliares de Montecarlo llevadas a cabo por Wiltshire muestran
2

que R efectivamente se distribuye según una  2 , aunque el poder estadístico del test es solo
moderado. Este test fue empleado también por FREND (1989), presentando como
inconveniente la necesidad de estimar previamente la ley regional F(x) para realizar el cálculo
de los valores de Gij y como ventaja la posibilidad de aplicación a cualquier tipo de
regionalización. Para cada una de las regiones se emplearon los parámetros de la función de
distribución EV1.

Tabla 1. Test de Wiltshire y Berán (1987b) para los tres grupos homogéneos seleccionados

9
 ESTACION nj Vj nj*Vj uj 1/uj g" gj/uj (gj-g")2/uj R X2
ACTO TULUA 27 0.00015 0.0039 0.0031 324.00 0.48 156.26 0.10
BUGALAGRANDE 27 0.00012 0.0033 0.0031 324.00 0.45 146.22 0.77
CAÑAVERALEJO 27 0.00012 0.0033 0.0031 324.00 0.45 144.97 0.90
EL PALACIO 27 0.00011 0.0031 0.0031 324.00 0.49 157.68 0.06
EL TOPACIO 27 0.00011 0.0029 0.0031 324.00 0.48 156.43 0.10
GALICIA 27 0.00011 0.0030 0.0031 324.00 0.49 157.29 0.07
GARZONERO 27 0.00011 0.0028 0.0031 324.00 0.51 164.36 0.02
LA ARGENTINA 27 0.00013 0.0036 0.0031 324.00 0.48 154.71 0.16
LA BALSA 27 0.00010 0.0027 0.0031 324.00 0.51 165.22 0.03
LA FONDA 27 0.00011 0.0028 0.0031 324.00 0.47 151.73 0.33
LA HERRADURA 27 0.00014 0.0039 0.0031 324.00 0.39 127.65 3.64
LOS CRISTALES 27 0.00009 0.0025 0.0031 324.00 0.50 161.82 0.00
R. CALI 27 0.00010 0.0026 0.0031 324.00 0.52 167.38 0.09
SAN ANTONIO 27 0.00010 0.0027 0.0031 324.00 0.53 172.24 0.32
SAN PABLO 27 0.00013 0.0036 0.0031 324.00 0.46 149.36 0.49
SANTA INÉS 27 0.00009 0.0025 0.0031 324.00 0.51 166.69 0.07
VIJES 27 0.00010 0.0028 0.0031 324.00 0.52 168.93 0.15
VILLACOLOMBIA 27 0.00008 0.0022 0.0031 324.00 0.52 167.76 0.10
VILLAMARÍA 27 0.00012 0.0032 0.0031 324.00 0.47 151.61 0.33
VILLARICA 27 0.00011 0.0029 0.0031 324.00 0.50 161.26 0.00

0.00223 0.0603 0.49 3149.56 7.73 7.73 30.10

ALCALA 27 0.00011 0.0029 0.0031 324.00 0.49 157.61 0.06
AUSTRIA 27 0.00010 0.0028 0.0031 324.00 0.49 159.85 0.01
CORINTO 27 0.00011 0.0028 0.0031 324.00 0.51 166.10 0.05
EL CASTILLO 27 0.00012 0.0032 0.0031 324.00 0.49 157.52 0.06
EL TRAPICHE 27 0.00013 0.0036 0.0031 324.00 0.49 157.48 0.06
GUACARI 27 0.00014 0.0037 0.0031 324.00 0.42 135.59 2.15
ICA 27 0.00013 0.0035 0.0031 324.00 0.50 163.52 0.01
IRLANDA 27 0.00010 0.0028 0.0031 324.00 0.52 168.13 0.12
LA DIANA 27 0.00013 0.0035 0.0031 324.00 0.51 163.94 0.01
LA FLORIDA 27 0.00011 0.0028 0.0031 324.00 0.52 167.70 0.10
LA GITANA 27 0.00012 0.0032 0.0031 324.00 0.50 161.79 0.00
LA MAGDALENA 27 0.00009 0.0025 0.0031 324.00 0.55 178.39 0.83
LA QUINTA 27 0.00012 0.0033 0.0031 324.00 0.52 168.21 0.12
LA SELVA 27 0.00008 0.0021 0.0031 324.00 0.53 172.56 0.34
LA SOLEDAD 27 0.00014 0.0037 0.0031 324.00 0.46 149.32 0.50
LOS ALPES 27 0.00013 0.0034 0.0031 324.00 0.46 149.58 0.48
MANUELITA 27 0.00010 0.0026 0.0031 324.00 0.54 175.73 0.58
MONTELORO 27 0.00013 0.0036 0.0031 324.00 0.48 154.31 0.18
PARDO 27 0.00011 0.0029 0.0031 324.00 0.50 162.63 0.00
PICHICHÍ 27 0.00015 0.0040 0.0031 324.00 0.49 160.31 0.01
SILVIA 27 0.00013 0.0034 0.0031 324.00 0.51 165.25 0.03
SUMATORIAS 0.00246 0.0664 0.50 3401.25 5.71 5.71 28.40
LA VICTORIA 27 0.00014 0.0037 0.0031 324.00 0.47 152.82 0.26
MIRAVALLES 27 0.00009 0.0024 0.0031 324.00 0.56 180.71 1.08
PTO MOLINA 27 0.00009 0.0024 0.0031 324.00 0.55 179.65 0.96
SABANAZO 27 0.00010 0.0027 0.0031 324.00 0.49 157.24 0.07
ZARAGOSA 27 0.00015 0.0041 0.0031 324.00 0.41 132.35 2.71
0.00056 0.0153 0.02 0.50 802.76 5.08 5.08 9.49

Análisis Discriminante a las Componentes principales. Los resultados se resumen en la

tabla 2 en la segunda columna se observa el grupo real clasificado, y en la tercera, se aplicó la
metodología basada en la teoría de Bayes y la probabilidad que un sujeto con una puntuación
discriminante determinada pertenezca a uno u otro grupo. El resultado indica que sólo 1 una
estación no está correctamente clasificada (Corinto). La correlación canónica es una medida
de asociación entre las puntuaciones discriminantes y los grupos. Una buena función
discriminante es aquella que proporciona 2 o más grupos con puntuaciones discriminantes
medias muy diferentes entre si y en cambio con poca variabilidad interna dentro de cada
grupo. Una forma de determinar la contribución de cada variable a la función discriminante
consiste en examinar la correlación entre las variables de la función y los de cada una de las
variables independientes.

La distancia de Mahalanobis es una generalización de la distancia euclídea que tiene en

cuenta la matriz de covarianzas intragrupos. La aplicación de éste criterio consiste en asignar
cada individuo al grupo para el cual la distancia de Mahalanobis sea mínima. Su expresión es:
p p
2
Dab  ( n  g ) Wij * ( Xia  Xib)( Xja  Xjb)
i 1 i 1
Donde Xia es la media de la variable i en el grupo a.

Las tablas 3 y 4 resumen las funciones canónicas discriminantes. Los valores de  1 = 0.04 y
de la correlación canónica (0.929) obtenidos para las dos primeras funciones discriminantes,
indican que la función obtenida es significativa y su poder discriminante alto.

Tabla 2. Análisis discriminante de los grupos homogéneos seleccionados

10
 GRUPO MAYOR SEGUNDO GRUPO MAYOR F discriminante
Grupo Grupo
No Estación real pronost. DM DM
P(D>d | G=g) P(G=g | D=d) Grupo P(G=g | D=d) F1 F2
p gl
1 ACTO TULUA 1 1 0.57 2 1.00 1.13 2 0.00 18.47 0.88 -2.31
2 ALCALA 2 2 0.11 2 0.95 4.46 1 0.05 10.56 -0.28 1.13
3 AUSTRIA 2 2 0.72 2 1.00 0.66 1 0.00 26.59 -3.13 0.53
4 BUGALAGRANDE 1 1 0.33 2 1.00 2.24 3 0.00 18.86 2.54 -0.36
5 CAÑAVERALEJO 1 1 0.48 2 1.00 1.45 2 0.00 30.11 2.18 -2.58
6 CORINTO 2 1 0.10 2 0.60 4.55 2 0.40 5.36 -0.22 -0.41
7 EL CASTILLO 2 2 0.13 2 1.00 4.02 1 0.00 41.29 -3.90 1.80
8 EL PALACIO 1 1 0.99 2 1.00 0.02 2 0.00 21.06 1.74 -1.57
9 EL TOPACIO 1 1 0.36 2 1.00 2.06 2 0.00 21.80 0.93 -2.79
10 EL TRAPICHE 2 2 0.64 2 1.00 0.90 1 0.00 17.00 -1.55 1.13
11 GALICIA 1 1 0.40 2 0.98 1.83 2 0.02 9.65 0.51 -0.73
12 GARZONERO 1 1 0.15 2 0.93 3.84 2 0.07 9.03 0.66 0.20
13 GUACARI 2 2 0.14 2 0.75 3.95 1 0.25 6.18 -0.71 -0.60
14 ICA 2 2 0.79 2 1.00 0.47 1 0.00 14.69 -1.91 0.01
15 IRLANDA 2 2 0.52 2 0.99 1.33 1 0.01 10.88 -1.37 -0.08
16 LA ARGEN 1 1 0.28 2 0.97 2.51 2 0.03 9.60 0.02 -1.48
17 LA BALSA 1 1 0.19 2 1.00 3.31 3 0.00 21.10 3.34 -0.99
18 LA DIANA 2 2 0.91 2 1.00 0.18 1 0.00 19.01 -2.43 0.15
19 LA FLORIDA 2 2 1.00 2 1.00 0.01 1 0.00 20.59 -2.40 0.61
20 LA FONDA 1 1 0.85 2 1.00 0.33 2 0.00 21.07 1.97 -1.08
21 LA GITAN 2 2 0.70 2 1.00 0.72 1 0.00 26.20 -2.63 1.35
22 LA HERRA 1 1 0.40 2 1.00 1.83 3 0.00 20.16 2.49 -0.50
23 LA MAGDA 2 2 0.46 2 0.99 1.56 1 0.01 10.81 -1.47 -0.36
24 LA QUINTA 2 2 0.73 2 1.00 0.62 1 0.00 27.29 -2.96 1.02
25 LA SELVA 2 2 0.80 2 1.00 0.46 1 0.00 22.96 -2.88 0.18
26 LA SOLEDAD 2 2 0.24 2 1.00 2.87 1 0.00 36.99 -3.52 1.75
27 LA VICTORIA 3 3 0.08 2 1.00 5.08 1 0.00 64.58 6.33 4.97
28 LOS ALPES 2 2 0.52 2 1.00 1.32 1 0.00 31.16 -3.25 1.23
29 LOS CRISTALES 1 1 0.26 2 1.00 2.69 2 0.00 36.10 2.70 -2.75
30 MANUELITA 2 2 0.88 2 1.00 0.26 1 0.00 22.72 -2.40 1.07
31 MIRAVALLES 3 3 0.14 2 1.00 3.98 1 0.00 16.90 4.48 1.41
32 MONTELORO 2 2 0.92 2 1.00 0.17 1 0.00 21.91 -2.36 0.97
33 PARDO 2 2 0.37 2 1.00 2.00 1 0.00 15.04 -2.22 -0.85
34 PICHICHÍ 2 2 0.68 2 1.00 0.76 1 0.00 18.92 -2.57 -0.28
35 PIENDAMO 2 2 0.52 2 1.00 1.29 1 0.00 23.10 -2.00 1.66
36 PTO FRAZ 2 2 0.52 2 1.00 1.30 1 0.00 22.04 -2.95 -0.38
37 PTO MOLI 3 3 0.58 2 1.00 1.08 1 0.00 44.59 4.63 4.43
38 R. CALI 1 1 0.31 2 1.00 2.32 2 0.00 33.91 2.44 -2.80
39 SABANAZO 3 3 0.33 2 1.00 2.23 1 0.00 53.24 5.27 4.78
40 SAN ANTO 1 1 1.00 2 1.00 0.01 2 0.00 19.20 1.57 -1.46
41 SAN EMIG 2 2 0.64 2 1.00 0.90 1 0.00 23.30 -3.01 -0.09
42 SAN PABL 1 1 0.94 2 1.00 0.13 2 0.00 22.99 1.90 -1.72
43 SANTA IN 1 1 0.11 2 0.99 4.40 2 0.01 14.44 -0.20 -2.59
44 SILVIA 2 2 0.18 2 1.00 3.41 1 0.00 38.43 -3.53 1.96
45 VIJES 1 1 0.91 2 1.00 0.19 2 0.00 16.85 1.17 -1.60
46 VILLACOL 1 1 0.83 2 1.00 0.37 2 0.00 17.06 1.06 -1.81
47 VILLAMAR 1 1 0.61 2 1.00 0.98 3 0.00 26.74 2.57 -1.31
48 VILLARIC 1 1 0.45 2 1.00 1.61 2 0.00 15.76 1.57 -0.26
49 ZARAGOSA 3 3 0.02 2 0.79 7.40 1 0.21 10.07 2.91 1.37

La  de Wilks permite evaluar la información que aporta cada función discriminante en

particular. También se observa que los valores de la correlación canónica decrecen, y la
primera función discrimina más que la segunda. La correlación canónica mide la desviación de
las puntuaciones discriminantes entre grupos respecto a las desviaciones totales sin distinguir
grupos. El autovalor mide la desviación de las puntuaciones discriminantes entre los grupos
respecto a las de dentro de los grupos. En ambos casos si la desviación es grande, la
dispersión será debida a la diferencia entre grupos y en consecuencia la función discriminará
mucho los grupos.

Tabla 3. Resultados del test  de Wilks para las funciones canónicas

Contraste de las  de Wilks Chi-cuadrado Gl Sig.

funciones
1 a la 2 .040 133.856 20 .000
2 .292 51.106 9 .000

Tabla 4. Autovalores de las funciones canónicas discriminantes.

Función Autovalor % de varianza % acumulado Correlación

canónica
1 6.345 72.3 72.3 .929
2 2.426 27.7 100.0 .842
a Se han empleado las 2 primeras funciones discriminantes canónicas en el análisis.

4. CONCLUSIONES Y RECOMENDACIONES

11
La homogeneización de las series para el tratamiento conjunto de los datos, permite, hacer
análisis más robustos, y reducir la incertidumbre existente respecto a la representatividad y
consistencia de una muestra local. Así mismo, una excesiva heterogeneidad de los datos en la
región puede conducir a valores erróneos en la estimación de parámetros estadísticos. Aunque
no existe un procedimiento que asegure la correcta definición de la región para el análisis de
precipitación o caudal, lo recomendable es emplear el método geográfico y confirmarlo con un
test de homogeneidad, que verifique la región.

El método geográfico puede considerarse el más adecuado para definir las regiones, cuya
homogeneidad debe ser contrastada con un test estadístico. La selección del método de
comprobación depende del grado de homogeneidad que se quiera asumir. A nivel de
conclusión, el método de Dalrymple es de poca potencia, al no considerar la homogeneidad de
cuantiles diferentes a un Tr = 10. El test de Wiltshire, y en general los test basados en la
prueba estadística de  2 tienen una potencia moderada.

Gran parte de los métodos de regionalización desarrollados en Colombia, parten de la

regionalización en función de un conjunto de características específicas de las cuencas, dicha
clasificación rara vez se confirma al comparar los estadísticos observados, por lo cual es
recomendable explorar otras técnicas complementarias en los métodos de regionalización o
definición de series homogéneas. El test de homogeneidad regional es necesario para probar
que una muestra de observaciones de un fenómeno hidrológico es homogénea, es decir, para
cuantificar los límites de las variaciones admisibles, fuera de los cuales se rechaza la hipótesis
de homogeneidad; definiendo la región de aceptación de la hipótesis, podrían considerarse
como homogéneas, las muestras que quedan dentro de esas bandas.

Vale la pena resaltar que si las series presentan inconsistencias, al hacer la clasificación
estadística, se obtienen heterogeneidades e inconsistencias geográficas. Estas situaciones
conducen a que una prueba de homogeneidad sea rechazada, por lo cual se recomienda
efectuar un tratamiento previo exhaustivo de la información antes de llevar a cabo el análisis
de regionalización. Puede ocurrir también que la heterogeneidad sea debida a eventos
extremos muy localizados, lo cual conduce a asumir (al utilizar dichos datos) que estos
sucesos se producen en toda la región.

REFERENCIAS BIBLIOGRAFICAS

Acreman M.C. y Sincalir C. D., 1986: “Classification of Drainage basins according to their
physical characteristics ; An application for flood frecuency analysis in Scotland” J. Hydrol., 84
365-380.

Arias A,, Y. y Soto, C., 2000 “Regionalización de Caudales Medios de las Corrientes Afluentes
Superficiales al Río Cauca entre Salvajina y Cartago”, Trabajo de Grado, Universidad del Valle
- Universidad Nacional de Colombia, Santiago de Cali, Palmira – Colombia.

ARIDE, 2001. Assesment of the Regional Impact of Droughts in Europe. Final Report. Institute
of Freiburg. Freiburg.Germany.

Benson M.A., 1962: “Evaluation of methods for evaluating the ocurrence of floods “ Water
Resour. Res., 4 (5), 891-895.

Dalrymple, T., 1960: Flood Frecuency analyses” Water Supply Pap. 1543-A, U.S. Geological
Survey, Reston, Va.

De Coursey D. G., 1973: “ Objetive regionalizaton of peak flows rates”. Floods and Droughts,
395-405, Ed. E.F. Koelzer, V.A. Koelzer y K. Mahmood. Proc of the second International
Symposium in Hydrology, Sept. 1972, fot Collins, Colorado USA.

12
Erazo, A. M. “Estudio de Regionalización de Caudales Máximos para Diseño" Corporación
Autónoma Regional del Valle del Cauca. 1998.

Ferrer, J, P. 1996. Función de distribución SQRT-Et max en el análisis regional de máximos

hidrológicos. Aplicación a lluvias diarias. Tesis Doctoral. Dpto. Ingeniería Civil Hidráulica y
Energética. Universidad Politécnica de Madrid.

FREND. 1989: Flow Regimes from experimental and network data, Vol, 1 Hydrologycal
studies”. Ed. Institute of Hydrology, Wallinford. 344 pp.

HIMAT, IDEAM e Ingeniería y Recursos Hídricos Ltda. 1995. “Regionalización de Crecientes

Máximas”, Santa Fé de Bogotá D.C. 1995.

Hosking J.R.M., 1987: “ Regional homogeneity: Review of statistical flood frecuency

estiamtion”. Open file report n 6, Institute of Hydrology, 34 pp.

Instituto del Agua., 1992 “Estudio hidrológico de ramblas Costeras de la región de Murcia”.
Univ Murcia.

Johnson, Dallas. 2000. Applied multivariate methods for data analysis. International Thompson
Plublishing.

Lettenmaier D.P. y Potter K.W., 1985: “Testing flood frecuency estimation methods using a
regional flood generating modelo”. Water Resour. Res,. 21(12), 1903 -1914

MEJIA M., PERRY. 1987. Estudio de aguas en el área geográfica del Valle del Cauca bajo la
jurisdicción de la CVC. Colombia.

Mesa, O. Et al. 1998. Introducción al clima de Colombia. Universidad Nacional de Colombia.

Sede Medellín. Facultad de Minas. Posgrado de Aprovechamientos Hidráulicos. Medellín -
Colombia.

Mosley M.P., 1 981:”Delimitation of New Zealand into hydrologic regions”. J. Hydrol., 49, 173-
192.

NERC, 1975: “Flood studies report” Nat Environ. Res. Council, London, vols. 1 – 5, 1100 pp.

Regalado H., G. Et al 1984. “Estudio Regional de Frecuencias de Caudales Máximos para la

Cuenca del Pacifico”, VI Seminario Nacional de Hidráulica. Santiago de Cali.

Wiltshire S., 1986: Identification of homogeneous regions for flood frecuency analysis” J.
Hydrol., 84, 287 – 302.

Wiltshire S. Y Beran M., 1987 a: “Multivariates Techniques for the identification of

Homogeneous flood frecuency Regions”. Regional Flood Frecuency Analysis, 133-145, Ed V.P.
Singh. Reidel Publising Company

Wiltshire S. Y Beran M., 1987b: “A significance test for homogeneity of flood frecuency
regions”. Regional Flood Frecuency analysis, 147-158, Ed V.P. Singh. Reidel Publising
Company.

13