UNIVERSIDAD POLITÉCNICA DE MADRID

ESCUELA TÉCNICA SUPERIOR

DE INGENIEROS DE MONTES

DEPARTAMENTO DE INGENIERÍA FORESTAL

TESIS DOCTORAL

DOCTORANDO: LETICM DE SALAS REGALADO

DIRECTOR: José A. Fernández Yuste

Madrid, 2004
 DEPARTAMENTO DE INGENIERÍA FORESTAL

ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE MONTES

Universidad Politécnica de Madrid

REGIONALIZACION DE LEYES IDF PARA EL USO DE MODELOS

HIDROMETEOROLÓGICOS DE ESTIMACIÓN DE CAUDALES.

Tesis que para optar al grado de DOCTOR presenta la

Ingeniero de Montes:
Dfia. Leticia de Salas Regalado.

EL DIRECTOR de la Tesis: El Doctorando:

Fdo: José Anastasio FERNANDEZ YUSTE Fdo: Leticia DE SALAS REGALADO

Dr. Ingeniero de Montes.
Catedrático de Escuela Universitaria

Año 2004
 Tribunal nombrado por el Magfco. y Excmo. Sr Rector de la Universidad Politécnica

de Madrid, el día HP d£2QÜ_.

Presidente:

Vocal:

Vocal: —

Vocal:

Secretario:

Suplente:

Suplente: _^

Realizado el acto de defensa y lectura de la Tesis el día de

de 2005, en

Calificación:

EL PRESIDENTE, EL SECRETARIO,

Fdo: Fdo:

EL VOCAL, EL VOCAL, EL VOCAL,

Fdo: Fdo: Fdo:

"Las inundaciones no se producen porque los ríos crezcan,
sino porque el país se hunde".

(R, Gómez de la Serna)

 A mifamilia,

por su paciencia y comprensión

ÍNDICE

Resumen I
Siuumary II
Agradecimientos III
Abreviaturas más utilizadas IV

l.-OBJETIVOS 1
2.-JÜSTIFICACIÓN 3
3.-ANTECEDENTES 4
3.1.-INTRODUCCIÓN 4
3,l.l.-Tipo de actuaciones 5
3.1.2.-Métodos de estimación de caudales máximos 7
3.1.2.1.-Modelos hidrometeorológicos y la ley IDF 9
3.1.3 .-Conclusión 11
3.2.-ANTECEDENTES DE LAS LEYES IDF 12
3.2.1.-Consideraciones previas 12
3.2.2.- Evolución del análisis defrecuenciade valores extremos 15
3.2.2.1.-Desarrollo defimcionesde distribución específicas 15
3.2.2.2.-Desarrollo de métodos de estimación de parámetros de las
funciones de distribución 19
3.2.2.3.-Desarrollo de métodos para incrementar la información 23
3.2.2.4.-Conclusión 34
3.2.3.-Evolución en las relaciones IDF utilizadas 35
3.2.3.1.-Definición de las variables 37
3.2.3.2.-Antecedentes de las curvas IDF en el mundo 38
3.2.3.3.-Relaciones utilizadas en las curvas IDF 38
3.2,3.4.-Variación geográfica 41
3.2.3.5.-Antecedentes de las curvas IDF en España 41
3.2.3.6,-Conclusión 47
3.3.-CONCLUS10NES 48
4.-METODOLOGÍA: VISIÓN GENERAL 50
5.- ESTACIONES CON PLUVIÓGRAFO 53
5.1.-MATERIAL Y MÉTODOS 53
5.1.1.-Datos; series de intensidades máximas 53
S.l.l.l.-Análisis de datos 58
5.1.1.1.1.-Representación de datos 58
5.1.1.1.2.-Prueba de datos dudosos 59
5.1.1.1.3.-Independencia de datos 63
5.1.1.2.-Conclusión 66
5.1.2.-RegionalÍ2ación 67
5.1.2.1.-Descripción general de la metodología 67
5.1.2.2.-Confotmación de regiones homogéneas 73
5.1.2.2. l.-Defínición de las regiones 73
5,1.2.2.2.-Análisis de la homogeneidad 76
5.1.2.3.- Selección de la función de distribución 86
5.1.2.4.-Estimación de parámetros en cada región 90
5.1.2.5.-Validación 94
5.1.2.6.- Obtención de cuantües adimensionales 96
5.1.2.7.- Obtención de las intensidades máximas para cada duración y
período de retomo 96
5.1.3.-Selección del modelo IDF 97
5.1.3. l.-Modelos estudiados 98
5.2.-RESULTADOS 100
5.2.1.-Conformación de regiones 100
5.2.1.1.-Análisis de homogeneidad 109
5.2.1.2.- Análisis complementario 120
5.2.2.- Estimación de parámetros 127
5.2.2. l.-Elección del método para la estima 131
5.2.3.-Validación 139
5.2.4.-Cuantiles adimensionales adoptados 147
5.2.5.- Selección del modelo I-D 149
5.3.-DISCUSIÓN 152
5.3.1.-Introducción 152
5.3.2.- Comparación de intensidades estimadas 153
5.3.3.-Análisis de la robustez de las estimas 158
5.3.4.-Conclusión 164
S.4.-CONCLUSIONES 165
6.-ESTACIONES SIN PLUVIÓGRAFO 166
6.1.- MATERIAL Y MÉTODOS 166
6.1,1.- Datos disponibles 166
6.1.2.-Hipótesis departida 167
6.1.3.-Criterios para abordar el problema 169
6.1,3.1,-Criterio para extender la ley I-D 170
6.1.3.2.- Criterio para seleccionar cuantiles 171
6.1.4.-0btención de las intensidades máximas para cada duración y
período de retomo 173
6.2.-RESULTADOS 174
6.2.1.- Mapa de isolíneas de los parámetros "K" y "a" 174
6.2.2.- Funciones h(T) 183
6.3.-DISCUSIÓN 188
7.-CONCLUSIONES FINALES 192
8.-BIBLIOGRAFÍA 200
8.L- REFERENCIAS INTERNET

APÉNDICES

APÉNDICE I .PRUEBA DE DATOS DUDOSOS .. AI.I

APÉNDICE II: MODELOS I-D ANALIZADOS AUI
APÉNDICE ID: ANÁLISIS DE SENSIBILIDAD AIII.I
APÉNDICE IV: APLICACIÓN PRÁCTICA AIV.I

ANEJOS

Q A N E J O I.SERIES SUMINISTRADAS POR I N M

D A N E J O 2.REPRESENTACI0N DE SERIES
Q ANEJO 3. SERIES ADIMENSIONÁLES
Q ANEJO 4. L-MOMENTOS
Q A N E J O 5.TESTS DE HOMOGENEIDAD
G3 ANEJO e. AJUSTE SQRT-ETmax
Q ANEJO 7. REPRESENTACIÓN Y TEST KOLMOGORV SMIRNOV
Q ANEJO 8. MÉTODO MONTECARLO
Q ANEJO 9. CÁLCULO RESIDUOS
G3ANEJ010. MAPAS
 \

Tabla l.-Intensidades máximas (mm/h) para cada duración y período de retomo 12

Tabla 2.- Resumen de las características de las principales funciones de distribución manejadas 18
Tabla 3.-Resumen de las características de los distintos métodos 22
Tabla 4.- Información suministrada por el I.N.M. en la estación de Valls (0034) 54
Tabla 5.- Tabla resumen de las estaciones, código, localización, y número de años
disponibles suministrado por el Instituto Nacional de Meteorología 57
Tabla 6.- Valor de "Ka" en función del tamaño déla muestra 61
Tabla 7.- Coeficiente de correlación entre las series correspondientes a cada duración de las
estaciones, estudiadas 63
Tabla 8.- Matriz de correlación de las series de intensidades máximas para cada duración en
la estación de Valls (0034) 65

Tabla 9.- Valores del cociente '°^^'' ' en la estación de Valls (0034) 70
J'máxW

Tabla 10.- Parámetros estadísticos de las series '"^ V , para cada duración en

la estación de Valls (0034) 70

Tabla 11.- Estimadores y L-momentos en la estación de Valls (0034) 79
Tabla 12.- Valores de D crítico en ílinción del número de estaciones de la región 82
Tabla 13.- Distribución de estaciones con pluviógrafo en cada una de las regiones definidas
porFerrer 101
Tabla 14.- Número de estaciones disponible en cada re^ón definida por Ferrer y Ardiles (1994).... 102
Tabla 15.- Resumen de estadísticos y resultados de aplicar el Test de Medida de la
Discordancia en la estación de Salamanca (2867) con todas las series disponibles 103
Tabla 16.- Aplicación del Test de Heterogeneidad en la estación de Salamanca (2867) 104
Tabla 17.- Resultados de aplicar el Test de Medida de la Discordancia al eliminar la serie
de 360 minutos en la estación de Salamanca (2867) 104
Tabla 18.-Resultados de aplicar el Test de Medida de la Heterogeneidad al eliminar la
serie de 360 minutos en la estación de Salamanca (2867) 105
Tabla 19.- Aplicación del Test de Discordancia en la estación de Salamanca (2867)
considerando todas las seríes menos la de 5 minutos 105
Tabla 20.- Resultados de aplicar el Test de Heterogeneidad al eliminar la serie de
5 minutos en la estación de Salamanca (2867) 106
Tabla 21.-Resultados de apHcar el Test de Medida de la Discordancia al eliminar la serie
de 24 horas en la estación de Salamanca (2867) 106
Tabla 22.- Resultados de aplicar el Test de Medida de la Heterogeneidad en la estación
de Salamanca (2867) al eliminar la serie de 24 horas 107
Tabla 23.- Resultados de aplicar el Test de Medida de Discordancia en la región
"largas duraciones" en la estación de Salamanca (2867) 108
Tabla 24,- Resultados de aplicar el Test de Heterogeneidad en la en la región
"largas duraciones" en la estación de Salamanca (2867) 108
Tabla 25.- Resultados de aplicar el Test de Medida de Discordancia en la región
"cortas duraciones" en la estación de Salamanca (2867) 108
Tabla 26.- Resultados de aplicar el Test de Heterogeneidad en la en la región
"cortas duraciones" en la estación de Salamanca (2867) 109
Tabla 27.- Resultados de aplicar el Test de Medida de la Discordancia en la región
"cortas duraciones" en la estación de Valls (0034) 111
Tabla 28.- Resultados de aplicar el Test de Medida de la Discordancia en la región
"cortas duraciones" en la estación de Valis (0034) 111
Tabla 29.- Resultados de aplicar el Test de Heterogeneidad en la región
"cortas duraciones", en la estación de Valls (0034) 113
Tabla 30.- Relación de estaciones en las que "H" es menor que 1 y "D" ligeramente discordante.... 114
Tabla 31.- Relación de estaciones en las que "H" se encuentra en el intervalo (1-2) 115
Tabla 32.- Relación de estaciones en las que "H" es mayor que 2 116
Tabla 33.- Resumen de resultados obtenidos en el Análisis de Homogeneidad 119
Tabla 34.- Coeficiente de variación en las regiones "cortas y largas duraciones" de cada estación... 121
Tabla 35.- Estaciones con coeficientes de variación mayor que 0,6 en la región
"largas duraciones" 122
Tabla 36.- Coeficiente de variación en región "largas duraciones" al eliminar datos de años
de intensidad máxima extraordinaria 123
Tabla 37.- Cálculo de L-Cv en las regiones "cortas" y "largas" duraciones de cada estación 124
Tabla 38. - Cociente de coeficiente de variación de la región cortas duraciones entre
el de largas duraciones, asi como el cociente de L-Cv 126
Tabla 39.- Parámetros de la función SQRT-ET máx para cada una de las regiones definidas
en cada estación 128
Tabla 40.- Aplicación del Test de Kolmogorov-Smirnov en la región "cortas duraciones"
en la estación de Sabadell (0225) 132
Tabla 41.- Aplicación del Test Kolmogorov-Smimov en la región "cortas duraciones
en la estación de Santiago (1428) 133
Tabla 42.- Aplicación del Test Kolmogorov-Smimov en la región "largas duraciones
en la estación de Caldas de Mombuy (0222) 135
Tabla 43,- Método de estimación de parámetros elegido en cada región, enfimcióndel
criterio adoptado 138
Tabla 44.- Número de regiones dentro de cada intervalo de clase del coeficiente de variación 140
Tabla 45.-Regiones utilizadas para la validación 141
Tabla 46.- Cuantiles adimensionales adoptados en cada una de las regiones 149
Tabla 47.- Parámetros "K " y " a" de la expresión I-D. seleccionada en cada una de las
estaciones con pluviógrafo 150
Tabla 48.- Estaciones utilizadas en la comparación de las estimas obtenidas por el INM
y en la presente Tesis 154
Tabla 49.- Valores medios de los residuos "S(%)" para las duraciones más usuales,
30<d (minutos)<720, en cada estación 156
Tabla 50.- Valores de S(%) medios en términos absolutos para las estaciones analizadas 157
Tabla 51.- Cuantiles adimensionales deducidos con todos los datos y al eliminar el mismo
dato por ambas metodologías en la estación de Valls (0034), en la región
"largas duraciones" 160
Tabla 52.- Diferencias relativas (%) en ambas metodologías, al eliminar un dato en la
estación de Valls (0034), en la región "largas duraciones" 161
Tabla 53.- Cuantiles adimensionales deducidos con todos los datos y al eliminar
el mismo dato por ambas metodologías en la estación de Figueras (0429) 163
Tabla 54.-Diferencias relativas (%) obtenidas por ambas metodologías en la estación de
Figueras (0429) para la región "largas duraciones" 163
Tabla 55.-Estac¡ones con menor valor de "K" de todas las estaciones disponibles 175
Tabla 56. -Estaciones con menor valor de "a" de todas las estaciones disponibles 175
Tabla 57.- Cota de situación de las estaciones con los parámetros "K" y "a" ntiás bajos 178
Tabla 58.- Factores F y R en las estaciones estudiadas y con las que se quiere
comparar por su proximidad 179
Tabla 59.-Valores del cociente CAe(T)/CAFERRER(T) en las estaciones con pluviógrafo 184
Tabla 60.-Valores del cociente CAL(T)/CAFERRERÍT) en las estaciones con pluviógrafo 186
Figura 1.- Daños producidos por desastres naturales en el mundo en vidas humanas
y en costes econóaücos en la decada 1986-1995 3
Figura 2.-Curvas IDF 13
Figura 3.- Mapa de Isolíneas K=Ii/Id 44
Figura 4.-Mapa de isolineas k==Ii/Id 44
Figura 5.-Representación de la serie temporal de intensidades máximas de cada duración 58
Figura 6.- Representación de las series temporales en estaciones con datos dudosos 60
Figura 7,-Ajuste de la serie I^o a las ñinciones Gumbel y SQRT-ET máx 68
Figura 8.- Ejemplo de estación discordante. (Fuente: Regional Frecuency Analysis.
Hosking y Wallis. 1997) 80
Figura 9.- Representación L-Cvfrentea L-Ca. (Fuente: Regional Frecuency Analysis.
Hosking y Wallis. 1997) 80
Figura 10.-Diagrama de L-momentos adimensionales 89
Figura 11.- Representación de los L-momentos en ambas "regiones" de la estación de
Valls(0034) 110
Figura 12.- Distribuciones empírica y teórica de la serie adimensional de largas duraciones en la
estación de Valls (0034), ajustadas a la función SQRT-ET máx por el método de
máxima verosimilitud y por momentos 130
Figura 13.- Representación de la serie adimensional de largas duraciones en la estación de
Valls (0034), así como el ajuste a la función SQRT-ET máx por el método de
máxima verosimilitud y por momentosfrenteal período de retomo 130
Figura 14.- Representación gráfica de la serie que conforma la región "cortas duraciones" en la
estación de Valls (0034), junto con los ajustes a la función SQRT-ET máx
por ambos métodos, máxima verosimilitud y momentos 133
Figura 15.- Representación de la serie histórica junto con los ajustes por ambos métodos de
estimación en la región "cortas duraciones" en la estación de Santiago (1428) 134
Figura 16.- Representación de la serie histórica junto con los ajustes por ambos métodos de
estimación en la región "largas duraciones" en la estación de Caldas
de Mombuy (0222) 136
Figura 17.- Representación de la serie histórica junto con los ajustes por ambos métodos de
estimación en la región "largas duraciones" en la estación de Caldas
de Mombuy (0222)frenteal periodo de retomo 136
Figura 18.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas (en rosa) en la región "cortas duraciones" de la estación de
Sallent (0111) y en Ponferrada (1549) en "largas duraciones" 141
Figura 19.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas (en rosa) en la región "largas duraciones" de las estaciones:
Sallent (0111), Punto Centro (1499), en Getafe (3200), en Soria (2030) , y en
"cortas duraciones" en Sabadell (0225) y en Valls (0034) 142
Figura 20.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas (en rosa) en la región cortas duraciones de Barcelona (0201),
Santander (1110), Figueras (0429), y de largas duraciones de la estación Caldas
de Mombuy (0222), Valis (0034) y Sabadell (0225) 143
Figura 21.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas (en rosa) de la región de cortas duraciones de Guadarranque (6024)
y Punto Centro (Vigo) (1499) 144
Figura 22.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas (en rosa) en la región de "largas duraciones" en Sondica (1082) 144
Figura 23.- Representación de coeficiente de variación y asimetría de las muestras generadas
(en azul) y observadas en rosa en la región de "largas duraciones" en la estación
de Almería (63250) 145
Figura 24.- Representación de valores observados (en rosa), eliminando previamente
los años extraordinarios, y valores generados (en azul) en la región "largas duraciones"
en la estación de Sondica (1082) 146
Figura 25.- Representación gráfica de la variación de los residuos "S(%)" con el período
de retomo y la duración en la estación de Molina (3013) 155
Figura 26,-Representación gráfica de S(%) medio en términos absolutosfi'enteal LN(T)
en cada una de las estaciones analizadas 157
Figura 27.- Representación de los cuantiles adiraensionales deducidos en la presente Tesis
y por el INM en la estación de Valls(0034) para la región "largas duraciones" 161
Figura 28.- Representación de los cuantiles adimensionales deducidos en la presente Tesis
y por el EMM en la estación de Figueras(0429) para la región "largas duraciones" 163
Figura 29.- Número de estaciones con el mismo valor de "K" 174
Figura 30,-Número de estaciones con el mismo valor de "a" 175
Figura 31.- Cociente de cuantiles CAL/CAJ para largas duracionesfícentea Ln(T) 186
Figura 32.- Cociente de cuantiles CAc/CAp para cortas duracionesfirenteaLn(T) 187
Esquema 1.-Proceso de formación de un caudal 5
Esquema 2.- Proceso de formación de las curvas DDF 36
Esquema 3.-Metodología desarrollada en la presente Tesis 52
Esquema 4.- Esquema del análisis realizado en estaciones con pluviógrafo 72
Esquema 5.- Resumen de los Análisis de Homogeneidad en "cortas duraciones" 117
Esquema 6.- Resumen de los Análisis de Homogeneidad en "largas duraciones" 118
Esquema 7.- Criterios adoptados en la elección del método de estimación de parámetros 137
Esquema 8.- Esquema del análisis realizado en estaciones sin pluviógrafo 168

Mapa 1.- Distribución de las estaciones con pluviógrafo en la España Peninsular 56

Mapa 2.- División de la España Peninsular en 26 regiones geográficas con características
meteorológicas comunes (Ferrer y Ardiles, 1994) 74
Mapa 3.- Mapa de las regiones elaborado por Ferrer y Ardiles para el estudio de máximas
lluvias en España, junto con las estaciones con pluviógrafo disponible 100
Mapa 4.- Gradientes originados en las proximidades de Madrid como consecuencia de
las variaciones del parámetro "K" en las estaciones próximas 176
Mapa 5.- Mapa de relieve junto con las estaciones disponibles en la España Peninsular.
En rojo las estaciones con un valor de "K" más bajo 177
Mapa 6.- Estaciones analizadas, junto con las estaciones con las que se compara 179
Mapa 7.-Mapa de isolíneas "K" 181
Mapa 8.-Mapa de isolíneas "a" 182
RESUMEN.

El trabajo de Investigación que recoge esta memoria aborda el estudio de la ley

defrecuenciasde intensidades máximas anuales de lluvia para distintas duraciones. La
estimación de intensidades máximas anuales para distintos períodos de retomo es
imprescindible en la aplicación de modelos hidrometeorológicos para el cálculo de
caudales o de hidrogramas.

Para el ajuste de la ley de frecuencias se ha utilizado la metodología de

regionalización del tipo "índice de avenida", que proporciona estimas más robustas que
los métodos tradicionales. Esta cualidad es especialmente valiosa en el caso de variables
aleatorias de valores extremos, de las que se disponen de series de valores observados
relativamente cortas y en las que, habitualmente, las estimas requeridas son las que se
corresponden afrecuenciasbajas (y por tanto, altos períodos de retomo).

También se ha revisado la ley IDF que desde los años setenta se utiliza en
España, proponiendo una nueva expresión biparamétrica. Contando con las isolíneas de
esos dos parámetros, la ley IDF puede aplicarse a cualquier punto de la España
Peninsular, permitiendo obtener hietogramas sintéticos a partir únicamente de los
valores de precipitación máxima diaria anual (PMDA).

Dado el carácter eminentemente práctico de esta investigación, se ha abordado la

presentación de resultados en soporte informático, realizando una aplicación en un
Sistema de Información Geográfica (SIG).
SUMMARY.

The present research report analyzes the study of the frequency law of máximum
intensiíy precipitation for different durations. The estimation of annual máximum
intensity for different retum periods plays a very important role in the application of
hydrometeorological models in order to calcúlateflowsand hydrograms.

The regionalization type "index-flood" procedure has been used for adjusting
frequency laws since it provides more robust estimates than traditional methods. This
property is especially valuable in the case of extreme valúes, in which series are quite
short and the required estimates have lowfrequency(high retum periods).

The IDF curves currently used in Spain, described in the seventies, have also
been reviewed, with the aim of proposing another biparametric expression. In this way,
the IDF law can be applied in every point in the Península of Spain with the parameter
iso-lines, and therefore, synthetic hietograms can be obtainedfromthe annual máximum
daily precipitation (AMDP).

According to the practical character of the investigation, the results are presented
in informatíc support, designing an application on a Geographic Information System
(GIS).

n
 AGRADECIMIENTOS.

Quiero manifestar mi gratitud a un buen número de personas, sin las cuales este
trabajo no hubiera sido posible.

De manera especial, a mi Director de Tesis, D. José Anastasio Fernández Yuste,

que con su apoyo, asesoramiento y constante estímulo ha sido vital para orientar esta
investigación correctamente.

A mis compañeras de la Unidad Docente, por sus consejos prácticos en la lucha

con el ordenador, sus sugerencias sobre diversos aspectos de la Tesis y su ánimo en los
momentos bajos.

A Leticia Carrero y a Sergio González por su ayuda inestimable en todos

aquellos aspectos relacionados con los sistemas de información geográfica, y que me
han permitido presentar los resultados de la presente Tesis de manera amigable para el
usuario.

A D. Alejandro Vivar Sanz, por su útil asesoramiento en cuantas dudas

estadísticas surgieron, y que con el desarrollo de una hoja de cálculo simplificó
notablemente la tarea de validar el modelo desarrollado.

A W Jesús por su ajoida en la traducción al inglés.

A Javier Álvarez, del Centro de Estudios Hidrográficos del CEDEX, por su

interés y por cederme el valor más preciado en la sociedad actual, su tiempo.

A mi hermana Elena, que voluntariamente se prestó a ayudarme en lo que fuera.

A todos ellos, y a los que sin intención pudiera haber olvidado, ¡gracias!.

Madrid, 2004

m
Abreviaturas más utilizadas:

a es un parámetro de la función,
b es un parámetro de la función.
C& coeficiente de asimetría de la muestra.
CA(T)F cuantíl adimensional para un período de retomo T siguiendo los resultados de
Ferrer para la estimación de precipitaciones máximas diarias.
CA(T)regi6n cuantil adimensional para un período de retomo T, deducido en la presente Tesis
para la obtención de Intensidades máximas en una región.
CAc(T) cuantil adimensional para un período de retomo T (años) para la obtención de
intensidades máximas cuando la duración d es ^ 1 hora deducido en la presente Tesis.
CAL(T) cuantil adimensional para un período de retomo T (años) para la obtención de
intensidades máximas cuando la duración d es >lhora deducido en la presente Tesis.
CAx-siN cuantil adimensional deducido en la presente Tesis al eüminar el máximo valor de la
serie.
CAT. TODOS cuantil adimensional deducido en la presente Tesis con todos los datos.
Cv coeficiente de variación de la muestra.

d (horas) duración, ventana temporal en la que se desea evaluar la intensidad máxima.

D medida de la discordancia.
Dcrítica distancia crítica en el Test de Kolmogorov-Smimov.
Dmix diferencia del valor estimado menos el valor observado.

D„ estadístico definido en la expresión Dn= máx¡i^«(jic) — Fix)\

F índice de Agresividad de la lluvia de Foumier.

F(x) fimción de distribución teórica de la población que se quiere contrastar.
Fn(x) función de distribución empírica de la muestra.
g(d) función que recoge la variación del cociente de la Intensidad máxima anual media
para una duración "d" entre la de 24 horas y la duración .
H medida de la heterogeneidad.
h(T) función que recoge la variación de la Intensidad con el período de retomo T.
hc(T) función que relaciona los cuantiles adimensionales para intensidades de "cortas
duraciones" con los correspondientes a lluvias diarias recogidos estos últimos en
"Máximas lluvias diarias en la España Peninsular".
hL(T) ñinción que relaciona los cuantiles adimensionales para intensidades de "largas
duraciones" con los correspondientes a lluvias diarias recogidos estos últimos también en
"Máximas lluvias diarias en la España Peninsular".
I(d,T) mm/h intensidad máxima anual para un período de retomo de T (años) y una duración d (horas)
en la ventana temporal en que se desea evaluar la intensidad.
Ii (mm/h) intensidad máxima anual en una hora.
I24 (mm/h) intensidad máxima anual en 24 horas.

IV
 / 2 4 , (mm/h) media de las Intensidades máxinias anuales para una duración de 24 horas.

l¿ (mm/h) media de las Intensidades máximas anuales para una duración d.

Ij (mm/h) media de las Intensidades máximas anuales para una duración de una hora.
INM Instituto Nacional de Meteorología.
j número de orden de cada dato ordenado de menor a mayor.

K Cociente •=. Parámetro obtenido del mapa de iso-K ( i s o - = r )

-'24 -'24

K„ valor tabulado en función del tamaño de la muestra con un nivel de significación de un

10% en información normalmente distribuida.
li factor local en los L-momentos y se corresponde la media en los momentos tradicionales.
Ij factor de escala en los L-Momentos.
I3 factor de forma en los L-Momentos.
M método de estimación de momentos..
MV método de estimación de máxima verosimilitud.
n número de datos de cada serie.
NA número aleatorio con valor ( 0 < N A < 1 ) .
Pj^ probabilidad asignada por Hosking a cada valor de la serie previamente ordenada de
menor a mayor.

PMDA(T)(mm) precipitación máxima diaria anual correspondiente al período de retomo T (años).

PMDA(iiim) media de las precipitaciones máximas diarias anuales para la localización considerada.
R índice de Erosión Pluvial en la ecuación universal de pérdidas de suelo.
Sy desviación estándar.
T período de retomo considerado en años.
t2 L-Cv que equivale al coeficiente de variación (Cv) en los momentos tradicionales,
t / L-Cv regional medio ponderado con la longitud de la serie.
ta L-Ca que equivale al coeficiente de asimetría (Ca) en los momentos tradicionales.
U L-Ck que equivaldría al coeficiente de apuntamiento o curtosis en los momentos
tradicionales.
xj:„ dato"j-ésimo" de la serie de "n" datos,
yh umbral de dato dudoso alto .

y media de la serie.

(S-, desviación típica de las "N" simulaciones.

\iy media de las "N" simulaciones.

V
1,-OBJETIVOS
 OBJETIVOS

Los objetivos que se pretenden abordar en el desarrollo de la presente Tesis son:

GENERAL:

Contribuir al conocimiento de las intensidades máximas anuales de lluvia en la

España Peninsular.

ESPECÍFICOS:

Dentro de este marco general, el trabajo plantea como objetivos específicos:

- Incorporar al estudio de esta variable aleatoria de valores extremos la

metodología conocida como regionalización. Esta técnica permite agrupar
muestras que, aún siendo distintas, bien sea por su localización o por la
variable registrada, son homologables en cuanto a estadísticos de dispersión,
(Coeficiente de variación), o de asimetría, (Coeficiente de asimetría). De esta
forma, y una vez eliminado el factor local, se pueden conformar unas
muestras mucho más amplias, que permiten aumentar la robustez de las
estimas, especialmente para períodos de retomo altos.

- Utilizar fimciones de distribución que se han desarrollado específicamente

para la variable aleatoria de precipitaciones, como es el caso de la función
SQRT-ET máx, que mejoran las estimas respecto a funciones más
convencionales, como es la función de distribución de Gumbel.

- Establecer una nueva metodología que permita extrapolar las leyes IDF
obtenidas en estaciones con pluviógrafo a las estaciones que sólo disponen
de pluviómetro.
 OBJETIVOS

DE APLICACIÓN:

Permitir la estimación fiable y estable de intensidades máximas anuales para

distintas duraciones y períodos de retomo.

La principal aplicación se enmarca en el contexto de la ingeniería

hidrológica, y en particular, en poner a disposición de los especialistas en
esta materia una herramienta actualizada y robusta, que es esencial en los
modelos hidrometeorológicos de estimación de caudales.

Desarrollar una aplicación informática que permita, de manera sencilla,

acceder a la información necesaria para determinar la intensidad máxima
anual para una duración y período de retomo.
2.-JüSTiriCACION
 JUSTIFICACIÓN

2.-JIJSI1FICACION

Cuando se analizan los datos relativos a desastres naturales, (Fig 1), se

comprueba que las inundaciones son los que mayores muertes producen y los que
mayores pérdidas materiales generan.

ECONOMIC LOSSES (1986-1995)

10%
- . ^ 1 % aflooding
29% Dwínd storm
Qearthquake
Dother
30%

Figura 1 .-Daños producidos por desastres

DEATHS (1986-1996)
naturales en el mundo, en vidas humanas y en
costes económicos en la década 1986-1995.

(Fuente: "Floods: People at Risk, Strategies for

7% Prevention". Miller, 1997. Department of
29%/^
Dflooding Humanitarian AfEairs)
Dwind storm
Dearttiquake
-ZZlÉHlfl^^^ 55% • other
9%

Particularizando para España, se estiman en unos 3.000 millones de dólares los

daños producidos por las avenidas de los años 1982 y 1983, a los que hay que añadir las
más de 1.100 vidas humanas producidas en los últimos 30 años en la cuenca
mediterránea española (Berga 1987). El elevado coste de vidas himianas, así como los
elevados daños materiales que producen estos fenómenos, justifica la inversión en
medidas estructurales y no estructurales de defensa. Además, y dado el alto coste de
estas estructuras, se hace necesario un estudio muy cuidadoso de las avenidas, de su
origen, y especialmente de la estimación de caudales punta.
3.-ANTECEDENTES
 ANTECEDENTES

3.1.-INTR0DUCCI0N.

Al analizar el proceso de fonnación de un caudal, reflejado en el esquema 1, se

puede deducir que el proceso está condicionado por tres factores principalmente:

=> Las características de las lluvias:

La intensidad, duración, y su distribución temporal y espacial, influyen tanto en la
generación de escorrentía como en los procesos de circulación y génesis de los
hidrogramas.

=5- Las características y condiciones del suelo:

De entre ellas, cabe destacar, la capacidad de infiltración y contenido de humedad
ante un episodio de lluvia, que a su vez, vienen condicionados por las lluvias
precedentes y por la evapotranspiración. Estas dos características influyen
significativamente en la generación de escorrentía.

=í> Las características de la cubierta vegetal:

La cubierta vegetal tiene un efecto reductor en el volumen de escorrentía,
eliminando la humedad del suelo mediante el proceso de evapotranspiración y
reduciendo la velocidad de circulación del agua en el terreno. La vegetación
además protege la capa superficial del suelo frente a la compactación, aumentando
la porosidad y facilitando así que el agua se infiltre en el terreno, retardando y
laminando la escorrentía.

=> Características de la cuenca:

Las características morfológicas de la cuenca que más influyen en la formación de
un caudal punta son la fisiografía y las características de la red de drenaje que
condicionan tanto el tiempo de concentración como la velocidad de circulación, y la
agregación de los hidrogramas.
 ANTECEDENTES

Precipitación

Escorrentía superficial

Superficie

i Infiltración R
Escorrentía í
subsuoerficial O
Suelo S

I Percolación
Drenaje del
acuífero
Acuiferos

Esquema l.-Proceso de formación de un caudal.

3.1.1.-TIPO DE ACTUACIONES.

Cuando en estos cursos de agua se produce un axunento de caudal, éste va

acompañado de una elevación de la lámina de agua, sobreelevación que puede conducir
a la inundación de las zonas adyacentes. Para paliar estos desastres se pueden plantear
tres tipos de estrategias que incluyen actuaciones antes, durante, y después de la
inundación.

Historia de una avenida Actuación

Precipitación ¿Control sobre la precipitación?

Flujo sobre el terreno Conservación de suelos y lucha contra la erosión.
Red secundaria Corrección de torrentes.
Propagación en el cauce principal.. Laminación, manterumiento y/o mejora de la
capacidad de evacuación.
Desbordamiento e inundación Obras en cauces, zonificación y usos de suelo,
sistemas de alarma.
 ANTECEDENTES

Este conjunto de actuaciones se puede clasificar en:

=> Medidas estructurales.- Dentro de ellas se incluye la construcción de diques y

presas, obras que tienen como objetivo el control de la avenida mediante el
almacenamiento. Además, se pueden incluir aquí las mejoras en cauces para
mantener y/o aumentar su capacidad de evacuación. Estas obras deberán
dimensíonarse de manera que puedan desaguar un determinado caudal, el caudal
punta, también llamado de diseño o de proyecto. Este tipo de actuación es muy
efectivo en la protección de vidas humanas y propiedades, pero también suelen ser
caras, por lo tanto es necesario estimar dicho caudal con precisión.

=> Ordenación de usos de suelo.- Este segundo tipo de actuaciones trata de reducir la
susceptibilidad a los daños, y esto se consigue con una buena planificación del
territorio. Para ello es necesario conocer qué caudales van a circular, qué láminas de
agua se alcanzarán (dependiendo de la topografía), y por tanto qué terreno va a
quedar inundado. Este segundo tipo de actuaciones permitirá implantar una
zonificación en cuanto a usos del suelo. Este uso restringido del suelo puede hacer
que estas medidas resulten impopulares, y por ello, también aquí, es necesario
conocer con precisión qué caudales pueden circular como máximo.

=> Y por último se pueden incluir sistemas de alerta, medidas de tipo preventivo,
sistemas de protección civil, sistemas de alarma...todas ellas encaminadas a reducir
los daños producidos por las inundaciones.

Todo este tipo de actuaciones conlleva ineludiblemente la estimación de caudales

de avenida, pero esta estimación también resulta imprescindible en muchos ámbitos de
la ingeniería civil: drenaje longitudinal y transversal de infraestructuras viarias, red de
drenaje de ciudades...

Además, y como consecuencia de la Directiva Marco de Agua,( Directiva

2000/60/CE) que otorga un papel destacado a la evaluación y control del estado
ecológico de los sistemas fluviales, la caracterización del régimen de caudales aparece
 ANTECEDENTES

como un elemento fimdamental. Por lo tanto, también en este caso, es necesaria la

estimación de caudales, ya sean ordinarios o de avenida.

3.1.2.-MÉTODOS DE ESTIMACIÓN DE CAUDALES MÁXIMOS.

Se pueden distinguir varios métodos para calcular los caudales máximos:

Métodos empíricos.- Expresan el caudal en función de las características

geomorfológicas de la cuenca. Estos métodos se formularon a principio de siglo pasado,
y pueden servir como primera aproximación para establecer órdenes de magnitud. En
cualquier caso, son fórmulas que deberían corresponderse con las características e
hipótesis en las que se desarrollaron, aunque actualmente este tipo de relaciones está en
desuso.

Métodos estadísticos basados en datos foronómicos.- consisten en la realización

de un estudio estadístico sobre los datos de caudales máximos registrados en la estación
de aforos.
El dato de caudal, a pesar de ser la variable hidrológica más importante, no se
registra directamente, sino que se deduce a través de la medición de la profundidad de
agua alcanzada en una determinada sección. Este calado se convierte en caudal a partir
de la curva de gasto de la estación foronómica. A su vez, esta curva se obtiene con
aforos directos en los que se registran velocidades y calados medidos en la sección, y
que una vez procesados permiten obtener el caudal.

Este método de registro de caudales a partir de calados, presenta varios

problemas, vinculados, fundamentalmente, con la validez de la curva de gasto,
especialmente de caudales extremos, que son los caudales que generan problemas de
desbordamientos.

No es el objetivo de la presente Tesis analizar lafíabilidadde dichos registros, y

además, este problema queda en un segundo plano cuando se tiene en cuenta que para
poder utilizar este método es necesario que exista una estación de aforos. La red
foronómica es muy limitada, especialmente en los tramos de cabecera y cursos medio y
 ANTECEDENTES

alto de los ríos, lo que hace que la aplicación de este método no permita resolver de
manera generalizada la estimación de caudales de avenida.

Métodos hidrometeorológicos.- Estos métodos simulan el proceso de generación

de hidrogramas o caudales mediante modelos, de mayor o menor complejidad, tanto con
una estructura agregada, como más recientemente, distribuida.

Básicamente se estructuran a partir de tres submodelos:

• Precipitación
• Escorrentía
• Circulación.

• El modelo de precipitación debe proporcionar las características del aguacero cuyo

hidrograma se desea conocer: Período de retomo, intensidades, distribución
temporal y espacial...
• El modelo de escorrentía debe proporcionar la parte de precipitación que escurre
superficialmente, y
• El modelo de circulación debe simular adecuadamente los procesos de flujo en
ladera y cauce, la agregación de hidrogramas y, proporcionar, al fin, el hidrograma
o caudal en la sección de cierre de la cuenca.

Los métodos hidrometeorológicos están plenamente aceptados y son, hoy por

hoy, una herramienta insustituible en la estimación de hidrogramas de avenida y
caudales máximos.

Dentro de los modelos hidrometeorológicos, el método racional es

probablemente el método más utilizado en el mundo para el cálculo de caudales porque
presenta de forma sencilla y adecuada la influencia que tienen los distintos factores que
condicionan los caudales de crecida. Este método se basa en que si sobre una cuenca se
produce un aguacero de intensidad constante y duración indefinida, el caudal en la
sección de cierre crecerá hasta alcanzar un máximo, máximo que aparecerá cuando toda
la cuenca contribuya simultáneamente a generar el caudal en la sección de cierre, y que
se mantendrá constante hasta que cese la lluvia, puesto que desde que se presenta el
 ANTECEDENTES

máximo, los volúmenes evacuados por xmidad de tiempo igualan a los volúmenes que
escurren. Este comportamiento se materializa en la siguiente expresión:

Q=C*PA*Fc.

Donde: I , Intensidad máxima de lluvia correspondiente a una duración igual al

tiempo de concentración
C, Coeficiente de escorrentía
S, Superficie
Fe , Factor de conversión de unidades para obtener el caudal en mVs

3.1.2.1.-Modelos hídrometeorológicos y la ley IDF.

Los modelos hidrometeorológicos, ya sean agregados o distribuidos, requieren,

como ya se ha indicado, generar un hietograma completo del aguacero cuyo hidrograma
o caudal se desea estimar, o en el caso del método racional, la intensidad
correspondiente al tiempo de concentración.

El caudal máximo que cabe esperar en la sección de cierre se producirá cuando

se presente una intensidad máxima. Por otra parte, la intensidad aumenta a medida que
se reduce el tiempo en el que se evalúa, pero ese tiempo debe ser mayor o igual al
tiempo de concentración, para que toda la cuenca contribuya simultáneamente al caudal
que circula por la sección de cierre. Por tanto, la intensidad que hace máximo el caudal
será la que corresponde a una duración igual al tiempo de concentración, la mayor
compatible con la condición expuesta. Además la intensidad debe evaluarse también
considerando la probabilidad de excedencia, definida por el período de retomo, y que
será la correspondiente al caudal que se desea estimar. En consecuencia, la intensidad
que se introduce en la expresión del caudal en el método racional será función de la
duración - tiempo de concentración de la cuenca-, y del período de retomo, que se
escoge en función del uso:
I=f(d,T)
 ANTECEDENTES

Resulta por tanto evidente, que para la estimación de caudales por el método
racional, es necesario disponer de funciones del tipo 1= f (d,T), citadas en la literatura
especializada como curvas intensidad -duración - frecuencia ( en adelante curvas IDF),
ya que en sus orígenes se expresaban de forma gráfica, representando en el eje de
abscisas la duración, en ordenadas la intensidad, y una familia de curvas
correspondientes cada una de ellas a un período de retomo previamente establecido.

Desde la aparición del método racional, hacia 1850, hasta el uso de ordenadores,
el método racional ha sido im referente imiversal, manteniéndose su uso, aimque ahora
comparte el campo de estimación de caudales con otros métodos más elaborados. El
bagaje que sobre las curvas K)F se ha venido acumulando, y que se había desarrollado
para la aplicación del método racional, ha sido aprovechado posteriormente por otras
metodologías que requieren disponer del hietograma completo del aguacero. En
particular, estas curvas se han empleado, y se emplean, para complementar la limitada
información disponible en las estaciones meteorológicas que cuentan solamente con la
precipitación total, precipitación máxima diaria anual para un período de retomo
considerado (único dato que se puede obtener en estaciones con pluviómetro),y generar
hietogramas que simulen la entrada para el modelo de escorrentía.

10
 ANTECEDENTES

3.1.3.- CONCLUSIÓN.

• L a estimación d e caudales de avenida y/ó caudales m á x i m o s es

imprescindible para el diseño de obras hidráulicas, ordenación d e
territorio, planifícación hidrológica, sistemas de protección civil y
caraeterización del estado ecológico d e los sistemas fluviales entre
. • •otros:'^:--'^'v':•••••••:•.;• •

• L o s íriétodos basados e n series foronómicas tienen importantes

limitaciones derivadas fimdameníalménte, aunque n o de manera única,
de la escasa red foronómica.

• L o s métodos hidrometeorológicos son, h o y p o r hoy, u n a herramienta

insustituible para l a estimación de hidrogramas d e avenida y caudales
•'• ••'..máximos.-••,

• L a s leyes I D F son imprescindibles tanto para la aphcación del método

ráéional como p a r a l a obtención de hietogramas sintéticos c o n los que
complementar l a limitada información disponible e n las estaciones
meteorológicas que cuentan únicamente con pluviómetro.

11
 ANTECEDENTES

3.2.-ANTECEDENTES DE LAS LEYES IDF.

3.2.1,-CONSIDERACIONES PREVLiS.

Para abordar el análisis de la situación actual de las curvas IDF conviene hacer
unas reflexiones previas respecto a la génesis general de estas relaciones y sus
implicaciones.
Como ya se ha comentado, cuando se presentan en forma de gráfica, el eje de
abscisas recoge la duración, el de ordenadas la intensidad y las curvas que aparecen en
el cuadrante así definido se corresponden con períodos de retomo de uso habitual.

Los datos que se utilizan para generar estas curvas son como los recogidos en la
tabla 1.

Duración Período de retorno(años)

(minutos) 2 5 10 25 50 100 200 500
5 45 71 92 121 145 170 198 237
10 34 53 68 88 105 123 142 169
15 28 43 55 71 85 99 115 136
20 24 37 46 60 71 83 95 113
30 20 30 38 49 58 68 78 93
60 12 18 22 26 33 38 43 51
120 7.3 11 13 16 19 21 24 28
Tabla 1.-Intensidades máximas (mm/h) para cada duración y periodo de retomo.

Los valores en la tabla son los valores obtenidos tras un ajuste a una función de
distribución de las intensidades máximas para cada duración (fila) y para cada período
de retomo (columna). Así, 28 mm/h es la intensidad máxima en 120 minutos para un
período de retomo de 500 años. Con los valores así obtenidos, se puede ajustar una
curva para cada período de retomo, como en la Figura 2.

12
 ANTECEDENTES

Figura 2.-Curvas IDF

-1=2 No obstante, antes de entrar en

-T=5
T=10 mayor detalle, es necesario precisar el
-T=26
-T=50
-T=100 verdadero alcance de los términos intensidad
-T=200
-T=500
y duración.

Tanto en castellano -duración- como

20 40 eo ao 100 120 mo
dufactán (minutos)
en inglés -duratíon- el término utilizado
puede llevar a equívoco. Al emplear tal
vocablo no se quiere hacer referencia a la duración del aguacero, entendiendo como tal
el tiempo transcurrido desde que se inicia hasta que termina, sino a la duración del
intervalo de tiempo en el que se evalúa la intensidad; se trata, pues, más que de una
duración, de la dimensión de la ventana temporal en la que se evalúa la intensidad.

En cuanto a la intensidad deben establecerse tres consideraciones:

• La variable en cuestión es una intensidad media, resultado de dividir la

precipitación registrada en la ventana temporal definida -duración- por ese
tiempo. La intensidad así calculada es, por tanto, un valor que no es real, en el
sentido de que la cifra obtenida no implica que durante la ventana de tiempo
considerada la intensidad real se haya mantenido constante. Las distintas
duraciones de esas ventanas temporales se fijan de manera artificial, ajena a la
duración real de los episodios de lluvia, careciendo, por tanto, de la cualidad
de variable aleatoria.

• Las precipitaciones que sirven para obtener esas intensidades medias para las
distintas ventanas temporales utilizadas, son las máximas anuales registradas
para esa duración. Por tanto, cuando en el contexto de las curvas IDF se habla
de intensidades, en realidad se está haciendo mención al máximo anual del
valor medio de la intensidad en la ventana temporal considerada.

• También es conveniente llamar la atención al hecho de que los valores

obtenidos para un año concreto correspondientes a distintas ventanas
temporales se corresponden, en general, a episodios distintos de lluvia. Así,

13
 ANTECEDENTES

- por ejemplo, para un año cualquiera, el máximo anual del valor medio de la
intensidad en 30 minutos pudo registrarse en agosto, mientras que el
correspondiente a 2 horas se generó en un aguacero de octubre. Además, esa
ventana temporal no aporta información respecto a la cronología interna del
aguacero: Las dos horas de máxima intensidad anual del aguacero de octubre
pudieron presentarse al final del episodio, mientras que los treinta minutos de
máxima intensidad del de agosto pudieron acaecer al comienzo.

Una vez que para una estación se dispone de los registros de máximo anual del
valor medio de la intensidad para las duraciones consideradas, el proceso de
obtención de las curvas IDF tiene dos fases diferenciadas:

En primer lugar, hay que estimar, para cada duración, las intensidades
correspondientes a los periodos de retomo de interés. Este proceso consiste,
esencialmente, en seleccionar una función de distribución y estimar sus parámetros a
partir de las series de máximos anuales del valor medio de la intensidad para cada
duración considerada. Los resultados así obtenidos -para cada duración, intensidades
correspondientes a los distintos períodos de retomo- pueden ya representarse en los ejes
I-D.

A continuación, se ajustan funciones que, para cada período de retomo,

reproduzcan adecuadamente la variación de la intensidad con la duración, o una función
única que sea capaz de recoger adecuadamente la variación de la intensidad con las dos
variables, duración y período de retomo.

Por tanto, cuando se aborda la obtención de curvas IDF, o la discusión de las

curvas disponibles, es necesario plantear el trabajo distinguiendo claramente estas dos
fases, y desde esa perspectiva se analiza a continuación, la situación actual de las curvas
IDF en dos epígrafes diferenciados:

• Evolución del análisis de frecuencias en variables aleatorias de valores

extremos.

Evolución de las relaciones I (d, T)=f( d, T)

14
 ANTECEDENTES

3.2.2.-EVOLUCIÓN DEL ANÁLISIS DE FRECUENCIAS DE VARIABLES

ALEATORL^S DE VALORES MÁXIMOS.

Las variables aleatorias de valores máximos habitualmente utilizadas en el

ámbito de la hidrología -precipitación, intensidad y caudal- presentan un coeficiente de
asimetría positivo. Este hecho obliga a considerar patrones de funciones de densidad, o
de distribución que recojan ese comportamiento, prestando especial cuidado a la hora de
estimar el coeficiente de asimetría, ya que es precisamente sobre la cola derecha de la
función ajustada- correspondiente a períodos de retomo alto- donde se centra el interés
de la estima de cuantiles. En este sentido, la evolución del análisis de frecuencias de
valores máximos se puede sistematizar en tres direcciones:

» Desarrollo de funciones de distribución específicas.

• Desarrollo de métodos de estimación de parámetros de las funciones de

distribución.

Desarrollo de métodos para incrementar la información.

3.2.2.1.-Desarrollo de funciones de distribución específicas.

Teniendo en cuenta la trascendencia que el coeficiente de asimetría tiene en la

estimación de cuantiles, los distintos patrones de funciones de distribución propuestos
para el análisis de valores extremos, y máximos en particular, suelen clasificarse,
atendiendo al tratamiento del factor de forma asumido: en asimetría fija, libre y
variable.

• Asimetría fija.

Tradicionalmente se ha acudido a patrones de función de distribución con

coeficiente de asimetría fijo (USWRC, 1981) y de ellas, la más utilizada es Gxutnbel
(1941) (Chow et al, 1994), función biparamétrica que asume un coeficiente de asimetría
fijo de 1,14. Los cuantiles estimados a partir de esta fimción son, lógicamente,
independientes de la asimetría muestral. Cuando las muestras son cortas, como
habitualmente ocurre en las series utilizadas en hidrología, asumir una asimetría fija da
robustez a las estimas, es decir, que la entrada o salida de un valor extremo -el máximo
de los máximos, que cambiaría significativamente la asimetría muestral- no incide tan
drásticamente en las estimas. Sin embargo, esta ventaja se toma en inconveniente

15
 ANTECEDENTES

cuando la asimetría de la población subyacente es sensiblemente distinta de 1,14. En

este caso, si la asimetría de la población subyacente es superíor a 1,14, los cuantiles
obtenidos con Gumbel están subestimados, circunstancia inadmisible para las
aplicaciones habituales de estos resultados. Rossi et al., (1984) ha comprobado que, por
esta circunstancia, Gumbel no es recomendable para el tratamiento de series anuales de
caudales máximos. En España, en la zona de influencia mediterránea, se ha comprobado
que, para series de precipiteciones máximas diarias anuales, los cuantiles están
subestimados cuando se utiliza Gumbel, conduciendo, por tanto, a resultados que,
aplicados a estudios hidrológicos, sitúan las decisiones o dimensiones de las obras del
lado de la inseguridad (Ferrer, 1991).

• Asimetría libre.

Frente al planteamiento descrito en el epígrafe anterior, se consideraron otros

patrones de funciones de distribución con tres parámetros. Las más utilizadas son Log-
Pearson Tipo 3 (LP3) y Valores Extremos Generalizados (GEY), (Ponce, 1989). En
estos patrones, el parámetro de forma se estima considerando el coeficiente de asimetría
muestral. Sin embargo, el error y la asimetría en la estima del coeficiente de asimetría
crecen a medida que se reduce el tamaño muestral, (Bedient y Huber, 1992). Esto hace
que la estimación del factor de forma a partir únicamente de la asimetría muestral dé
lugar a estimas de cuantiles para períodos de retomo altos muy poco robustas, ya que la
entrada o salida de im valor extremo -el máximo de los máximos- cambia
significativamente la asimetría muestral; con ella cambia la estimación del factor de
forma de la función de distribución y por tanto los cuantiles correspondientes a periodos
de retomo altos. Esto supone un grave problema en el campo de la hidrología ya que las
series disponibles son cortas. En los Estados Unidos, donde se utiliza la función LP3, se
ha implementado vm estadístico para la estimación del coeficiente de asimetría en el
que, además del valor muestral, se incluye un coeficiente de asimetría regional,
recogido en mapas, y un factor de ponderación que minimiza la varianza de la estima
(U.S.Interagency Advisory Committee on Water Data, Hydrology Subcommittee,
1983).

16
 ANTECEDENTES

" Asimetría variable.

Para tratar de conjugar las ventajas de ambos planteamientos y limitar sus

inconvenientes, recientemente se han desarrollado patrones de funciones de distribución
que si bien formalmente son biparamétricas, asumen que el coeficiente de forma está
vinculado a la información muestral, aunque ese vínculo no se establece con el
coeficiente de asimetría. De éstas, merece destacarse la propuesta por Etoh et al.,
(1986), conocida como SQRT-ET raáx, ya que fue desarrollada expresamente para
máximos anuales de lluvia diaria. El coeficiente de asimetría viene definido por una
función en la que aparece como variable independiente el coeficiente de variación
muestral, tomando siempre un valor superior a 1,14. De esta forma, con respecto a las
funciones de distribución de asimetría libre se incrementa la robustez de las estimas - al
no considerarse el coeficiente de asimetría muestral en la estimación de los parámetros
de la función de distribución - , y con respecto a las de asimetría fija seflexibilizala
caracterización del coeficiente de asimetría.

En España, los trabajos más recientes publicados, tanto sobre precipitaciones

máximas anuales (Ferrer y Mateos, 1999), como sobre intensidades (Instituto Nacional
de Meteorología, 2003), se han decantado por el empleo de la función SQRT-ET máx.
Ferrer justifica esta elección con los siguientes argumentos:

•Es el único modelo que ha sido propuesto específicamente para la

modelización estadística de máximas lluvias diarias.

•Depende sólo de dos parámetros, lo cual, además de una ventaja intrínseca

por emplear menor número de parámetros, conlleva mayor robustez en los
resultados obtenidos ante valores anómalos en los datos.

• Mayor facilidad de presentación de datos al definir los cuantiles

exclusivamente en función del coeficiente de variación.

• Proporciona resultados más conservadores que los métodos tradicionales.

En la tabla 2, se recogen las principales ventajas e inconvenientes de cada una de

las funciones de distribución.

17
 ANTECEDENTES

Distribución Parámetros Ventajas Inconvenientes

o Gumbel 2(u,a) -Asimetría independiente de la - Coeficiente de asimetría

muestra. fijo e igual a 1,14.
- Gran rigidez para describir
E
» series con CaT^ 1,14.
<

GEV* 3 (u, a, k) -Más flexible al ajuste que las - Coeficiente de asimetría

funciones de asimetría fijo. depende del tamaño de la

V
LP3** 3 (u, a, k) muestra.
-Adecuada capacidad descriptiva. - Errores y asimetría en la
.3 TCEV*** 4 (ai,a2,Oi,02) estima crecen a medida que
se reduce el tamaño de la
< muestra (Bediente &
Huber,1992).
- Poco robusto para muestras
pequeñas.

- El sesgo no es fijo. Cierta rigidez para

SQRT-ET 2(a,k) - La asimetría del modelo no describir series con
máx*** depende de la asimetría muestral. coeficiente de asimetría
-Más robusto ante valores elevado (por el hecho de
.s anómalos. depender sólo de dos
'C
es
>
•S
- Resultados más conservadores parámetros).

g que la función de distribución de

< Gumbel.
- A pesar de usar dos parámetros
tiene gran capacidad para describir
la cola derecha (Ferrer y
Mateos, 1999).

Tabla 2.- Resumen de las características de las principales funciones de distribución manejadas.

Donde, u, a, k, son parámetros

*Recomendada para el estudio de avenidas en Gran Bretaña (NERC,1975)

** Utilizada normativamente en Estados Unidos (USWRC, 1981)
*** Reciente interés por numerosos investigadores.

18
 ANTECEDENTES

3.2.2.2.-Desarrollo de métodos de estimación de parámetros de las funciones de

distribución.

Para la estimación de los parámetros se han venido utilizando varios métodos (Chow
et al. (1994):

• Método de los momentos.

El método de los momentos fiíe utilizado por primera vez por Klarl Pearson en
1902. Pearson consideró que irnos buenos estimadores de los parámetros de una
ecuación eran aquellos para los cuales los momentos de la función de densidad de
probabilidad alrededor del origen son iguales a los momentos correspondientes de la
información de la muestra. Así, el estimador de la varianza poblacional es la varianza
muestra], de la media de la población la media muestral, y así sucesivamente. Es un
método fácil de aplicar y resulta adecuado para análisis prácticos en hidrología.

" Máxima verosimilitud.

Este método fue desarrollado por Fisher en 1922. Consideró que el mejor valor de
un parámetro de una distribución de probabilidad debería ser aquel que maximizara la
probabilidad conjunta de ocurrencia de una muestra observada. Teóricamente este
método es más correcto ya que los cuantiles obtenidos son consistentes, es decir,
convergen a su verdadero valor al aumentar la longitud de la serie histórica, con lo que
se eliminan los errores sistemáticos. Además son más eficientes (estiman los parámetros
de la población con los menores errores promedio), y asintóticamente eficientes, es
decir, al aumentar la longitud de la serie, la varianza del estimador se aproxima al
mínimo teóricamente posible entre todos los métodos de estimación. Otra ventaja que
ofi-ece este método es la posibilidad de incorporar cualquier tipo de información
adicional cuantitativa

Como inconveniente podemos decir que es un método más complejo de programar.

19
 ANTECEDENTES

• Momentos ponderados probabilísticamente.

Fueron introducidos por Greenwood et al., ( 1979). Sólo se pueden utilizar

cuando la función se puede expresar de forma explícita en forma inversa (No
aplicable por tanto a TCEV, LP3, SQRT-ET máx). Cuando se desean estimar
cuantiles con períodos de retomo superiores a 100 años, este método es superior al de
máxima verosimilitud en términos de consistencia y eficiencia, al menos para la
distribución GEV (Hosking et al, 1985; Hosking y Wallis, 1987). Este método
también ofrece como ventaja su menor sensibilidad a los outliers y su carácter
insesgado.

B L-moments.

Los L-momentos son una alternativa a los métodos anteriores. Históricamente

surgen como una modificación al método de los momentos ponderados
probabilísticamente, (Greenwood et al., 1979). Los L-momentos son funciones
lineales de momentos ponderados probabilísticamente, presentando la ventaja sobre
ellos de resumir la distribución estadística de forma más significativa.

La publicación quizás más interesante es la de Hosking, (1990); en ella se

justifica su utilización, ya que una cierta combinación lineal de los elementos de la
muestra ordenada contienen información de los parámetros de localización, escala y
forma de la distribución de la que procede, y al ser fimciones lineales de los valores
muéstrales, son prácticamente insesgados y tienen relativamente pequeña varianza.

Los estimadores de cocientes entre L-momentos tienen también pequeña

varianza y asimetría, especialmente en comparación con los coeficientes clásicos de
desviación típica y curtosis.

Otro argumento a favor de su utilización en la estimación de parámetros es

su relativa insensibilidad a los valores anómalos (outliers). No obstante, este
argumento no debe inducir a utilizar este método a ciegas, ya que no se debe perder
de vista que el objetivo último es la estimación de un cuantil, no los L-momentos en

20
 ANTECEDENTES

SÍ mismos. Así, aunque los L-momentos puedan tener las propiedades muéstrales
deseables, no ocurre necesariamente lo mismo con una función de ellos como es el
estimador de un cuantil dado. De hecho, otros estudios demuestran que para algunas
distribuciones, pueden ser mejores otros métodos de estimación en términos del error
cuadrático medio del estimador del cuantil. (Hosking y Wallis, 1987; Rosbjerg et
al.,1992).

Algunos autores (Bemier, 1993) ponen como objeción a este método que es
demasiado robusto en comparación con el método clásico de momentos en el sentido
de que, a los valores grandes o pequeños de la muestra, que reflejan ima importante
información de la cola de la distribución padre, se les da poco peso en la estimación.
Sin embargo, también hay que decir que Hosking, (1990) considera que los L-
momentos dan un peso relativo de cada elemento de la muestra en función de la
importancia relativa del mismo.

Para poder comparar estos parámetros del mismo modo que con los
momentos convencionales es muy conveniente definir los L-momentos de forma
adimensional. Hosking y Wallis, (1997) consideran que los cocientes de los L-
momentos son consistentes pero no insesgados.

En la tabla 3 se recogen las principales características de los métodos de

estimación de parámetros.

21

Características M. Momentos M. Máxima verosimilitud
Ventajas • Simplicidad de aplicación. • Libre de asimetría.
• Consistente. • Más eficiente =í>produce una varianza (Saenz de Ormijana et al. 1991):
• Menos sensible ante elecciones menor, estiman los parámetros de la •
incorrectas del modelo de distribución. población con menores errores promedio •
• Confiere mayor peso a los mayores (Chow, 1994).
valores de la distribución. • Más robusto, ya que no requiere elevar
los datos al cuadrado o al cubo.
• Para tamaños muéstrales grandes la
información observada converge hacia la
información esperada y el estimador es •
óptimo con lo que se eliminan los
errores sistemáticos (son por tanto
consistentes). Además
asintóticamente eficientes (ya que la
varianza del estimador se aproxima al
mínimo teóricamente posible entre todos
los métodos de estimación Son más
eficientes.
• Permite incorporar información adicional
cuantitativa.
Inconvenientes • No utiliza de forma exhaustiva toda la • Bastante sensible a una incorrecta •
información de la muestra. elección del modelo de distribución.
• Sesgo es más sensible al extremo (Maidment,1993)
superior de la distribución. • Para pequeñas muestras, presenta
• Se ve más afectada por valores dificultades numéricas, y los estimadores
extremos muéstrales que los L- son frecuentemente sesgados.
momentos. • Más difícil de aplicar aunque con los
• Los cocientes de los momentos no medios informáticos está menos
presentan unos límites. condicionado.
Tabla 3.-Resumen de las características de los distintos métodos de estimación de parámetros.
ANTECEDENTES
M. Momentos ponderados probabilísticamente -; .X-Mfeirlentos
Frente a los método anteriores Frente a i los momentos convencionales (Hosking
1986):
Menos sensibles a los outliers • Más robusto ante la presencia de outliers cuando
Carácter insesgado. se estiman a partir de valores muéstrales.
• Simplicidad de aplicación (no encierran • Más injsesgados.
potencias de las observaciones). • Presentan unos límites naturales (¡tr¡<l), lo que
• Confiere mayor peso a los mayores valores resulta una ventaja pues un parámetro resulta más
de la serie=>Valores más conservadores. fácil de interpretar cuando sus valores se
encuentran dentro de un intervalo, que cuando
Este método es superior al método de pueden tomar cualquier valor arbitrariamente.
máxima verosimilitud en términos de • Permite caracterizar a un mayor número de
consistencia y eficiencia cuando se estiman funcioijies de distribución.
son cuantiles para períodos de retomo mayores • Menos: sujetos a la asimetría de la estimación.
de 100 años a partir de series históricas de • Es más fácil identificar la distribución de la que
menos de 100 años- al menos para la proviene la muestra.
distribución GEV (Hosking et al. 1985. Frente a M. Máxima verosimilitud:
HoskingyWallis, 1987) • Más eficiente para muestras pequeñas y
moderadas.
i
Aplicable sólo cuando la función de
distribución se puede expresar en forma
explícita.
22
 ANTECEDENTES

3.2.2.3.-Desarrollo de métodos para incrementar la información.

Para resolver el problema de escasez de datos en el análisis de frecuencias de

variables aleatorias de valores extremos, se han planteado dos alternativas:

" Utilización de series de duración parcial (SDP).

• Regionalización.

• Utilización de series de duración parcial.

Una Serie de Duración Parcial, SDP, consiste en una serie de datos

seleccionados de tal manera que, su magnitud es mayor que un valor "umbral"
predefinido. Así por ejemplo, si se dispone de registros de precipitación diaria en N
años, y ima vez establecido el umbral, la serie quedaría formada por todos los valores
que lo superen. De esta forma, a diferencia de lo que ocurre en las series convencionales
en las que se toma el valor máximo anual, la SDP puede estar formada por un número
de registros superior al número de años. Habrá años que aporten varios registros y
también años que no aporten ninguno.

Si el valor umbral se selecciona de tal manera que el número de valores en la

serie sea igual al número de años en el registro, la serie se conoce como una serie de
excedencia anual. En este caso no aumenta el tamaño de la serie respecto a la de
máximos anuales.

Entre los trabajos realizados con series de duración parcial cabe destacar los
estudios de Davidson y Smith, (1990).

Diversos autores recomiendan el uso de series de duración parcial para analizar

eventos que ocurren más frecuentemente. Cuando un problema requiere el análisis de
eventos con un período de retomo menor de 5 años, la serie parcial de valores es
preferible a la serie anual.

23
 ANTECEDENTES

Cuando el período de retomo se hace mayor, los resultados de las dos

metodologías, serie de excedencia anual (caso particular de duración parcial) y series de
máximos anuales, se vuelven muy similares (Chow et al., 1994).

" Regionalización

El análisis de frecuencias de variables aleatorias de valores extremos en

hidrología, fundamentalmente caudales y precipitaciones, requiere un tratamiento
singularmente detallado de la cola derecha de lafiínciónde distribución, y ello por dos
razones:

• En primer lugar porque estas variables aleatorias presentan una importante

asimetría positiva, que el modelo estadístico elegido para caracterizarlo debe ser
capaz de reflejar.
• En segundo lugar, porque las estimas se hacen en esa cola derecha- período de
retomo alto - y los cuantiles así obtenidos tienen una gran trascendencia, pues
contribuirán a definir el diseño y dimensionado de obras, así como establecer
niveles de seguridad de infraestmcturas, bienes y vidas.

El primer aspecto se resuelve contemplando patrones de función de distribución

adecuados, tal como se discutió en el epígrafe "desarrollo defunciones de distribución
especificas", y en cuanto al segundo, la estabilidad y fíabilidad de las estimas para
períodos de retomo altos se solucionaría contando, con independencia del método de
estimación de parámetros utilizados, con muestras grandes.

Pero, incrementar el tamaño muestral de este tipo de variables aleatorias, en un

sentido estricto, no es posible, ya que si en una estación los registros de precipitación
diaria cubren 15 años, la serie de precipitaciones máximas diarias tendrá 15 datos, y
para aumentar su tamaño a 50 datos, deberán transcurrir 35 años. Por ello, las
tendencias actuales en el estudio de frecuencias de valores máximos se centran, no
tanto en descubrir cual es la distribución correcta, ni la que mejor se ajuste para
períodos de retomo medio-bajos, sino en buscar un método robusto, es decir, que arroje
resultados razonables, aimque la distribución elegida no sea la teóricamente más
correcta.

24
 ANTECEDENTES

De acuerdo con Hosking y Wallis, (1997), este problema de escasez de datos se

atenúa:

^^ paliando la carencia en el tiempo con la abundancia en el espacio".

El enfoque regional pretende aumentar el número de datos utilizando los datos

de otras estaciones en las que se considera que su distribución defrecuenciases similar;
Así, se podría considerar que esas series de cada estación constituyen muestras de la
misma población. Este método asume, por tanto, la existencia de ima '^región
homogénea" respecto a ciertas características hidrológicas y estadísticas, lo que permite
aprovechar el conjunto de la información disponible en dicha región. Se acepta incluso
que, aunque una región sea moderadamente heterogénea, un análisis regional conduce a
mejores estimas que un análisis estación a estación (Lettenmaier y Potter, 1985;
Lettenmaier et al., 1987; Hosking y Wallis, 1988; Potter y Lettenmaier, 1990)

Hoy día está plenamente reconocido que un buen ajuste a una muestra de una
sola estación no garantiza una buena estima para cuantiles correspondientes a períodos
de retomo altos, sino que se requieren más datos para describir adecuadamente el
extremo de la cola derecha, Con este enfoque regional, se pretende reducir la varianza
de los parámetros estimados con una única muestra, empleando la información de
estaciones con similar comportamiento.

Diversos autores, Lettenmaier y Potter, (1985) parecen indicar que en muestras

con Cv relativamente bajo ( Cv<0,6), y relativamente homogéneas (Cv(Cv)<0,2) las
ventajas de utilizar datos regionales son claras.

Así, es de esperar, que al aumentar el tamaño de la muestra el error de

estimación de los parámetros disminuirá en la medida en que la región sea más
homogénea estadísticamente y la correlación espacial sea baja, aunque este segundo
condicionante tiene menor influencia (Hosking y Wallis, 1988).

Algunos autores, (Mátalas et al. , 1975) sugieren que la regionalización

introduce errores debido a la perturbación espacial, otros (Stedinger, 1983) sugieren que

25
 ANTECEDENTES

es debido a la correlación entre estaciones, y así mismo demuestran que la influencia de

esta correlación disminuye con el aumento de orden del momento. Otros autores
(Florentino et al., 1987; Rossi y Villani, 1992) indican que la variabilidad temporal de
la muestra se incrementa con el orden "m" de los momentos, mientras que el cociente
entre la perturbación espacial y la variabilidad temporal de la muestra decrece con "m".

Wallis et al., (1974) señalan las ventajas de la regionalización para su aplicación

en el análisis estadístico de los valores extremos debido a la gran influencia que tienen
los momentos de orden superior sobre la forma de la cola de la distribución.

Actualmente el método más utilizado para la regionalización es el método del

"índice de avenida"

El método índice de avenida fue desarrollado por el USGD (Dalrymple, 1960)

para el estudio de avenidas (FREND, 1989), o de máximas lluvias (Reed, 1992) y
actualmente están ampliamente aceptadas las ventajas de este método frente a los
métodos tradicionales (Greis y Wood, 1981; Hosking, 1986; U.S. National Research
Council, 1988; Potter y Lettenmaier,1990)

Esencialmente, el método índice de avenida parte de la hipótesis de que la

distribución de los eventos extremos en una región homogénea es la misma excepto un
factor de escala que refleja las características de cada estación. Esto equivale a aceptar
que todas las estaciones de una región homogénea proporcionan muestras de la misma
población subyacente en lo que a coeficiente de variación (Cv) y coeficiente de
asimetría (Ca) se refiere, de manera que, conocidos los cuantiles a escala regional y los
valores medios locales, se pueden obtener los valores extremos locales con más
fíabilidad.

Con este supuesto, la variable "Y" resultante de dividir en cada estación los
valores máximos anuales entre su media sigue idéntica distribución de frecuencia en
toda la "región". Así, los parámetros de dicha distribución, una vez seleccionado el
modelo de la ley, son obtenidos a partir del conjunto de datos de las distintas estaciones,
mientras que el valor local de la media, se estima exclusivamente a partir de los datos de
cada estación.

26
 ANTECEDENTES

Si las series son estadísticamente independientes entre sí, puede probarse que el
método del índice de avenida equivale a construir una serie cuya longitud sería la suma
de las de las series individuales. Por el contrario, si las series fueran totalmente
dependientes la serie regional sería equivalente a cualquiera de las series individuales,
sin ganancia de información respecto a las mismas (U.S. National Research Council,
1988).

Diversos autores han aplicado este método a distintas variables, eligiendo

distintos modelos de fimción de distribución y distintos métodos de estimación de los
parámetros y cuantiles obteniendo mejores resultados que los análisis realizados
manejando solamente datos locales. Entre ellos se podrían destacar los trabajos de
Hosking y Wallis, (1993), que proponen el empleo del método índice de avenida
conjuntamente con el uso de L-momentos por ser un método robusto, axm en presencia
de valores anómalos (outliers).

También, Yun y Chen, (1998) utilizan la regionalización para aplicar la fórmula

de EDF en estaciones que carecen de pluviógrafo en Taiwan, utilizando la precipitación
máxima anual como índice, dato disponible en todas las estaciones con pluviómetro.

Cunnane, (1988) asegura que el método del índice de avenida con una
distribución Wakeby regional es el mejor método, mientras que Potter y Lettenmaier,
(1990) llegaron a obtener mejores resultados con una distribución GEV regional.

El método índice de avenida ha sido también utilizado en España por Saénz de

Ormijana et al. , (1991) para el estudio de precipitaciones máximas en las provincias de
Córdoba, Granada y Málaga; Álvarez et al., (1999), lo aplicaron al estudio de
precipitaciones máximas en Galicia y Ferrer y Ardiles, (1994) han realizado el estudio
de precipitaciones máximas a escala nacional.

27
 ANTECEDENTES

El análisis regional de frecuencia incluye tres pasos:

• Identificación de regiones: agrupación de estaciones en regiones

homogéneas.

" Elección del modelo de distribución.

" Estimación regional de los parámetros y cuantiles.

" Identificación de regiones.

Los dos tipos de variables más utilizados para definir las regiones son:

- Características físiográfícas y climáticas utilizado sobre todo en la

definición de regiones para estimar caudales.
- Variables estadísticas (cociente de L-momentos).

En los últimos años los investigadores han tratado de desarrollar métodos en los
que la similitud entre estaciones se defina en un espacio multidimensional de
características relacionadas con características hidrológicas y con características
estadísticas.

Entre ellos, y para resolver el problema de identificación de regiones, Bum,

(1990a), y Zrinji y Bum, (1993, 1994) definieron el concepto "región de influencia", y
la "estación de interés" se encuentra en el centro de gravedad de una zona de influencia
de distintas características, cada una ponderada de acuerdo con su importancia. Este
método también incluye la elección de una "distancia umbral", (Bum, 1990b).
Solamente las estaciones cuyas distancias a la "estación objetivo" (en el espacio de
atríbutos ponderado) no exceda ese umbral se incluyen en la "región de influencia".

Zrinji y Bum, (1993,1994) sustituyen la elección de ese "umbral", un tanto

subjetiva, por un test estadístico, en el que las estaciones se van añadiendo a una región
hasta que la hipótesis de completa homogeneidad sea rechazada por el test. Una ventaja
del método de la "región de influencia"fi-entea éste es que en la estimación de la curva
_
 ANTECEDENTES

de crecimiento regional, cada estación se puede ponderar de acuerdo con su proximidad

al punto de interés.

Cavadlas, (1990) propone otro método para la definición de regiones

homogéneas basado en correlaciones "canónicas". Esta aproximación es diferente del
método anterior pero está basada en el mismo concepto de proximidad. Los grupos se
identifican con dos variables canónicasfisiográficas.Los problemas que presenta este
método son, por un lado la subjetividad y por otro, que no hay garantías de que el
modelo se pueda encontrar. Las variables canónicas de la cuenca también fueron
utilizadas por Bum y Boorman, (1993) para distinguir dos clusters.

Nathan y McMahon, (1990) utilizaron el análisis cluster para agrupar estaciones

en regiones homogéneas. En su trabajo es de destacar el interés mostrado en la selección
y ponderación de las variables. De hecho, este es un problema donde no es posible una
solución estrictamente matemática, pero a pesar de todo se pueden obtener soluciones
bastante aceptables.

Gabriele y Amell, (1991) utilizaron la simulación de Montecarlo para la

agrupación de estaciones, una idea ya introducida por Florentino et al., (1987). El
método está basado en el hecho de que cuanto mayor es el orden del momento regional
que se va a estimar, mayor es el número de estaciones necesario para producir una
mejor estima. Así, el coeficiente de asimetría (y otros parámetros relacionados con él),
deberían estimarse en una región grande, mientras que el coeficiente de variación (y
otros parámetros relacionados con él), se deberían estimar en subregiones. Con este
proceso se asume que sólo la media de la serie de máximos anuales responde a efectos
locales, lo que unido a su fácil estimación a partir de series con las longitudes habituales
de registro, hace que sea definida exclusivamente a partir de los datos locales. Por el
contrario, los momentos de mayor orden, Ca, y Cv, que son difícilmente estimados con
los datos procedentes de una sola estación, responden a efectos regionales. Esta
hipótesis asume por tanto que la variabilidad existente en los Cv y Ca muéstrales se
deben exclusivamente a un efecto aleatorio y consecuentemente podrá ser reproducida
mediante técnica de simulación de Montecarlo. Este método también fue utilizado por
Ribeiro-Correa y Rouselle, (1993). Aunque el razonamiento es bastante intuitivo, su
aplicación parece poco factible desde un punto de vista práctico, pues requiere

29
 ANTECEDENTES

establecer, no uno sino dos, niveles de regiones, y además el uso del método de
momentos ponderados probabilísticamente a escala regional aumenta la dificultad, al
tener que estimar momentos de orden superior.

La definición de regiones homogéneas está relacionada con la identificación de

la distribución regional común en cada región, y así, una región sólo se puede
considerar homogénea si se tiene la suficiente evidencia de que los datos provienen
todos de la misma población subyacente (excepto por el parámetro de escala).

Hosking y Wallis, (1993) desarrollaron distintos tests para el estudio de

regionalización y establecieron valores umbrales para definir la mayor o menor
homogeneidad, así como para elegir y estimar una distribución regional.

También los diagramas de L-momentos se han convertido en una buena

herramienta para identificar la distribución regional y para comprobar estaciones
dudosas, y han sido utilizados por Chowdhury et al., (1989), Pilón y Adamowski ,
(1992), Vogel y Fennesey, (1993) y Vogel et al, (1993).

Lu y Stedinger, (1992) desarrollaron un test de homogeneidad alternativo al de

Hosking y Wallis, basado en datos adimensionales con un período de retomo de 10
años.

Chowldhury et al., (1989) compararon distintos tests de bondad de ajuste para la

distribución GEV y plantearon que un nuevo test de chi cuadrado basado en el L-Cv
( L-coeficiente de variación) y el L-Ca ( L-coefíciente de asimetría) es más adecuado
que otros tests.

En el análisis regional también resulta adecuado realizar simulaciones para

analizar la heterogeneidad regional, heterogeneidad que siempre se da en la práctica.
Puesto que unos métodos de estimación regional son más sensibles a la heterogeneidad
y otros son más robustos al no-cumplimiento de las hipótesis básicas, la inclusión de
una medida de la heterogeneidad es esencial para hacer buenos ajustes.

30
 ANTECEDENTES

Entre los distintos trabajos de aplicación del proceso de regionalización merece

destacarse el trabajo de Bum y Goel, (2000) en la India. En él, sugieren que las regiones
deben ser homogéneas desde el punto de vista hidrológico. En segundo lugar dicen que
la región debe ser identificable, de manera que se pueda incorporar una estación (sin
parámetros conocidos) a una región, y por último afirman que las regiones deben ser lo
suficientemente grandes- y de acuerdo con las tendencias generales, que apuntan a que
el tamaño debe ser de 5 veces el período de retomo- ya que al incorporar mayor
información, las estimaciones serán mejores. También indican que, conforme aumenta
el período de retomo, la información regional se va haciendo más importante. Para
definir las regiones utiliza el método Cluster, e insisten en la importancia de elegir las
variables adecuadas y ponderarlas de acuerdo con su importancia en el estudio. Como
punto de partida en el proceso de regionalización utiliza la técnica de Cluster, pero
posteriormente aplica los Test de Homogeneidad Hosking y Wallis para evaluar la
homogeneidad de la región. Como aspecto novedoso llega a utilizar la misma estación
en dos regiones distintas para conseguir información de 5*T (cinco veces el período de
retomo). Concluye que esa superposición de regiones, tras la revisión de las mismas,
supone un uso más efectivo de la información de valores extremos que cuando las
regiones no se superponen, sobre todo cuando el número total de estaciones no es muy
grande.

Jakob et al. , (1999) también insisten en la idea de que una región ideal debe
tener datos anuales de 5 veces el período de retomo para que la estimación para dicho
período de retomo sea efectiva.

Hosking y Wallis, (1997) también proponen un estadístico para medir la bondad

de ajuste y determinar si ima distribución determinada se ajusta a los datos
aceptablemente.

Mosley, (1981) basa su definición de región en parámetros estadísticos, y

Acreman y Sinclair, (1986), manejan algoritmos de cluster jerarquizado.

En los últimos años se está utilizando el algoritmo de Cluster no jerarquizado,

que requiere la decisión arbitraria de grapos a considerar; Con este método, las

31
 ANTECEDENTES

estaciones se van clasificando a uno u otro grupo hasta que se minimiza la suma total
del cuadrado de la distancia de cada estación al centroide de cada grupo.

En España, el Instituto del Agua ha utilizado el algoritmo de Cluster como

primera aproximación ai analizar las máximas lluvias diarias en la cuenca del Segura,
empleando como variable en la determinación de regiones, el Ca y el máximo valor
estandarizado, tanteando 2-3 regiones. Como objeciones al método Cluster cabe citar la
necesidad de definir a priori el número de regiones a obtener, y la dificultad que entraña
asignar a una región, una estación de la que no se conocen los estadísticos empleados
como discriminantes. Y la última objeción viene dada por el hecho de emplear
directamente los valores estadísticos muéstrales, que tienen asociados una elevada
variaoza; en este sentido, las agrupaciones realizadas tienden a amplificar
artificialmente unas diferencias entre regiones que en gran parte pueden ser debidas a un
efecto aleatorio (Ferrer, 1996).

En España, otros estudios han establecido una región combinando situación

geográfica con parámetros estadísticos, destacando los trabajos de Ferrer y Mateos,
(1999), y Saenz de Ormijana et al. (1991).

• Elección del modelo de distribución.

La elección del modelo de distribución en el análisis regional, es un tema

controvertido y sobre el que existe diversidad de opiíúones. Los modelos más
frecuentemente utilizados son

GEV (Valores Extremos Generalizados)

LP3 (Log-Pearson 3)
TCEV (Valores Extremos con dos componentes)
SQRT-ET-máx

" Estimación regional de parámetros y cuantiles.

Tampoco aquí hay pleno consenso, y diversos investigadores han aplicado los
métodos explicados en el epígrafe 3.2.2.2 con éxito, destacando el método de Hosking

32
 ANTECEDENTES

et al., (1985) basado en la obtención de la media regional de los momentos ponderados

probabilísticamente expresados en forma adimensional.

LA USWRC, (1981) utiliza el método tradicional de momentos en el espacio de

los logaritmos, pero regionalizando el coeficiente de asimetría logarítmico y el
coeficiente de variación logarítmico. A este método Wallis et al., (1974) afectan de un
factor corrector para incrementar el coeficiente de asimetría muestra! y corregir su
infi-avaloración respecto al valor poblacional.

Rossi etal, (1991) aplican el método de máxima verosimilitud sobre los datos
previamente estandarizados.

Otros autores, entre ellos Ferrer y Ardiles, (1994) aplican el método de los
momentos, utilizando un valor regional del coeficiente de variación estimado por la
media ponderada de los coeficientes de variación muéstrales de las distintas series.

Sin embargo pocos autores han manejado distintos métodos junto a distintas
funciones que les permitiera sacar alguna conclusión en cuanto a la obtención de
mejoras en las estimas por la combinación de un método de estimación de parámetros
junto a función más adecuada. Entre ellos cabe destacar los trabajos de Ferrer y Ardiles,
(1994) en España sobre precipitaciones en los que ha manejado, para su contraste, los
modelos GEV ( utilizando el método propuesto por Hosking y Wallis basado en la
obtención de la media regional de los Momentos Ponderados Probabilísticamente
expresados de forma adimensional), LP3 ( utilizando el método tradicional de los
momentos en el espacio de los logaritmos, regionalizando tanto el coeficiente de
asimetria logaritmico como el coeficiente de variación logaritmica) TCEV (utilizando
el método de máxima verosimilitud) y SQRT-ET máx.( por el método de los
momentos). La comparación de los resultados obtenidos por los cuatro modelos de ley
seleccionados muestra unas variaciones prácticamente inexistentes para pequeños
periodos de retomo, y para un período de retomo de 500 años las máximas diferencias
observadas respecto de la media de los cuatro resultados son de xm 8.3 % en una región,
y en el extremo opuesto la mínima diferencia es de un 1.6%. De ello, estos autores
deducen que los resultados no dependen tanto del método, lo que reduce la
trascendencia de su elección.

33
 ANTECEDENTES

3.2.2.4.- Conclusión.

• El análisis de frecuencias de las intensidades máximas para distintas

duraciones resulta complicado debido a la asimetría positiva que
presentan y, a que las series disponibles son muy cortas.

® Además, él interés del análisis de esta variable aleatoria radica sobre todo
en realizar estimas de los cuantiles para altos períodos de retomo,
justamente en la cola derecha- donde se produce dicha asimetría-, lo que
obliga a elegir funciones de distribución que recojan esta característica.

Por todo ello a la hora de analizar esta variable se propone:

«Utilizar la fimción de distribución SQRT-ET máx, desarrollada

específicamente para precipitaciones máxima y concebida como im
modelo de asimetría variable, siendo por tanto una alternativa muy
recomendablefrentea otras funciones tradicionales (Gumbel, LP3,GEV).

• Utilizar los L-momentps por las ventajas que ofrecen respecto a los
métodos tradicionales.

e Aplicar el método regional para incrementar el número de datos,

reuniendo en una sola muestra las series correspondientes a una "región
homogénea". De esta manera los datos distribuidos en el espacio
sustituyen en cierta medida a los datos distribuidos en el tiempo, que son
limitados

34
 ANTECEDENTES

3.2.3.-EVOLUCIÓN DE LAS RELACIONES ffiF UTILIZADAS.

Se denomina curvas E)F a aquellas curvas que resultan de unir los puntos
representativos de la intensidad media en intervalos de diferentes duraciones y
correspondientes a una misma frecuencia o período de retorno.

Cuando se dispone de pluviógrafo, instrumento que registra la lluvia acumulada

acaecida en dicha estación, el proceso tradicionalmente aplicado para obtener las curvas
BDF puede esquematizarse como sigue:

• Sefijanlas duraciones.
En España, el Instituto Nacional de Meteorología ha utilizado las siguientes:
5',10', 15', 20', 30', Ihora, 2 horas, 3 horas, 6 horas, 12 horas y 24 horas.

• Para cada vma de las duraciones se extraen de los registros de los

pluviógrafos, las series de intensidades anuales máximas.

• Se aplica un análisis de frecuencia a cada una de las series, estimando los

parámetros de la función de distribución de valores extremos elegida.

• Se obtienen los cuantiles para cada duración y período de retomo.

• Se ajustan ftmciones que describan, para cada período de retomo, la

variación de la intensidad con la duración.

• Se representan gráficamente los resultados.

En la página siguiente se recoge la secuencia de los pasos que,

tradicionalmente, se han venido aphcando para obtener las curvas DDF.

35
 ANTECEDENTES

Esquema 2 - Proceso de formación de las curvas IDF

ESTACIÓN CON
PLUVIÓGRAFO

Registro de lluvia
acumulada en cada año.

Se define una ventana -

duración- y se estudia Máxima lluvia acumulada / duración ~
máxima lluvia acumulada Imáxima para esa duración en eí registro anual
en el registro anual.

a"i3 ^m

TiS 1104
IDm 15m 2Um 30m A)m 120m
19í5 4^B 4^fl • t i R •.ii.fí 24.4 l i ' 1 l . i
1QE.2
13í7 mR fiíífl fiU
ae ISIB 74 4 SB 1 4 i . :
ñ1 40 3 •11 Vi
IWlm
ñ7
3D.5
lía
Mlm TXm ;¡4h
4 1 3.4 1 9
16.4 12.B B5
fi7 33 17
I
Serie de Imax anuales para cada duración

19«a í i ( í ' i i f i -KR 28.5 21 1= 9.1 fifi 41 3 1B

1349 109 2 100 2 H?I7 TU 73 53 7 :i5t añ7 l a í i 6 f 47
13Hi 103 2 ífR 7 i m h M4/ 77 2 tu :iKV •iWfi líR 6,e :14
1951 11?f m í f i 916 9C 74 42 21.6 U4 7,5 3.7 22
1952 71 fi «41= 'íRfl fTifi ie.2 444 •Tfi^ 19 4 inf 5.4 ?7
1953 7 Í ; Í ¡ fSP se 42 2 ME 15.; IfiR s 45 24
Iffifl VR V¡4 » F
^
23£ m i IV :• 4F 3.£ 2 1
^>
1955 !?• 9 f l 4 R77 7B = 58.2 7B.5 15.6 in4^
' ÍF 3,5 1 3
1956 íilF 3S.5 3fi K . Í 31.2 ffi.; 2!i.2 ai 105 6,; 2,7
1957 líTF i m f fWfi fí/;: 81 M 1 IflS 1Í1- S* 31
195H ei.B OS.E (jl.4 Bl.t 4S.B 7B4 I S I ;^* ni fifi 3.2 1 7
t95£ B7? 7F 7nF sa.s 63.2 357 le.E t?E fifi 4.5 2 5
1%0 1369 130 1173 11S.Í 103.6 E1S 31 207 14.1 93 4.2

ajuste
Ajuste a una función de distribución de valores
2 5 0 - [ — — * •
máximos.
i-n . •
• 5mir i
y 100 y
50 í — —
0 4——T r~—~.
0 200 aOO 600

periodo de r e t o r n o T

CUiHtCF

Representación en unos ejes de los cuantiles

obtenidos- intensidad máxima para cada
JB
periodo de retomo- con la duración en
•- .Trt
abscisas.
lio T-IC

100 • T'lOO

50 • •
1
1 f
15>
dur«lún ífirtriiMtt

Obtención de las curvas IDF: Para cada

período de retomo se ajusta una función que
refleje la variación de la intensidad con la
duración.

1(0 TJfi T*i

36
 ANTECEDENTES

De estas gráficas que se obtienen se deduce lo siguiente:

* El valor de intensidad máxima aumenta al disminuir la duración. Y este

comportamiento es independiente del período de retomo.
* En cada estación, las curvas obtenidas para distintos períodos de retomo son
afínes, es decir, solo se diferencian en la escala, y en consecuencia se pueden
reducir a una única ley adimensional.

3.2.3.1.-Defínición de las variables.

Para cada año, yfijandouna duración, "d", en horas, se obtiene el valor máximo
anual de la intensidad correspondiente a esa duración como:

ly T 1 _ Irmáx-d iaf¡o-i-ésimo

siendo, [Pmix-dXiio-i-ésimo ' ^^ máxima precipitación de ese año, "i", registrada en,
"d", horas. Como puede apreciarse el valor de intensidad que se obtiene no es un valor
instantáneo sino un valor medio que asigna, para cada año y cada duración (d), una
intensidad que, supuesta constante durante la ventana temporal considerada (d horas),
proporciona una precipitación igual a la máxima registrada en dicho año.

Es importante insistir que la duración "d" no es una variable aleatoria sino im

parámetro fijado arbitrariamente. No está relacionado con la duración del episodio de
lluvia, sino que es simplemente el tamaño de la ventana elegido para calcular los valores
medios de las intensidades máximas anuales.

Por lo tanto, la construcción de las curvas IDF no es un problema estrictamente

de una variable aleatoria, ya que incluye dos variables-1, y d- pero tampoco se puede
decir que sea el análisis de dos variables aleatorias, porque "d" no es una variable
aleatoria en sí misma.

Se podria decir que, tradicionalmente, el objetivo de la construcción de las

curvas IDF es caracterizar el comportamiento de " j " variables, siendo " j " el número de
duraciones consideradas, y de ese comportamiento, deducir ecuaciones que permitan
_
 ANTECEDENTES

estimar las intensidades máximas enfimciónde la duración -d-, y del período de retomo
-T-.

3.2.3.2-Antecedentes de las curvas IDF en el mundo.

El origen de estas cmvas hay que buscarlo en los años 30 (Bemard,1932), y a

partir de ahí se han ido desarrollando y constniyendo mapas en distintas partes del
mundo que proporcionan las intensidades máximas medias de lluvia para distintos
períodos de retomo y duraciones.

En USA se desarrollaron en 1961 por el US Weather Burean (Hersfíeld,1961), y

más recientemente por NOAA para el oeste de USA (Miller et al., 1973) y para el este
y la zona continental de USA (Frederick et al., 1977). También en UK y en Irlanda se
han definido estos mapas por el Instituto de Hidrología (NERC, 1975). En Australia
(Canterford et al, 1987), Sri Lanka (Baghirathan y Shaw, 1978), en la región de
Tuscany, Italia (Pagliara y Viti, 1993)... Sin embargo, en muchas ocasiones, estos
mapas no se han reahzado hasta finales de los 90, y el técnico debe construirse las
curvas a partir de los datos de una estación próxima a la zona de estudio.

Es de esperar que la utilidad de estas curvas, junto con la expansión de las bases
de datos y el desarrollo de los sistemas de información geográfica, faciliten su
construcción en países menos desarrollados donde todavía no se han construido.

También hay que decir que a pesar del avance tan espectacular que se ha
producido en la modelización estadística de las series hidrológicas, esto no se ha
reflejado en la formulación y construcción de las curvas IDF, que siguen siendo
empíricas o semiempíricas.

3.2.3.3.-Relaciones utilizadas en las curvas IDF.

Con el fin de evitar su lectura en una gráfica, las curvas EDF también pueden
expresarse como ecuaciones.

38
 ANTECEDENTES

En la bibliografía especializada se acepta que la relación entre la precipitación

acumulada y la duración de dicha tormenta sigue una ecuación del tipo
p = c*t"
Donde:
p, es la precipitación acumulada (mm)
t, es la duración (horas)
n, el exponente
c, es un coeficiente
En esta expresión, la Organización Meteorológica Mundial (1983) ha
establecido como valor de la constante "c" im valor de 422 y del exponente "n" 0,475,
para definir las máximas lluvias registradas en el mundo, quedando por tanto esta
expresión de la forma siguiente:
p=422 * t^'^'^^. (Chow et al. 1994)

Por otra parte, y como primera aproximación, la expresión general aceptada se

puede utilizar como base de partida para determinar la intensidad máxima de lluvia,
simplemente derivando respecto al tiempo (duración):

dt t'-"
Y por lo tanto la intensidad se podría expresar de forma genérica como

7 =^ (1)

Siendo: a, un coeficiente
d, la duración
m, el exponente

Todas las relaciones típicas de las curvas IDF que se vienen manejando en la
literatura son casos especiales de la fórmxila general siguiente:

I{d) = (2)

donde: a, v, ¿> yn, son valores no-negativos,

Esta segunda expresión,(2), se podría considerar a su vez como generalización
de la expresión (1).

39
 ANTECEDENTES

Además, para incorporar el concepto de período de retomo a esta expresión, y

poder definir la intensidad media máxima correspondiente a una duración y un
determinado período de retomo, los modelos utilizados adoptan la siguiente expresión:

i{dj)=h{Trg(d)
Esta expresión tiene la ventaja de separar en dos funciones la dependencia de la
intensidad con el período de retomo y con la duración ( Koutsoyiannis et al, 1998)

Así, cuando se relacione la intensidad correspondiente a una duración cualquiera

con la intensidad correspondiente a una duración concreta se obtendrá un cociente
independiente del período de retomo. Por ejemplo si se relaciona con la intensidad
horaria:
I{d,T)_g{d)^h{T)_g{d)
I{\T) g(l) h{T) g{\)

La función g(d) adoptaría, según la expresión general mostrada en párrafos

anteriores (2) y con v=0, la forma siguiente:
g(d) = (d+b)"
El cociente de intensidades quedaría así reducido a xm valor niraiérico
independiente del período de retomo.

Por otra parte, la función h(T) toma las siguientes expresiones según la
bibliografía consultada:

• h(T) = X*T^ Definida por Bemard, (1932)

• h(T)= c+ X*ln(T) propuesta más recientemente por Kothyari y Garde,

(1992) y Pagliari y Viti,(1993).

Estas relaciones son empíricas, y se han venido manejando por su simplicidad y

su facilidad de cálculo más que por su consistencia con las ftmciones de distribución
elegidas para la intensidad máxima de lluvia. De hecho, Koutsoyiannnis, (1994)
considera inapropiada la primera expresión, definida por Bemard para realizar

40
 ANTECEDENTES

En la bibliografía especializada se acepta que la relación entre la precipitación

acumulada y la duración de dicha tormenta sigue una ecuación del tipo
p = c*t"
Donde:
p, es la precipitación acumulada (mm)
t, es la duración (horas)
n, el exponente
c, es un coeficiente
En esta expresión, la Organización Meteorológica Mundial (1983) ha
establecido como valor de la constante "c" un valor de 422 y del exponente "n" 0,475,
para definir las máximas lluvias registradas en el mimdo, quedando por tanto esta
expresión de la forma siguiente:
p=422 * t^'"^^^. ( Chow et al. 1994)

Por otra parte, y como primera aproximación, la expresión general aceptada se

puede utilizar como base de partida para determinar la intensidad máxima de lluvia,
simplemente derivando respecto al tiempo (duración):

dt t'-"
Y por lo tanto la intensidad se podría expresar de forma genérica como

7 =^ (1)

Siendo: a, un coeficiente
d, la duración
m, el exponente

Todas las relaciones típicas de las curvas IDF que se vienen manejando en la
literatura son casos especiales de la fórmula general siguiente:

/(rf) = (2)

donde: a,v,b yn, son valores no-negativos.

Esta segunda expresión,(2), se podría considerar a su vez como generalización
de la expresión (1).

39
 ANTECEDENTES

Además, para incorporar el concepto de período de retomo a esta expresión, y

poder definir la intensidad media máxima correspondiente a una duración y un
determinado período de retomo, los modelos utilizados adoptan la siguiente expresión:

i{d,T)=h(Trg{d)
Esta expresión tiene la ventaja de separar en dos funciones la dependencia de la
intensidad con el período de retomo y con la duración ( Koutsoyiannis et al, 1998)

Así, cuando se relacione la intensidad correspondiente a una duración cualquiera

con la intensidad correspondiente a una duración concreta se obtendrá un cociente
independiente del periodo de retomo. Por ejemplo si se relaciona con la intensidad
horaria:
I(d,T)^g{d),hiT)^g(d)
/(l,r) g(l) h{T) g(l)

La función g(d) adoptaría, según la expresión general mostrada en párrafos

anteriores (2) y con v=l, la forma siguiente:
g(d) = l/(d+b)"
El cociente de intensidades quedaría así reducido a un valor numérico
independiente del período de retomo.

Por otra parte, la fiínción h(T) toma las siguientes expresiones según la
bibliografía consultada:

• h(T) = X*T^ Definida por Bemard, (1932)

• h(T)= c+ X,*ln(T) propuesta más recientemente por Kothyari y Garde,

(1992) y Pagliari y Viti,(1993).

Estas relaciones son empíricas, y se han venido manejando por su simplicidad y

su facilidad de cálculo más que por su consistencia con las funciones de distribución
elegidas para la intensidad máxima de lluvia. De hecho, Koutsoyiammis, (1994)
considera inapropiada la primera expresión, definida por Bemard para realizar

40
 ANTECEDENTES

simulaciones porque considera que subestima la varianza, y posteriormente,

Koutsoyarmis, (1996) y Koutsoyannis et al., (1998) demostraron empíricamente que si
las intensidades máximas siguen una función de Gumbel, los parámetros "k" y "9i" no
son constantes sino que dependen del período de retomo. Por lo tanto, no es necesario
incluir una función empírica de a(T), sino que puede ser definida de manera consistente
de acuerdo con la función de distribución elegida para las intensidades máximas. Así, si
una intensidad correspondiente a una determinada duración, la , se ajusta a una
determinada función de distribución, ésta también será la función de distribución de la
variable Y, definida por Y=Id * b(d), que no es más que la intensidad reescalada por b(d)
(con los parámetros de esta última distribución reescalados adecuadamente)
(Koutsoyannis etal., 1998).

En el estudio de estas curvas, puede concluirse que la fonna general de la ley

IDF viene dada por la expresión genérica del tipo:
i{d,T)=h{Trg{d),
siendo h(T) una función vinculada a la distribución de frecuencias, y por tanto
con una función de distribución de variables aleatorias de valores extremos y g(d) una
función decreciente con la duración, generalmente de tipo potencial.

3.2.3.4.-Variación geográfica de las curvas DOF.

Una vez obtenidas las curvas IDF en las estaciones con pluviógrafo, la tendencia
habitual ha sido extender su aplicación en el espacio, analizando la variación de sus
parámetros en las distintas estaciones y trazar las isolíneas correspondientes.

3.2.3.5.-Antecedentes de las curvas BDF en España.

En España las primeras curvas IDF fueron plasmadas en la Instrucción de

drenaje 5-1-I-C (MOPU, 1965) y la relación propuesta por Yamell y Hathaway era la
siguiente:
/(rf,r) = a*d''
Siendo:

41
 ANTECEDENTES

I(d,T), la intensidad máxima correspondiente a una duración d, y

período de retomo T
d, la duración
a y b, son los parámetros a obtener en cada caso, estando el parámetro
."a"asocMoa.unajrjobabi

Los parámetros, a , y ,b, fueron estimados por Nadal Aixalá, que formularon la
siguiente expresión para determinar la intensidad máxima correspondiente a una
duración y período de retomo:
Iid,T) = %5 *I(1, D^d"*"'
Siendo:
1(1,T) (mm/h), es la Intensidad horaria correspondiente al período de
retomo considerado.
d (minutos), es la duración del intervalo al que se refiere I(d,T).

Posteriormente, Témez, (1978) desarrolló una ley IDF que, con algunas
modificaciones, se incorporó a la "Mstracción de carreteras 5.2-IC" aprobada por Orden
de 14 de mayo de 1990. En esta Instmcción se recogen los siguientes pasos:

- En cada estación, y para cada una de las series de intensidades máximas

observadas correspondientes a duraciones de 10,20,30 minutos y 1,2,6 12 y 24 horas
ajustó una función de distribución Gumbel. A continuación, representó los valores de
I(d,T) obtenidos en el paso anterior y formuló la hipótesis de que cada una de las curvas
correspondientes a los distintos períodos de retomo T considerados son afínes, es decir,
sólo se diferencian en la escala de I, y por tanto, en cada estación, se pueden reducir a
una ley única adimensional, si los valores de cada curva se expresan como cociente
respecto a una duración dada.

- Para facilitar la extrapolación a estaciones sin pluviógrafo propuso, al igual que

se aplica en el resto de los países, relacionar la intensidad para cada duración y período
de retomo con la intensidad en 24 horas y para el mismo período de retomo. De esta
manera, utiliza como denominador para adimensionalizar, I(24,T), y por lo tanto, la ley
Tí/f V\

adimensional será de la forma genérica ' = ^{K;d), siendo "K" un parámetro

característico de cada estación. Para ese parámetro seleccionó un cociente con

42
 ANTECEDENTES

significación física: K = =Lr (tanto por uno de la intensidad máxima horaria media
•'24

respecto a la de 24 horas) y que asume toma un valor único en cada estación,

independiente, por tanto, del período de retomo.

La ecuación propuesta para (p{K\,d) es:

(p{K;d) = K 28°-'-i

El autor justifica el hecho de que para d=24 el cociente = tome valores

''24

mayores que 1 porque el modelo lleva implícito un factor de mayoración que permite
transformar los datos de lluvia diaria -registros correspondientes a 24 horas fijas, por
ejemplo desde las 9 horas hasta las 9 horas del día siguiente, que es como se mide en las
estaciones- a lluvia en los intervalos más desfavorables de 24 horas, sin obligarles a
comenzar a una hora prefijada.

En la citada Instrucción se incluye un mapa de iso-k con el que puede aplicarse

la ley a cualquier estación pluviométrica:

/(í,r)=[íM^^ K
Donde:
PMDA(T) (mm), es la precipitación máxima, media, diaria anual
correspondiente al período de retomo T años en la estación
pluviométrica.

K, es el parámetro obtenido del mapa de iso-K (iso- -^L)

-^24

d (horas), es la duración de la ventana temporal en la que se desea

evaluar la intensidad máxima,

I(d,T), (mm/h), es la intensidad máxima anual, para un período de retomo

de T años y una duración "d", en la ventana temporal de d horas.

43
 ANTECEDENTES

4 "'."' ' ^'^^i'-^i-u-

?• 1 ^^-g-»../:-.^' '-^K,-. •% \ j

f'í
i
Í:;,'7. i i í ^ f l i íjtai' íi-P.«SE3iT..ii)

Figura 3.-Mapa de Isolíneas A = =

•'24

Obtenido en "Cálculo hidrometeoroló^co de caudales máximos

en pequeñas cuencas naturales" (Madrid. 1978)

r •
)
•i
i'
i

1 ^'^ i :; Á>:^-:r,.-i

*.. ,^K;- i tr K ,._..

j^ ^..- ..^'' f Figura 4.-Mapa de isolíneas A = ——

"- Obtenido en "Cálculo hidrometeorológico de

caudales máximos en pequeñas cuencas"
(Madrid, 1987)

44
 ANTECEDENTES

La ley, propuesta por Témez, (1987) y utilizada de manera generalizada en

España, presenta una estructura acorde con la recomendada por Koutsoyannis et al,
(1998), separando la componente aleatoria y el efecto de la duración, pero presenta
algunas limitaciones:

• En la primera versión de la ley, 1978, como se puede ver en lafigura3, sólo

se utilizaron 13 estaciones. Este reducido número estaba forzado por los
datos disponibles, pero limitaba considerablemente la validez de su
generalización territorial derivada del mapa de isolíneas del parámetro "K".
En la segunda versión, de 1987, el número de estaciones se amplía a 21 pero
aún así, la generalización territorial de los valores de "K" resulta aventurada.

• La función de distribución utilizada - Gumbel - sólo debe utilizarse con

variables aleatorias en las que se tenga la certeza de que el coeficiente de
asimetría es inferior a 1,14, pues de lo contrario la función de distribución de
Gumbel proporcionaría sistemáticamente, para períodos de retomo altos,
cuantiles infravalorados.

En España, al menos en el territorio con clima mediterráneo, no es recomendable

utilizar esa ftmción de distribución, y de hecho, los estudios más recientes en España,
tanto sobre precipitaciones máximas. Ministerio de Fomento, (1999) como sobre
intensidades máximas, INM, (2003) no contemplan esta función.

Por otra parte, el tiempo transcurrido desde la aparición de la segunda y última

versión de la ley E)F propuesta por Témez, ( MOPU,1987), ha permitido incrementar
sustancialmente los registros de intensidades máximas, aumentando así las series
disponibles para las 21 estaciones que sirvieron para desarrollaría, y ha pemiitido
además la incorporación de otras estaciones con las que mejorar la variación territorial
del parámetro "K".

Y como última consideración cabe añadir que desde finales de los ochenta se
han desarrollado nuevas metodologías que permiten mejorar la robustez de las estimas
correspondientes a períodos de retomo altos, que son las habitualmente utihzadas.

45
 ANTECEDENTES

Todas estas reflexiones ponen en evidencia la conveniencia, cuando no la

necesidad de abordar una actualización profiínda de los resultados obtenidos por Témez,
actualización que permita incorporar tanto los nuevos registros como las nuevas
metodologías.

Como se indica en párrafos anteriores, el Instituto Nacional de Meteorología ha

realizado una revisión de las curvas IDF en un estudio que lleva por título
"Contribución al estudio de la estructura temporal de la precipitación en España.
Obtención de las "curvas de intensidad-duración-frecuencia" correspondientes a un
conjunto seleccionado de observatorios provistos de pluviógrafo, distribuidos por todo
el territorio nacional." (Nov 2003). Este estudio resuelve algunas de las limitaciones
señaladas para las curvas IDF de Témez (1987), ya que actualiza la base de datos y
emplea ima función de distribución con un coeficiente de asimetría mayor que 1,14 (Ley
de SQRT-ET máx), pero no utiliza técnicas de regionalización, ni aborda la posible
extensión de estos resultados a estaciones en las que únicamente se dispone de
pluviógrafo.

46
 ANTECEDENTES

3.2.3.6.- Conclusión.

-Unared de pliiviógrafosescasa.:
- Las series de mtensidades máximas disponibles^, pero que eran cortas.
- La función de distribución Gumbel para los ajustes de las intensidades
mápidnias para cada duración, cuyo coeficiente de asimetría adopta Un
^^ y ^ ^ =1,14), ftmción que no es reccMnendable, al menos en el
territorio con cliiíiarnediterráiíeo.

- Él mapa de isolíneas iso-^, í = =4^ , obtenido a partir de 21 estaciones

•'24

solamente;

•9 Él^ctual trabajo desarrollado por el Instituto Nacional de Meteorología

no hace sitio confirmar dos aspectos:
- Itóerésy necesid^ las curvas IDF.
- Interés de la función de distribución SQRT-ET máx para describir más
adecuadamente la asimetría positiva de las series de intensidades
•.'ináxim^;^---.'-

Aúiíque no contempla:
- La aplicación de técnicas de regionalización que permitan aumentar la
robustez de las estimas para periodos de retomo altos.
- La posible extensión de los resultados obtenidos en las estaciones con
pluviógrafos a estaciones que sólo cuentan con pluviómetro.

47
 ANTECEDENTES

3.3.-CONCLUSIONES.

Haciendo un breve repaso de lo analizado en los puntos anteriores se puede

concluir:

• La estimación de caudales es fimdamental en el diseño de

infraestructuras, planificación de territorio, caracterización de los
sistemas fluviales....

• Los métodos hidrometeorológicos son una herramienta, plenamente

aceptada, para la estimación de hidrogramas de avenida y caudales
máximos.

• Los métodos hidrometeorológicos requieren, entre otras cosas, la

estimación de la precipitación máxima diaria anual para distintos
períodos de retomo y leyes IDF.

En España, los dos elementos requeridos para estimar caudales han

evolucionado de manera distinta:

• La estimación de la precipitación máxima diaria anual para distintos períodos de

retomo se contempla en la publicación "Mapa para el cálculo de máximas
precipitaciones diarias en la España Peninsular", (1997)\ y en la publicación
"Máximas lluvias diarias en la España Peninsular, (1999)^.

En ellos se incorpora:
- Nueva metodología: Regionalización.
- Nuevas funciones: ley SQRT-ET máx.

^ Editado por el Servicio de Geotecnia de la Dirección General de Carreteras en colaboración con el

Centro de Estudios Hidrográficos del CE.D.E.X.
^ Publicado por el Ministerio de Fomento.

48
 ANTECEDENTES

• En cuanto a las leyes IDF, son las mismas que se dedujeron en los años setenta a
partir de 21 estaciones repartidas por toda España y series con datos hasta los
años 70, y que se recogen en la Instrucción 5.2-IC "Drenaje superficial".

Faíece pQr tanto necesaria, una profunda revisión de las curvas IDF en
España en varios aspectos:
• IS^^ora de los ajus las estacionfis que se manejaron en su día,
al haber transcurrido un número importante de años, y por tanto,
al haber aunientado el ntoero d^
• Manejo de ima red de estaciones phjviográfica más extensa y sus
eorrespondientes registros.
• Manejo f^^ reflejen adecuadamente la
asimetría |)Ositiva (pe presentan í^^^
» Aplicación de nueva metodología- la regionalizáción- que permita
incrememar el mtoro de d ^ ^
• Estu4io de nuevos modelos de curvas iDF.

Todo ello ha llevado a plantear la investigación que lleva por título:

^^Regionalizáción de leyes IDF para el uso de

modelos hidrometeorológicos de estimación de caudales".

^ Editado por La Dirección General de Carreteras, MOPU. Última edición 1990.

49
4.-METODOL0GIA: VISION GENERAL
 METODOLOGÍA: VISION GENERAL

Debe señalarse que, a pesar del tiempo transcurrido, el número de estaciones con
pluviógrafo en España, no se ha incrementado en un número significativamente
importante como para caracterizar a toda la España Peninsular. Por ello, se hace
necesario desglosar el estudio en dos partes:

- Estaciones con pluviógrafo

- Estaciones sin pluviógrafo

Así, en primer lugar se estudiarán las estaciones disponibles con pluviógrafo en

la España Peninsular, y se obtendrán las series de intensidades máximas, actualizadas,
para cada duración. Con estas series se cubrirán los primeros objetivos planteados:

- Aumentar el número de estaciones.

- Incrementar longitud de registros.

Además, al comprobar que las series siguen siendo relativamente cortas, y al

tratarse de una variable aleatoria con marcada asimetría positiva, se tratará de mejorar
las estimas:
- Incorporando nueva metodología - la regionalización - que permite
paliar la limitación temporal de longitud de las series.
- Manejando funciones de distribución con estimadores de la asimetría
no vinculados con la asimetría muestral.

De esta forma se mejorará la robustez de las estimas, especialmente para

frecuencias bajas (períodos de retomo altos), que son los que habitualmente se utilizan
en los modelos hidrometeorológicos de estimación de caudales.

Y por último, con el fin de extender los resultados obtenidos en estaciones con
pluviógrafo a estaciones que carecen de él se estudiarán los modelos IDF que contempla

50
 METODOLOGÍA: VISION GENERAL

la bibliografía especializada, y que responden a la expresión general:

i{d,T)=^h{Trg{d)
Donde,
I(d,T), es la intensidad máxima anual correspondiente a una duración de "d"
horas y a un período de retomo de "T" años.
h(T), es una función que recoge la variación de la Intensidad con el período de
retomo "T".
g(d), es una función que recoge la variación de la Intensidad con la duración "d"

Esta expresión tiene la ventaja, tal como se indicó en apartados anteriores, que si
se relaciona la intensidad máxima correspondiente a una duración y período de retomo
determinados con la intensidad máxima correspondiente a otra duración, y el mismo
período de retomo, la expresión se hace independiente del período de retomo.

En este caso, y como es usual en la bibliografía específica del tema, se

establecerá la relación de la intensidad máxima, para cualquier duración y período de
retomo con la intensidad máxima en 24 horas y el mismo período de retomo. Este dato
puede deducirse en toda la España Peninsular a partir del trabajo "Máximas lluvias
diarias en la España Peninsular", (1999) como el cociente de la precipitación máxima en
24 horas entre esa duración.

En las estaciones sin pluviógrafo, y a falta de datos de intensidad para distintas

duraciones, se plantearán una serie de hipótesis y de criterios que pemiitirán extender
los resultados obtenidos a toda la España Peninsular.

A continuación se presenta el esquema 3, con el planteamiento que se ha

realizado en la presente investigación, para posteriormente ir desarrollando cada uno de
los puntos señalados.

51
 METODOLOGÍA: VISION GENERAL

OBJETIVO: OBTENER EL DATO DE INTENSIDAD MÁXIMA ANUAL

PARA CADA DURACIÓN Y PERÍODO DE RETORNO EN
TODA LA ESPAÑA PENINSULAR.

PROBLEMA: AUSENCL^ DE PLUVIÓGRAFOS EN AMPLIAS ZONAS

SOLUCIÓN: ESTABLECER DOS METODOLOGÍAS COMPLEMENTARIAS

EN ESTACIONES QUE TIENEN PLUVIÓGRAFO Y EN LAS
QUE NO LO TIENEN.

ESTACIONES CON PLUVIÓGRAFO ESTACIONES SIN PLUVIÓGRAFO

DATOS DE PARTroA: DATOS DE PARTIDA:

Estaciones actualmente disponibles. - Precipitaciones máximas anuales en 24 horas

Series actualizadas de intensidades máximas

anuales para cada duración i
- Intensidades máximas anuales en 24 horas

OBJETIVO: ESTIMAR I(d ,T)

METODOLOGÍA PROPUESTA: METODOLOGÍA PROPUESTA:

Hipótesis de partida: Estaciones próximas tienen

Aplicar nueva metodología: REGIONALIZAaÓN similar comportamiento respecto al cociente
I(d,T)/I(24,T)

Aplicar una función de Establecer criterios para poder extender la ley

distribución con asimetría IDF deducida en estaciones con pluviógrafo a
variable, desarrollada SQRT-ET máx estaciones que carecen de éi.
específicamente para lluvias
máximas:

Estudiar modelos IDF:

1
Extender la ley IDF deducida

Esquema 3,- Metodología desarrollada en la presente Tesis.

52
5.- ESTACIONES CON PLUVIÓGRAFO
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

5.1.-MATERIAL Y MÉTODOS.

5.1.1.-DATOS: SERIES DE INTENSmADES MÁXIMAS DISPONIBLES.

El primer paso consistió en obtener las series de intensidades máximas anuales

en todas las estaciones existentes en España, y con el máximo número de años. Para ello
se acudió al Instituto Nacional de Meteorología (INM), donde amablemente
proporcionaron estos datos.

Estas series provienen de la digitalización de las bandas de pluviógrafo de un

conjunto de observatorios del Instituto Nacional de Meteorología, digitalización que fue
realizada por dos entidades extemas al mismo, INTECSA y la E.T.S de Ingenieros de
Telecomimicación de Madrid.

Los archivos proporcionados de cada una de las estaciones disponibles contenían

los siguientes datos de cada estación (a modo de ejemplo, se presenta la Tabla 4, y para
consulta ver Anejo 1. En el Anejo 2 se presentan las mismas tablas adimensionalizadas,
dividiendo por su media):
• el código de la estación.
• el nombre de la localidad donde se encuentra.
• las coordenadas geográficas referidas al meridiano de Greenwích.
• una tabla con los valores máximos de intensidad, en cada año, para las siguientes
duraciones: 5m, lOm, 15m, 20m, 30m, 60m (Ihora), 120m(2horas), 180m (3 horas),
360m (6 horas), 720m (12 horas) y 24 horas.

La intensidad máxima para cada duración y cada año se había obtenido como
cociente de la máxima lluvia acimiulada en im intervalo de tiempo, o duración, entre

53
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

dicha duración, y por lo tanto es un valor medio, para la ventana temporal considerada,
correspondiente a cada duración y en cada año.

En conversaciones posteriores con el ENM se pretendió incorporar a las series

de intensidades máximas de cada duración los datos correspondientes a estos últimos
años, pero no fue posible al no haber sido digitalizadas las bandas de pluviógrafo
correspondientes. La actualización de las series no se ha podido llevar a cabo, pero el
problema, de cara a futuros estudios, se ha complicado con el estado de las autonomías,
ya que el proceso de digitalización también se ha descentralizado, por lo que para
obtener estos datos habrá que acudir a cada comunidad autónoma.

Se hace aquí una llamada a la reflexión y se analiza la conveniencia de articular

algún mecanismo que permita acceder a esta información a escala nacional.

Tabla 4.- Información suministrada por el I.N.M. en la estación de Valls (0034).

Indicativo: 34 Estación: Valls-2 Tarragona Lat: 41-17 Long:01-14-E

INTENSIDADES MÁXIMAS ANUALES EN mm/h PARA UN INTERVALO

Año 5m lOm 15m 20in SOm 60m 120in 180m 360in 720m 24h
1945 45,60 43,80 38,80 33,60 24,40 15,70 11,30 8,20 4,50 3,40 1,90
1946 110,40 106,20 86,00 82,80 74,40 56,10 42,30 30,50 15,40 12,60 6,50
1947 63,60 55,80 54,40 51,00 40,20 31,00 20,00 13,30 6,70 3,30 1,70
1948 51,60 51,60 35,60 28,50 21,00 13,00 9,10 6,90 4,10 3,00 1,60
1949 109,20 100,20 83,20 78,00 73,00 53,70 35,90 26,70 13,50 6,80 4,70
1950 109,20 103,20 101,60 94,20 77,20 43,70 38,20 25,80 13,60 6,80 3,40
1951 112,80 105,60 93,60 90,00 74,00 42,00 21,60 14,40 7,50 3,70 2,20
1952 75,60 64,80 58,80 55,50 56,20 44,40 26,90 19,40 10,80 5,40 2,70
1953 75,60 55,80 50,00 48,00 42,20 25,90 15,30 13,60 9,00 4,50 2,40
1954 39,60 35,40 26,80 25,80 23,60 18,10 12,30 9,00 4,80 3,80 2,30
1955 120,00 95,40 87,20 78,90 58,20 29,90 15,60 10,40 5,80 3,50 1,90
1956 51,60 39,60 38,00 35,40 31,20 26,30 25,20 20,10 10,50 5,30 2,70
1957 130,80 106,80 89,60 87,30 81,00 51,10 26,80 18,60 10,30 5,40 3,10
1958 81,60 66,60 64,40 61,80 49,60 26,40 19,10 13,10 6,60 3,30 1,70
1959 97,20 78,00 70,80 58,50 53,20 35,70 18,90 12,90 6,60 4,50 2,50
1960 136,80 120,00 117,20 115,20 102,60 61,90 31,00 20,70 14,10 8,30 4,20

54
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

INTENSIDADES MÁXIMAS ANUALES EN mm/h PARA UN INTERVALO

Año Sm lOm 15m 20m aom 60in 120in 180m 360in 720in 24h
1961 99,60 87,60 75,60 70,80 63,60 37,10 19,10 12,80 6,80 3,80 1,90
1962 63,60 61,80 58,40 47,10 35,60 20,00 14,50 12,00 8,00 5,00 2,50
1963 112,80 100,20 84,00 84,60 78,00 59,40 34,20 23,20 11,70 5,80 3,90
1964 121,20 96,00 80,00 80,40 74,00 49,00 25,30 16,90 9,30 5,00 2,50
1980 104,40 78,00 73,60 62,70 49,60 29,40 15,40 10,30 5,20 2,60 1,60
1981 48,00 46,80 34,80 26,40 18,00 9,70 8,30 5,50 2,80 1,60 1,10
1982 56,40 39,60 32,40 28,50 19,60 12,80 10,80 9,10 6,20 3,40 1,90
1983 73,20 51,60 44,80 40,50 33,40 21,00 11,70 7,80 5,30 3,50 1,80
1984 52,80 51,00 49,20 48,30 37,00 25,70 23,60 17,00 9,90 5,40 2,70

Longitud de la serie: 25 años.

Por lo tanto, las series que se van a manejar si bien podrían ser algo más largas,
abarcan hasta los años 90 y en algunos casos hasta finales de los 90, suponen una
mejora de casi veinte años respecto a las utilizadas para la ley EDF que se está
manejando actualmente (recogida en la Instrucción 5.2-IC "Drenaje superficial").

En el mapa 1 se refleja la situación de las estaciones disponibles, con series

completas, y con una longitud adecuada. En la tabla 5 se recoge el código de las
estaciones, dónde está ubicada, y cuántos años completos tienen.

55
 ESTACIONES CON PLUVIÓGRAFO

Mapa 1.- Distribución de !as estaciones con pluviógrafo en la España Peninsular.

56
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Código Nombre N° años Código Nombre N° años

completos completos
0034 Valls 25 3195 Madrid-4V 34
0111 Sallent 16 3200 Getafe 30
0201 Barcelona 71 3259 Toledo 44
0222 Caldas Mombuy 16 3469 Caceres 49
0225 Sabadell 35 4121 Ciudadreal 35
0370 Gerona 33 4245 Guadalupe 16
0429 Figueras 41 4452 Badajoz (Talavera) 26
1024 S.Sebastian 65 4478 Badajoz (instituto) 35
1082 Sondica 30 4605 Huelva 21
1110 Santander 41 5530 Chauchina 15
1208 Gijón 47 5911 Grazalema 16
1212 Amao 23 6006 Algeciras 16
1387 Coruña 68 6024 Guadarranque 18
1428 Santiago 24 6120 Guadalhorce 23
1495 Vigo 24 6172 Málaga 23
1496 Vigo (Peinador) 23 7031 Murcia S.Javier 30
1499 Punto Centro 19 7228 Murcia Alcantarilla 24
1549 Ponfen-ada 41 8025 Alicante C. jardín 25
2030 Soria 30 8175 Albacete 29
2139 Linares 18 8416 Valencia 26
2243 P. Aguilar 19 8500a Castellón 15
2331 Burgos 33 9121 Haro 33
2363 P.compuerto 16 9148 Logroño 50
2422 Valiadoiid 45 9171 Cabreja 15
2444 Avila 39 9434 Zaragoza 34
2462 Navacerrada 16 9443 Mezalocha 32
2614 Zamora 30 9771 Lérida 31
2633 P.Porma 17 9898 Huesca 23
2661 León 24 9980A Tortosa 23
2867 Salamanca 41 9981 Roquetas 36
3013 Molina de Aragón 44 63250 Almería 20
3195 Madrid-Retiro 41

Tabla 5.- Tabla resumen de las estaciones, código, localización, y número de años disponibles
suministrado por el Instituto Nacional de Meteorología.

El número de estaciones disponibles con esos requisitos en la España Peninsular

es por tanto de 63, número que, aún siendo pequeño para caracterizarla, representa un
incremento notable respecto las 13 estaciones que se manejaron en los años setenta para

definir las curvas E)F y el mapa de isolíneas de = , y que posteriormente se

-'24

amplió a 21.

57
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

S.l.l.l.-Análisis de datos.

S.l.l.l.l.-Representación de datos.

Es importante hacer un primer control de los datos disponibles y comprobar si

presentan errores importantes. Para ello, se representaron en unos ejes; en ordenadas los
valores de intensidad máxima dividida entre su intensidad media, para cada duración, y
en abscisas el año en que se produce dicho evento. De esta manera se puede tener una
primera referencia para identificar valores anormalmente altos o bajos, cómo se
distribuyen, si existe un claro cambio o tendencia...

A modo de ejemplo se han representado las series en la estación de Valls (0034),

y se puede observar que la serie no es continua en el tiempo, sino que faltan los datos de
los años comprendidos entre 1964-1980.

Valls(0034)

3 • SnVImedia
• lOnryímedia
2.5
ISnrVImsdia
I 2 ir X 20m1nnedia
« >c SOnVlmedia
E 1.5
^%Í5"^ • eOnVImedía

X + 120fTyimedia
0.5

1940 1950
#*—*-

1960 1970
¥
1980 1990
-ISOnVimedia
- 360rrVlmedia
720rryimed¡a
año 24h/lmedia

Figura 5.-Representación de la señe temporal de intensidades máximas de cada duración.

Para consultar el resto de gráficos, ver Anejo 3.

Todas las estaciones se van a utilizar porque están completas, y alguna estación
en la que sólo falta un dato en una de las series de una duración también se ha
mantenido justificando su uso en que no se debe perder la información del resto de las
series, ya que la red de estaciones no es muy abundante.

58
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Por lo tanto, se dispone de 11 series de valores máximos en cada estación, con el

mismo número de datos, correspondientes al número de años disponible, y sólo en tres
casos: en la estación de Molina de Aragón (3013), en Toledo (3259), y en Guadarranque
(6024), falta un año en la serie de 124; y además en la estación de Haro (9121) faltan
tres años en la serie 124 aunque al ser una serie larga, de 33 años, también se ha
utilizado.

5.1.1.1.2.-Prueba de datos dudosos.

El análisis preliminar anterior permitió identificar una serie de estaciones en las

que aparecían valores que convenían estudiar con más detalle: Almería(63250),
Guadaihorce(6I20), Sondica (1082), Figueras (0429), Alicante (8025)y Murcia (7031).

A continuación se muestran las gráficas correspondientes de dichas estaciones y

que llevaron a plantear un estudio más exhaustivo en ellas.

Almería (63250) • SnVImedia

• lOnVImedJa
1 SnVImedia
X 20nVimedia
X 30rrVlmedia
• eOrrVImedia
+ I20m/lmedia
- ' - " ^ ^ ^ z ,HV '^ ,J -iSOm/lmedia
o -)
" 360m/lmeds
1970 1975 1980 1985 1990 1995
720m/lmectia
año
24h/lmedia

Sondica (1082)

«SnVhedia
4.5
• lOmlmeda
l&TVkTeda
as
f 3 x20nykTEda
I 25 -TTT x30fTVlmsdia
• eOnVhBcfia
g 1.5 -7*--"
~ 1 + 120rTVtTfidia
0.5 :->m^^,^ -18ChATBdia

1940 1950 1960 1970 1990

720m'hBdia
año
24»lrTHfia

59
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

au3dalhorce{6120)

4.5 • SnVImedia
4- ^
• lOnVhedia
3.5-
ISrryíinedia
a 3
X aOnVImediB
1 2.5 n
X SQnVfmedíQ
>
*( , - •' _• •• • 60nVImede
i 1.5 ^ * 1 •!! X •^"
1 HJ^
f.K^,' - ^* ,
5* * .rtt-'
¡É^ • ^ : , «
+ 120m'lmed¡a
- leOrrrtnBdia
0,5-
0 '"yt*fi!5 -' --^^J — 360ttVlmad¡a
1960 1965 1970 1975 1080 1985 1990 720nVkiwd¡a
año 24ti/imedia

Murcia San Javier (7031)

• SrrVItTEdJa
3.5 • lOrVlmeda
«
ISrryímecSa
X
¡5 2,5 xZanlmetSa
'• ^ ¡j¡
X aOm'tTBciia
1.5
1 ' i ÍÍ5 ív fK • eOrTVheda
1 '?"f "Ú» \' ^ * í • • + 120rTy*redia

0.5
c^- tf nrÉ£J-_^^Sí-r-^
••" •' e
-1K)nVhBdia
-360m*m(Jia
1955 1960 19ffi 1970 1975 1980 1965 1990 1995 720m%TEClia

año Z'lh'híidia

F i g u e r a s (0429)

« 5m/lmedia

6 -
, • 10m/lmed¡a
iSnVImedra
5 -
4 -
+ X 20m/bT)edía

3 -
• X 30Tn/hiedia
• 60m/bTiedia
E 2 - -• i Y
1 - ^ W ' jí sJl fcKfl- + 120nVhiedia
1 TW^ 5 ? ^ ^ •* ' -^ -a!.! * r ^ • ISOnVkTiedia
- aeOnVImedla
19 40 1950 1960 1970 1980 1990
720m'lmedia
año
24h/lmedta

A l i c a n t e (8025)

• Sm/lmedia

3.5- m 10m/lmedia

3 -
+ 1 Sm/lmedia

1 2.5 - X 20ín/lmedia
•
1' A
i _
" " f c ^ 4JÍ
_ ^ ^ ^
•X. 30nVlmedia
• 60nVknedia
+120m/tnedia
0,5
J^
f^ \,^^.I^¿FY— - 1 eom/lmedia
— 360ni/hiedia
19 50 1960 1970 1980 1990
720m/lmedia
año
24h/lmedia

Figura 6.- Representación de I ^ series temporales en estaciones con datos dudosos

60
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Para estudiar valores excepcionalmente altos, y que se alejan de la tendencia de

la información restante, se va a aplicar el método de Water Resources Council para
datos dudosos(1981), ya que la utilización o por el contrario la eliminación de estos
datos puede afectar significativamente la magnitud de los parámetros estadísticos
calculados, especialmente en muestras pequeñas como es este caso.

Para aplicar este método, deben calcularse los logaritmos decimales de los
valores de la muestra, y se asume que esta nueva serie sigue una distribución normal.

Sobre estas series transformadas, se calcula la media (y) y la. desviación típica (sy), y a
continuación, la prueba de datos dudosos ofrecida por el Water Resources Council
presenta la siguiente ecuación para definir un umbral de dato dudoso:

Donde:
yh, es el umbral de dato dudoso alto
Kn , es un valor tabulado en función del tamaño de la muestra, con un nivel de
significación de un 10% en información normalmente distribuida. (Tabla 6)
Sy, es la desviación estándar.

y, es la medía de la serie.

Tamañu Tuñuño Tamají»

Taitmiñ»
áf de 4v *t*f
ttsamira ji K. muestra n K„ ftme^f'Á n AJÍ mnesimtt f^K

iO 2.03$ 24 2.46? M 2.661 m z.m

11 2.088 25 2-4S6 39 2.671 65 2.«66
12 2.134 36 2.502 40 2.682 70 2.S93
O 2.175 n 2.SS9 45 2,692 75 2.937
2.534 42 2.7oe 2.940
2.213 28
tS49 43 2.7 ÍO
m 2-961
fS 2.2^7 29 «5
2-S63 44 2-759 Í.9SI
'6 •t.279 30
2.577 4; 2.727
m
95 1.000
f? 2.309 31
5S 2.3.^5 32 2,S9l 4Í. 2.T36 ICO 3.017
19 2Mi 35 2.Í04 47 2.7*4 3.049
20 2.385 34 2.636 4S !20 Í.07S
21 S.'íOS 35 3.«J8 4$» 3.760 I.tO 3.304
^yy ,2.429' 36 2-639 SQ 2.76S 140 3.129
23 2.44S 37 2.650 55 2.804 ,., .1

Fs»:n!r-. H S. Water S o a u f c » CoasriE. JSSi. E s a teWa eontíer^e va!or« áe Jí. dt «t. 3-.Í<1O caá an
jjjvsl d t s.l|:aiíÍ«W£-<í* J«l IOS- p¡raa 14 <ÍÍ5(iitJ«c¡<ítí aomsS.

Tabla 6.- Valor de "K „" en función del tamaño de la muestra.

61
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

En este método, los picos que superan el umbral yh -que define un dato dudoso-
deben compararse con la información histórica y de estaciones cercanas y sólo si puede
acreditarse que es verdaderamente anómalo deberá ser eliminado.

El único criterio disponible para aceptar - o en su caso rechazar- un dato,

consiste en comparar con las lluvias diarias, ya que la única información disponible,
ajena a los registros de pluviógrafo, son las precipitaciones diarias recogidas con
pluviómetros en estaciones próximas y con características climatológicas similares.

El esquema del proceso seguido para el análisis de datos dudosos en estas

estaciones se presenta a continuación:

l.-Se determina el valor de "Kn" (Tabla 6 según el número de años de la

estación).
2.-Para cada una de las series de la estación (5 min,10 min, 15 min...24 horas)
se calculan los logaritmos decimales de los registros.

3.- Sobre la serie logarítmica se calculan la media (y) y desviación típica (Sy).
4.- Se calcula el umbral de "dato dudoso" en cada seríe:

5.-Se identifican los registros que en cada serie superan el respectivo umbral.
6.- Para cada año (o años) en los que se detectan "datos dudosos" se calcula en
dicha estación la precipitación máxima en 24 horas, P24, como producto de
l24*24, y se compara ese valor con el registrado ese mismo año en la estación
pluviométrica establecida como referencia (P24 del pluviómetro).
7.- Si P24 del pluviógrafo es del orden de magnitud del P24 del pluviómetro se
aceptan los registros del pluviógrafo.
8.- Si ese año no hay dato de pluviómetro, P24 del pluviógrafo se compara con
los P24 del pluviómetro registrados en otros años. Si los valores son del mismo
orden de magnitud se acepta el dato, asumiendo que el P24 del pluviógrafo no
es anómalo pues hay registros, aunque no sean del mismo año, que hacen
plausible la ocurrencia de esa precipitación.

62
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Sólo si no se cumple de manera elocuente alguna de esas condiciones, el "dato

dudoso" será eliminado.

En el Apéndice 1 se recoge el detalle del análisis en las seis estaciones, y que

condujo a la decisión de no eliminar ningún dato.

S.1.1.1.3.-Independencia de datos.

Para analizar la independencia de datos se distinguieron dos casos:

A.- Correlación entre series de la misma duración entre distintas estaciones
próximas.
B.- Correlación entre series de distintas duraciones dentro de una estación

A.- En este tipo de datos, es frecuente que las observaciones realizadas en

estaciones situadas en puntos próximos estén correlacionadas positivamente y que a
medida que aumenta la distancia entre ellas su correlación disminuya. Este análisis se
realizó cuando las estaciones con pluviógrafo estuvieran localizadas en puntos
próximos: en las estaciones de la comunidad catalana, y en las tres estaciones de
Madrid. En estas estaciones se tomaron los años coincidentes y se calculó la matriz de
correlación entre las series.

Tabia 7.- Coeficiente de correlación entre las series correspondientes a cada duración de las estaciones
estudiadas.

Duración (minutos)
Estación 5 10 15 20 30 60 120 180 360 720 1440
Barcelona-Valls -0,16 -0,17 -0,14 -0,06 0,01 -0,09 -0,10 -0,02 0,02 0,15 -0,01
Barcelona-Sallent 0,37 0,41 0,29 0,24 0,22 0,43 0,70 0,71 0,63 0,63 0,65
Barcelona-Caldas -0,29 0,53 0,38 0,50 0,43 0,41 0,38 0,43 0,26 0,39 0,44
Barcelona-Sabadell 0,27 0,02 -0,10 -0,15 -0,22 -0,21 -0,10 -0,08 0,04 0,07 0,15
Barcelona-Gerona -0,16 0,11 0,24 0,39 0,38 0,31 0,11 0,12 0,03 -0,20 -0,20
Gerona-Figueras 0,09 0,07 0,06 0,03 0,07 0,16 0,16 0,26 0,20 0,31 0,41

63
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Duración (minutos)
Estación 5 10 15 20 30 60 120 180 360 720 1440
Madrid-Madrid4v 0,25 0,43 0,45 0,38 0,29 0,32 0,34 0,34 0,23 0,31 0,43
Madrid4v-Getafe -0,02 0,07 -0,09 -0,06 0,01 0,20 0,53 0,67 0,79 0,81 0,27
Madrid-Getafe -0,30 -0,29 -0,19 -0,12 0,01 0,15 0,22 0,31 0,16 0,02 -0,05

Se deduce que las correlaciones son pequeñas, por lo que se utilizará toda la
información disponible en estas estaciones.

B.- Cuando se estudia la correlación entre las series de distintas duraciones,

dentro de una estación, se observa que con frecuencia, un episodio de lluvia de larga
duración cubre otros de menores duraciones, y de esta manera están relacionados con él
de una u otra forma (Hershenhom y Woolisher,1987; Kothary y Garde, 1992). Así, si en
una estación se produce un aguacero muy intenso y con una duración suficiente, se
genera durante el mismo las intensidades máximas anuales correspondientes a varias
duraciones.

El efecto de la dependencia en el análisis de frecuencia de las series

individualmente ha sido estudiado por Landwehr et al. , (1979) y Mc-Mahon y
Srikanthan (1982), y en el análisis regional por Hosking y Wallis, (1997) que indican
que una cierta dependencia en las series de datos anuales tiene poca influencia en la
calidad de las estimas de los cuantiles. Recientes investigaciones (Hosking et al., 1985;
Lettenmaier y Potter, 1985; Wallis y Wood, 1985; Lettemnaier et al., 1987; Hosking y
Wallis, 1988) concluyen que es posible aplicar el método índice de avenida y que las
estimas de los cuantiles obtenidos sean robustas aún cuando las observaciones no sean
independientes.

Hosking y Wallis, (1997), también señalan que al aplicar el proceso de

regionalización sobre series dependientes este efecto actúa como si se redujeran el
número de estaciones de la región, en definitiva como si el proceso perdiera parte de las
ventajas que ofrece: aumentar el número de datos.

A modo de ejemplo se muestra la matriz de correlación obtenida en Valls (0034)

64
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Duración (minutos'
5 10 15 20 30 60 120 ISO 360 720 1440

5 1,000 0,964 0,948 0,945 0,937 0,846 0,623 0,549 0,556 0,458 0,491

10 1,000 0,976 0,971 0,960 0,880 0,713 0,638 0,632 0,558 0,594

15 1,000 0,990 0,961 0,856 0,705 0,628 0,643 0,533 0,543

20 1,000 0,982 0,893 0,744 0,668 0,686 0,565 0,576

30 1,000 0,952 0,790 0,723 0,739 0,613 0,635

60 1,000 0,881 0,833 0,824 0,711 0,756

120 1,000 0,986 0,945 0,848 0,871

180 1,000 0,967 0,872 0,897

360 1,000 0,896 0,893

720 1,000 0,965

1440 1,000

Tabla 8.-Matriz de correlación de las series de intensidades máximas para cada duración en la estación de
Valls (0034)

La correlación es mayor entre series de duraciones similares, y disminuye a

medida que las duraciones se alejan. Esta correlación se explica porque los máximos
correspondientes a las distintas duraciones pueden proceder del mismo aguacero, y por
lo tanto una intensidad máxima de mayor duración engloba a otra de menor duración.
Así, si en una estación se produce un aguacero muy intenso y con una duración
suficiente, se genera durante el mismo las intensidades máximas anuales
correspondientes a varias duraciones.

Con respecto a este punto, si bien es cierto que existe gran correlación entre las
series de distintas duraciones, dentro de una estación, se decidió utilizarlas todas debido
a la necesidad de aprovechar la escasa información disponible. En el supuesto de que las
series fueran totalmente dependientes, el proceso de regionalización sería equivalente al
estudio de las series individuales, y por tanto las estimas no mejorarían, pero bastaría
con que información ftiera sólo parcialmente dependiente para que la ganancia de
información permitiera mejorar las estimas (U.S: National Research Council, 1988).

65
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

5.1.1.2.- Conclusión.

• Para er desarrollo de la presante Tesis se ya a manejar toda la

mformacion simimistrada por el Instituto Nacional de Meteorología,
que supone 11 serias de intensidades máx^ las
siguientes duraciones: 5m, lOm, Í5m, 20m, 30m, 60m (Ihora),
120m(2 horas), 180m (3 horas), 360m (6 horas), 720m (12 horas) y
24 horas, eñ cada una de las 63 estaciones disponibles en el territorio
de la España Peninsular.
f Todas las series están completas excepto en la estación de Molina de
Aragón (3013), Toledo (3259), Guadarranque (6024) en las que falta
un año éñ la serie de I24, además en la estación de Haro (9121) fialtan
tres datos en esa misma serie, pero como presentan una longitud de
registros adecuada se van a manejar todas las series.
• En siete estaciones, Ahnería (63250), Guadalhorce (6120), Sondica
(1082), Figuéras (0429), Alicante (8025) y Murcia (7031), se
presentan algunos datos muy altos, candidatos a "outliers", pero no se
pueden rechazar.
• A^ dentro de cada estación existe una notable correlación entre
las series correspondientes a distintas duraciones, como se va a
apHcar un proceso de regiónalización, bastaría con que fueran
pardalmente dependientes para que las estimas mejoraran.

66
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

5.1.2.-REGIONALIZACIÓN.

5.1.2.1.- Descripción general de la metodología.

Se debe volver a insistir en las dificultades que conlleva el estudio de

intensidades máximas, dificultades que se derivan, tanto de la elección del tipo de
distribución teórica y sus parámetros, como de la necesidad de evaluar unos cuantiles
para períodos de retomo muy superiores a la longitud de la serie de observaciones. Así,
es posible que la función de distribución elegida ajuste bien en el tramo donde existen
observaciones, pero no suceda lo mismo, ni tengamos la garantía de que eso mismo
ocurra, para valores altos del período de retomo. Los cuantiles obtenidos en esta parte
de la curva, en altos períodos de retomo, son muy sensibles a la forma de la rama
derecha de la curva,- sobre la cual no existe conocimiento empírico- pues como se ha
comentado anteriormente las series disponibles no tienen demasiados registros.

Si se considera una serie de máximos anuales - en figura 7 se ha considerado la

intensidad máxima en 120 minutos en la estación de Murcia (7031)- y se representa la
relación entre el período de retomo y dicha intensidad máxima, se podría pensar en
ajustar a dos distribuciones teóricas distintas, por ejemplo a la distribución Gumbel y la
SQRT-ET máx. En el gráfico se observa que conforme aumenta el período de retomo,
los cuantiles deducidos difieren notablemente según se considere una u otra fimción, sin
embargo, no hay evidencias a favor de ima u otra pues solamente se cuenta con un
máximo histórico en esa zona. Ambas curvas ajustan bien en el tramo donde existen
observaciones (para períodos de retomo bajos - medios) pero no está garantizado que
ocurra lo mismo para altos períodos de retomo.

Ante este valor alto se podría plantear la siguiente cuestión: ¿este valor tan alto,
corresponde a un período de retomo alto que por casualidad se ha presentado durante la
serie de años registrada, o por el contrario, corresponde a un período de retomo menor
pero la longitud de la serie no es lo suficientemente larga como para haberlo observado
más veces? El sentido común nos dice que no se puede contestar a esta pregunta con los
datos disponibles en dicha estación, y por tanto lo razonable sería examinar qué ha
ocurrído en las estaciones próximas y comprobar si se ha producido una intensidad
máxima análoga más veces.

67
 ESTACIONES CON PLLTVIOGRAFO. MATERIAL Y MÉTODOS

Murcia (7031)

r:
o 3.5
.-.^ -•—gumbel
SQRT-ET máx
i • • serie histórica

i"'
B 0.5
^

log(T)

Figura 7.-Ajuste de la serie I120 a las funciones Gumbel y SQRT-ET máx

Lafilosofíadel método regional es precisamente ésta; analizar lo que ocurre en

estaciones próximas, y estudiar si el comportamiento de la variable es similar. Teniendo
la certeza de que las estaciones próximas tienen similar comportamiento, el método
regional se basa en el uso simultáneo de los datos de esas estaciones, de forma que los
datos distribuidos en el espacio, sustituyen en cierto modo a los datos distribuidos en el
tiempo, que como se ha comentado, son limitados. De esta manera se consigue
prolongar, aunque sea "artificialmente", las series, compensando la corta longitud de las
mismas.

Este método es el procedimiento más aceptado en el ámbito hidrológico

internacional para compensar la carencia de datos así como la falta de series largas
(Chiang et al. , 2002a; Cunnane, 1987; Haberiandt, 1998; Bum y Goel, 2000; Álvarez,
et al. , 1999; Yu y Cheng, 1998; Francés, 1998; Daviau et al. , 2000; Parida et al. ,
1998; Kachroo y Mkhandi, 2000; Michele y Rosso, 2001; Ferrer y Mateos, 1999;
Fiorentino et al ,1987; Lettenmaier y Potter, 1985; Stedinger, 1983; Greis y Wood
1981; Hosking y Wallís, 1997).

68
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

El enfoque tradicional de estos métodos asume la existencia de una región

homogénea respecto a ciertas características estadísticas, lo que permitiría utilizar toda
la información disponible en dicha región, y los resultados obtenidos serán más o menos
aceptables en la medida en que la región definida sea más o menos homogénea desde un
punto de vista estadístico.

El método regional que se va a utilizar es el método del índice de avenida, que se

basa en el uso simviltáneo de datos procedentes de estaciones próximas que puedan
considerarse "homogéneas". Este método supone que los máximos anuales en un
conjunto de estaciones de una "región homogénea" provienen de una misma población
excepto el factor de localización. Una vez eliminado de cada serie el factor de
localización, y como consecuencia de proceder de la misma distribución, los
coeficientes de variación y asimetría deben ser similares.

En este caso se considerará como factor de localización la media, de manera, que

si se estandarizan las series dividiendo los registros de cada una de las series entre su
media, se elimina el factor de localización, sin alterar ni la dispersión ni la asimetría.

A continuación se presenta la tabla 9 con los valores de las intensidades

máximas para cada duración divididos por su media, y en la tabla 10, los parámetros
calculados: media, coeficiente de variación y asimetría, para la estación de Valls (0034).

Duración (minutos)

Año 5 10 15 20 30 60 120 ISO 360 720 1440

1945 0,53 0,59 0,60 0,55 0,47 0,47 0,53 0,54 0,54 0,71 0,73
1946 1,29 1,44 1,32 1,37 1,44 1,67 1,99 2,02 1,84 2,63 2,48
1947 0,74 0,76 0,83 0,84 0,78 0,92 0,94 0,88 0,80 0,69 0,65
1948 0,60 0,70 0,55 0,47 0,41 0,39 0,43 0,46 0,49 0,63 0,61

1949 1,27 1,36 1,28 1,29 1,41 1,60 1,69 1,76 1,61 1,42 1,80

1950 1,27 1,40 1,56 1,56 1,50 1,30 1,79 1,71 1,63 1,42 1,30

1951 1,32 1,43 1,44 1,49 1,43 1,25 1,01 0,95 0,90 0,77 0,84
1952 0,88 0,88 0,90 0,92 1,09 1,32 1,26 1,28 1,29 1,13 1,03
1953 0,88 0,76 0,77 0,79 0,82 0,77 0,72 0,90 1,08 0,94 0,92

1954 0,46 0,48 0,41 0,43 0,46 0,54 0,58 0,59 0,57 0,79 0,88

1955 1,40 1,30 1,34 1,30 1,13 0,89 0,73 0,69 0,69 0,73 0,73

69
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Duración (minutos)

Año 5 10 15 20 30 60 120 180 360 720 1440

1956 0,60 0,54 0,58 0,58 0,60 0,78 1,18 1,33 1,26 1,11 1,03

1957 1,53 1,45 1,38 1,44 1,57 1,52 1,26 1,23 1,23 1,13 1,19

1958 0,95 0,90 0,99 1,02 0,96 0,79 0,90 0,87 0,79 0,69 0,65
1959 1,13 1,06 1,09 0,97 1,03 1,06 0,89 0,85 0,79 0,94 0,96

1960 1,60 1,63 1,80 1,90 1,99 1,84 1,46 1,37 1,69 1,73 1,61
1961 1,16 1,19 1,16 1,17 1,23 1,11 0,90 0,85 0,81 0,79 0,73

1962 0,74 0,84 0,90 0,78 0,69 0,60 0,68 0,79 0,96 1,04 0,96

1963 1,32 1,36 1,29 1,40 1,51 1,77 1,61 1,53 1,40 1,21 1,49

1964 1,41 1,30 1,23 1,33 1,43 1,46 1,19 1,12 1,11 1,04 0,96

1980 1,22 1,06 1,13 1,04 0,96 0,88 0,72 0,68 0,62 0,54 0,61

1981 0,56 0,64 0,53 0,44 0,35 0,29 0,39 0,36 0,33 0,33 0,42

1982 0,66 0,54 0,50 0,47 0,38 0,38 0,51 0,60 0,74 0,71 0,73

1983 0,85 0,70 0,69 0,67 0,65 0,63 0,55 0,52 0,63 0,73 0,69
1984 0,62 0,69 0,76 0,80 0,72 0,77 1,11 1,12 1,18 1,13 1,03

-i,d
Tabla 9.- Valores del cociente - ^ r ^ en la estación de Valls (0034).
Id

Donde:
I-i,d , es el valor de la intensidad máxima anual correspondiente a la duración "d"
(minutos) en el año i-ésimo.

l'-U
id = ^ siendo "n" el número de años de la serie.
n

Duración (minutos)

5 10 15 20 30 60 120 180 360 720 1440

Media 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

Desviación
0,35 0,36 0,38 0,41 0,45 0,46 0,45 0,44 0,41 0,46 0,45
típica
Coeficiente
0,03 0,16 0,20 0,28 0,26 0,30 0,63 0,69 0,48 1,98 1,78
asimetría

LIA
Tabla 10.- Parámetros estadísticos de las series y— > P^^ ^^^^ duración en la estación de

Valls (0034).

70
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Por lo tanto :
Las; series definitivas gue se van a manejar para el desarrollo de la
presente Tesis son las series proporcionadas por el Instituto Nacional de
Meteorología en cada estación^ divida cada ma de ellas por su media, eliminando
así elfactor local y respetando la dispersión y la asimetría muestral.

Para consultar las series que se han manejado, ver Anejo 3.

A continuación se presenta el esquema general del proceso seguido para analizar

las estaciones con pluviógrafo, y que posteriormente se desarrollará en los epígrafes
correspondientes.

71
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Conformación de regiones

í
Agrupación intra-estaciones
Ir
I Agrupación inter-estaciones

í
Conformar una única
muestra (región) con ios
1
Conformar dos muestras;
cortas (<1 hora) y largas (>1 liora)
Descartada por escasez de
estaciones. (63 para la
datos de cada estación España Peninsular)
i 4.
No supera los test Superan los test

i
Selección de la función de distribución

Estimación de parámetros en cada región

i
Métodos de estimación elegidos
Método de los Momentos
Método de Máxima Verosimilitud

•
i
Criterios de decisión
Test Kolmogorov-Smirnov
• Análisis Gráfico

i
Validación

Generación de muestras sintéticas

(Montecarlo)

i
Comparación de Cv y Ca de muestras observadas y sintéticas

Obtención de cuantiles adimensionaies

CA(T)cortas CA(T)iarqas

Obtención de i ( d , T)

Esquema 4.-Esquema del análisis realizado en estaciones con pluviógrafo.

72
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

5,1.2.2.-Conformación de regiones.

Para definir una región se pueden utilizar diversos criterios, bien considerar una
serie de parámetros estadísticos de la estación o bien un conjunto de descriptores que
permitan caracterizar la estación o combinación de ambos.

En el caso de análisis regionales de caudales máximos es frecuente el manejo de

variables geomorfológicas; área de drenaje, longitud de cauce..., pero en el análisis de
series de precipitaciones máximas, los criterios de regionalización sólo pueden basarse
en criterios geográficos y algunos aspectos estadísticos de las propias series.

En el proceso de regionalización se distinguirán dos fases:

- Defínición de las regiones.
- Análisis de homogeneidad de dichas regiones.

5.1.2.2.1.- Defínición de las regiones

Para el desarrollo de la presente investigación, en esta fase de defínición de

regiones, se ha partido de las regiones definidas por Ferrer y Ardiles, (1994) para el
estudio de precipitaciones máximas en España, regiones que se habían definido
atendiendo a xm criterio geográfico y climático, teniendo en cuenta la proximidad
geográfica, la influencia de las cadenas montañosas, su orientación...

En este primer acercamiento al concepto de "región" es de esperar que el

comportamiento de las precipitaciones máximas sea similar al de las intensidades
máximas, por cuanto que responden a fenómenos meteorológicos muy condicionado por
aspectos geográficos similares. Por tanto, las regiones definidas por Ferrer y Ardiles,
(1994), se establecerán como regiones para el estudio de intensidades máximas.

En la página siguiente se ofrece el Mapa de España, mapa 2, con dichas

regiones. En ellas se estudió la información disponible, y se plantearon dos
posibilidades:
A.- Agrupación inter-estaciones.
B- Agrupación intra-estaciones.

73
 ESTACIONES CON PLUVIÓGRAFO, MATERIAL Y MÉTODOS

Mapa 2.- División de la España Peninsular en 26 regiones geográficas con características meteorológicas
comunes (Ferrer y Ardiles, 1994)

74
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

A.- Agrupación inter-estaciones: En esta línea se pretendía agrupar las series

correspondientes a cada duración, de cada una de las estaciones que estaban dentro de
las regiones establecidas por Ferrer y Ardiles, (1994), y ver si eran homogéneas. Sin
embargo, con la información disponible esta opción no fue posible, ya que muchas
regiones carecían de estaciones pluviográfícas, o teniéndolas su número era pequeño.

B.- Como segunda alternativa se planteó aplicar el proceso de regionalización

dentro de cada estación, es decir, considerar cada estación como una "región", y si esta
hipótesis resultaba aceptable, agrupar todas las series de distintas duraciones. Se
conformaría así, una serie única, y a partir de ella se estimarían los parámetros de la
función de distribución para obtener los cuantiles adimensionales con la metodología
descrita.

Se podría decir que dentro del proceso de regionalización, una estación sería la
mínima unidad "región", puesto que presenta las mismas características climáticas y
solamente quedaría por comprobar si toda la información de la estación es homogénea.

Antes de pasar a definir los métodos que se utilizaron para analizar la

homogeneidad o no de las regiones así definidas, conviene decir que se realizaron
diversos intentos de agrupación: considerar todas las series de todas las duraciones
como una región, agrupar en bloques por duraciones siguiendo diversos criterios...

En la bibliografía consultada, muchos estudios establecen que es necesario

diferenciar precipitaciones de corta duración y de larga duración. Entre ellos cabe
destacar el estudio sobre cortas duraciones en Sicilia de Ferreri y Ferro, (1990) que
establecen como umbral para separar cortas de largas duraciones, una duración de 60
minutos. Estudios previos realizados en Estados Unidos (Hershfíeld, 1961), Sudáfrica y
Australia (Bell, 1969) parecen indicar que las lluvias de cortas duraciones tienen
propiedades físicas muy similares en muchas partes del mundo y por lo tanto pueden
aplicarse en otros países las metodologías desarrolladas y calibradas en América. Los
estudios de Porras y Porras, (2001) señalan que la duración de la lluvia caracteriza
distintos orígenes de lluvia, definiendo un diferente comportamiento de las
precipitaciones máximas de cortas duraciones y largas duraciones y establecen como
duración discriminatoria una hora.

75
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

En España, Llasat, (1998) recomienda clasificar los episodios de lluvia según su

origen- convectivo y no convectivo- antes de realizar la modelización de las curvas IDF,
indicando también que los episodios convectivos duran, en general, menos de una hora,
y que cualquier episodio de lluvia que dure más de 5 horas es de carácter no convectivo
o poco convectivo, pudiendo disminuir ese umbral si se corresponde con algunas épocas
del año.

5.1.2.2.2.-Análi$is de la homogeneidad.

Para el análisis de homogeneidad de una región se manejaron tresfiltros,con un

nivel de control cada vez más exigente para poder aceptar como válidas las regiones así
definidas. Los tres análisis realizaron fueron;

- Gráficos de los L-momentos

- Test de Medida de la Discordancia
- Test de Heterogeneidad

Los tres métodos para analizar la homogeneidad de una región están basados en
los L-momentos, momentos que permiten describir la forma de la distribución de
probabilidades.

Tradicionalmente la forma de la distribución de probabilidades se describe por

medio de los momentos de la distribución. Así,
= La media es el momento de orden uno y representa el centro de gravedad de la
masa de la distribución. Se usafi-ecuentementecomo factor de localización.
- La varianza es el momento de orden dos y mide la variabilidad de la muestra
respecto de la media. La desviación típica es la raíz cuadrada de la varianza, y el
coeficiente de variación es un parámetro adimensional que expresa dicha
dispersión respecto a la media- calculando la desviación típica dividida por la
media-. Los dos últimos parámetros suelen utilizarse como factor de escala.
- Y el coeficiente de asimetría es el momento de orden tres que mide la asimetría
de la distribución alrededor de la media. La asimetría también se suele medir de
forma adimensional definiendo el coeficiente de asimetría como el cociente del

76
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

momento de orden tres entre la varianza al cubo. Es habitual como factor de

forma.

Los L-momentos describen la forma de una distribución de manera similar a los

momentos tradicionales pero con algunas ventajas frente a ellos:

- Los L-momentos son más estables ante los valores extremos, ya que los
momentos tradicionales amplifican la contribución de una observación muy
alejada de la media al elevarla a la 3* o 4* potencia.
- Los L-momentos permiten identificar la distribución de la que procede una
muestra más fácilmente que a partir de los momentos tradicionales, (Hosking y
Wallis, 1997) y no hay que olvidar que ésta es una aplicación importante del
cálculo de los momentos.

Puesto que los Test que se van a manejar para definir xma región están basados
en los L-momentos, se deberán calcular, para cada serie estandarizada de cada duración
y de cada estación, dichos parámetros y además, para permitir la comparación entre
estaciones, tal y como es costumbre, se dividirán los L-momentos estimados entre algún
momento significativo para hacerlos adimensionales.

En el cálculo de los L-momentos el proceso seguido ha sido el siguiente

(Hosking y Wallis, 1997):

-Cada una de las series de cada duración se dividen por su media.

-Cada serie estandarizada- dividida por su media- se ordena de menor a mayor.
-Se calculan los estimadores p mediante la expresión:
n

y=i

77
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Donde:
n, es el número de datos de cada serie
j , es el número de orden de cada dato ordenado de menor a mayor
Xj:n, es el dato "j-ésimo" de la serie de "n" datos

-Se determinan los L-momentos definidos por:

'i = A

El factor local, en los L-momentos, se corresponde con li- la media-, y adopta un

valor de 1 al trabajar con los valores muéstrales estandarizados.

El factor de escala se evalúa en los L-momentos mediante I2, y el factor de forma

mediante I3.

Así mismo, se obtuvieron los L-momentos adimensionales que permiten analizar

estos parámetros:

- tt (L-Cv) que equivale al coeficiente de variación (Cv) en los momentos

tradicionales,
' ta (L'Ca) que equivale al coeficiente de asimetría (Ca), y
- t4 (L-Ck) que equivaldría al coeficiente de apuntamiento o curtosis. Estos
coeficientes estarían definidos por las siguientes expresiones:

h
t — -=-

í, =-^ parara3,4
'2

78
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Además, se calcularon los L-momentos regionales de la distribución regional

como la media ponderada de los L-momentos adimensionalizados de orden dos y tres.
Al estar manejando las series de distintas duraciones, dentro de uria estación, las
longitudes de las series son iguales y por tanto no es necesario establecer ninguna
ponderación. Así, el valor regional será el valor obtenido como media aritmética.

Como ejemplo se incluye en la tabla 11 los estimadores y los L-momentos

utilizados, correspondientes a la estación de Valls(0034), y en el Anejo 4 se incluyen los
correspondientes al resto de las estaciones.

dulráibidríííiTiín) bO b1-:,::v-' b2^^,'.- \ t ^^•••''^•; 12 13 i 2 - : •:•'••••• t3 t4

5 1 0,6022 0,4358 1,0000 0.2045 0,0016 0,2045 0,0079 -0,0506
10 1 0,6038 0,4387 1,0000 0,2075 0,0094 0,2075 0,0454 -0,0674
15 1 0,6094 0,4441 1,0000 0,2187 0,0081 0,2187 0,0371 0,0180
20 1 0,6189 0,4545 1,0000 0,2377 0,0138 0,2377 0,0582 0,0154
30 1 0,6312 0,4667 1,0000 0,2624 0,0129 0,2624 0,0492 0,0016
60 1 0,6354 0,4727 1,0000 0,2708 0,0235 0,2708 0,0868 0,0285
120 1 0,6280 0,4682 1,0000 0,2559 0,0416 0,2559 0,1627 0,0752
180 1 0,6250 0,4654 1,0000 0,2500 0,0425 0,2500 0,1701 0,0992
360 1 0,6190 0,4575 1,0000 0,2380 0,0313 0,2380 0,1315 0,0606
720 1 0,6162 0,4610 1,0000 0,2325 0,0684 0,2325 0,2941 0,2697
1440 1 0,6160 0,4624 1,0000 0,2319 0,0787 0,2319 0,3393 0,2521

Tabla 11.- Estimadores y L-momentos en la estación de Valls (0034).

Representación gráfica de los L-momentos.

En el análisis regional resulta conveniente representar gráficamente los L-

momentos adimensionales de las series. Es una manera rápida y fácil de analizar "de
visu" si son discordantes xmas series respecto a otras. Así, se han realizado dos
gráficos, en uno se ha representado L-Cafi-entea L-Cv- y en otro gráfico L-Cafirentea
L-Ck. El centro de la nube de puntos representa los valores medios de L-Cv y L-Ca, y
L-Ck, además, se pueden construir elipses concéntricas con el eje mayor y menor
elegidos de manera que ajuste lo mejor posible a los datos. A partir de ahí se puede
medir la dispersión como una distancia media entre el dato de la estación y la del grupo,
y los datos "discordantes" serán aquellos que queden fuera de la elipse.

79
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

En la figura 8, -tomada de "Regional Frequency Analysis", Hosking y Wallis,

(1997) - que se muestra a continuación, se pueden observar un ejemplo en el que
claramente hay una serie discordante, que se aleja de las características estadísticas del
resto, y aparece resaltada en la figura con un círculo en ambos gráficos.

0.4 0.5n
®
^0.4-i

^ 0.3 © I 0.3
0.2

0.1
0.2 _ — P -1 1 >—T
0.1 0.2 0.3 0.4 0.5
0.1 0.2 0.3 0.4 0.5 L-skewness, ÍQ
L-skewness, Í3

Figura 8.- Ejemplo de estación discordante. (Fuente: Regional Frecuency Analysis.

Hosking y WalUs, 1997)

En la Figura 9 se ha representado en unos ejes ta-ts, el centro de la nube de

puntos, señalado con una cruz, tiene de coordenadas los valores medios de L-Cv y L-
Ca. Se han construido además unas elipses de manera que el ajuste sea el mejor con ios
datos de las estaciones, y la estación "discordante" será aquella que se encuentre fiíera
de las elipses.

> / ••
O

L'-skewness, %

Figura 9.- Representación L-Cvfrentea L-Ca, (Fuente: Regional Frecuency

Analysis. Hosking y Wallis, 1997)

80
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Para pequeñas muestras se puede hacer una media ponderada en función de la

longitud de las series, aunque en este caso, las series que se van a agrupar tienen ei
mismo número de datos (salvo en los casos en los que falta un dato en vina de las series,
como se ha comentado en el epígrafe correspondiente)

Medida de la discordancia.

Una vez analizados los gráficos de los L-momentos, que nos permiten identificar
series que se alejan claramente del resto que forman la región, y en su caso eliminarlas
del análisis regional, se pasaría un segundo filtro a las series que permanecen,
realizando el Test de Medida de la Discordancia, propuesto por Hosking y Wallis,
(1997).

Considerando ios cocientes de los L-momentos de todas las series de cada

estación como puntos en el espacio de tres dimensiones (tz, ts, t4), un punto será
discordante en tanto en cuanto se aleje del centro de esa nube de puntos. Así, se define
la medida de la discordancia de la estación "i" como:

£);=-*«*(«; -üf *A-' *(«,. -M)

Donde,
N
u = n~^^u¡
i

t2, es el L-Cv
ts, es el L-Ca
t4, es el L-Ck
n, es el número de datos

81
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

El vector "u" representa un punto en el espacio de tres dimensiones (ti, h, U),

por lo tanto, un punto será "discordante" cuanto mayor sea "D", y lógicamente, ese
valor "grande" de D depende del número de estaciones que formen la región. Este
criterio, si bien fue propuesto por Hosking, ya fue planteado un criterio similar por
Wiiks, (1963), y Thompson, (1935).

Hosking y Wallis, (1997) observan la dificultad de definir xjn valor de "D" que
discrimine y permita separar series claramente discordantes, ya que cuanto mayor es el
número de estaciones, más fácil es que este valor de "D" sea mayor. Sin embargo,
recomiendan que si D>3 se considere discordante. También indican que cuando la
región es muy pequeña, este valor no es muy significativo, lo cual tiene sentido, ya que
es difícil juzgar si se tienen pocas estaciones con las que comparar. En la tabla 12 se
establecen los valores de "D" en función del número de estaciones que forman una
región.

Hosking y Wallis, (1997) recomiendan calcular este parámetro en los primeros

análisis, y aún admitiendo ese valor critico, estudiar si es posible que algún
acontecimiento meteorológico localizado haya podido afectar a alguna estación de la
región pero no a todas, y que en el futuro una situación similar pueda afectar a cualquier
estación de la región, ya que entonces, aún obteniendo un valor mayor de 3, debe
mantenerse esa estación en la región.

N*dé;esíacioheá:} Valor criticó í

énla regióh ; r;
5 1,333
6 1,648
7 1,917
8 2,140
9 2,329
10 2,491
11 2,632
12 2,757
13 2,8,69
14 2,971
>15 3

Tabla 12.- Valores de D crítico en función del número de estaciones de la región.

Para la aplicación de este Test, se manejó el paquete informático LMOMENTS

desarrollado por Hosking y Wallis y que es de libre difiísión. Se encuentra disponible en
la red en http://lib.stat,cmu.edu/general/lmoments (última consulta: septiembre 2004).

82
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Test de Heterogeneidad.

Superado el segundo control, quedaría comprobar el grado de heterogeneidad

existente en dichas regiones.

Muchos autores han propuesto diversos tests para determinar la heterogeneidad

de una región. Entre ellos cabe destacar a Dalrymple, (1960); Wiltshire, (1986);
Hosking y Wallis, (1993)... Todos ellos incluyen un estadístico que mide algún aspecto
de la distribución de frecuencias, y que debe ser constante en la región homogénea. Para
Dalrymple, este estadístico es el valor para un período de retomo de 10 años escalado
por su media, Wiltshire maneja el coeficiente de variación, y Hosking y Wallis utilizan
una combinación de L-Cv, L-Ca, y la L-Ck.

No se ha hecho una comparación general entre estos tests, pero todos ellos
pueden ser válidos desde un punto de vista estadístico.

Se va a utilizar la medida de la heterogeneidad, H, propuesta por Hosking y

Wallis, (1993) que compara la variabilidad de los L-momentos muéstrales del grupo de
estaciones que conforman la región con los "esperados" en una región homogénea,
obtenida ésta a partir del empleo de técnicas de simulación. Este análisis permite
evaluar cuándo la variabilidad observada en las relaciones de los L-momentos del grupo
que conforma la región es atribuible a variaciones fortuitas o por el contrario, muestra la
existencia de heterogeneidad dentro de la citada región.

Diversos autores coinciden en concentrar los análisis en la variación del

coeficiente L-Cv entre las distintas series más que en L-Ca o L-Ck pues tiene más
influencia en las estimas finales, sobre todo en las estimas de los cuantiles extremos. La
bondad de ajuste juzgará en qué medida los momentos L-Ca y L-Ck de la distribución
seleccionada se ajustan bien al promedio regional de L-Ca y L-Ck de los datos
observados, y para saber lo que debería proporcionar una región homogénea utiliza la
simulación, generando muestras con la misma longitud que las series observadas.

83
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Defínición formal de H:

H {v-n^
cr..

Donde:

v=
i=l

* f (^)
2;ni*t2
t •• = - i ^

Z".i=l

iii, es la longitud de la serie

jj,v, es la media de las "N" simulaciones
Cfv, es la desviación típica de las "N" simulaciones.
X2 , es el L-Gv regional medio, ponderado con la longitud de la serie.
X2 , es el L-Cv de la i-serie.

Dentro del paquete informático LMOMENTS, se manejó el programa "xtest"

para calcular este estadístico. El programa "xtest" genera las muestras utilizando la
función Kappa de cuatro parámetros, que presenta la ventaja de ser más flexible y ser
capaz de representar muchas distribuciones; con la ventaja añadida de que no se
compromete con una función determinada de dos o tres parámetros.

Este análisis se ha utihzado con éxito para acreditar regiones homogéneas en el

análisis regional de frecuencias por Coursey, (1973) y Acreman y Sinclair, (1986) lo
utilizaron para la regionalización de datos de caudal en Escocia; Guttman, (1993) lo
utilizó para el análisis de precipitaciones en USA, y Hosking y Wallis, (1997) lo
recomiendan como el método más práctico para fonnar regiones.

84
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Hosking y Wallis proponen cohio criterib:

H<1 la región es homogénea

1<H<2 la región puede ser homogénea
Ha2 la región no es homogénea.

Estos autores consideran que si H toma un valor menor que uno la región es
homogénea, y la regionalización puede ofrecer ventajas frente a un análisis local. Del
mismo modo, si "H" es mayor o igual a dos, y las características lo permiten, puede ser
muy beneficioso redefinir la región. Y por último, si H toma un valor entre uno y dos la
región puede o no ser homogénea.

Robson y Reed, (1999) suavizan este criterio y sugieren establecer como

intervalos:

H s 4 Región fuertemente heterogénea,

2<H<4 Región heterogénea
H<2 Región homogénea

En esta investigación se simularon 500 regiones para calcular el valor de H, y se

manejó el criterio propuesto por Hosking y Wallis, más estricto.

Las investigaciones realizadas por diversos autores (Lettenmaier y Potter, 1985;

Lettenmaier et al. ,1987; Hosking y Wallis, 1988; Potter y Lettenmaier, 1990) justifican
el análisis regional, incluso aunque la región sea moderadamente heterogénea, porque
las estimas de los cuantiles son más precisas que las que se obtienen estación a estación.

En cuanto al número de estaciones que se deben agrupar para formar ima región,
Hosking y WaUis, (1997) en sus investigaciones presentan como conclusiones que en el
proceso de obtención de cuantiles por el método de regionalización se obtienen pocas
ventajas si se utilizan más de 20 estaciones por región, por lo que no merece la pena
tratar de agrupar más de 20 estaciones, y por otro lado, estos mismos autores, también
establecen un número estaciones mínimo para poder aplicar el estadístico de

85
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

discordancia D y que habían fijado en cinco estaciones, por lo tanto a la hora de

establecer regiones dentro de una estación, también se tuvieron en cuenta estos criterios.

5.1.2.3.-Seleccióii de la función de distribución.

Con los Test anteriores se pueden establecer unas "regiones" más o menos
homogéneas, aunque como indican Saenz de Ormejana et a/.,(1991) (a quienes a su vez
planteó Hosking en comunicación personal), el problema que presentan estos Tests
estadísticos es que tienden a confirmar la hipótesis de homogeneidad si el número de
estaciones es pequeño, y a rechazarlo si es grande.

Los mismos autores que proponen este Test, tampoco recomiendan utilizarlo
como un test de confirmación de hipótesis en su sentido estricto y con unos niveles de
significación, ya que ello llevaría implícito aceptar las hipótesis de independencia, tanto
de los propios datos de la serie como entre estaciones, y que la función de distribución
real es la función Kappa, y en muchos casos esto no es así. Un test de significación es
de poca utilidad en cualquier caso porque incluso una región "moderadamente
heterogénea" puede proporcionar estimas de cuantiles con suficiente precisión a efectos
prácticos.

Por lo tanto, se hace necesario saber si dichas regiones son significativas en el

sentido que permitan mejorar las estimas de cuantiles. Así, si se tienen un conjunto de
distribuciones candidatas, el objetivo será seleccionar la más adecuada, y
posteriormente contrastar objetivamente que la distribución elegida se ajusta a los datos
aceptablemente. Para ello habrá que elegir el modelo de ley de distribución a adoptar y
no es un tema sobre el que exista pleno consenso, ya que diversos investigadores han
manejado distintas ñmciones de distribución con buenos resultados.

En la mayoría de las aplicaciones, tal y como se ha comentado anteriormente, las

estimas se realizan en la parte derecha de la distribución, y es en ella también donde
menos datos se tienen, de manera que la fimción elegida podría estar dando muy buenos
ajustes en la parte inferior, definiendo pequeños períodos de retomo, y sin embargo en
la zona de uso, los ajustes podrían ser mucho peores.

86
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Por lo tanto, a la hora de elegir la función más adecuada deberíamos elegir, no

tanto la función que mejor se adapte a los datos muéstrales como la que proporcione las
estimas de cuantiles lo más robustas y adecuadas al rango de período de retomo sobre el
que se hará la estima.

Algunos autores, (Boughton, 1980; Laursen, 1983) sugieren que deberían

utilizarsefiíncionesde distribución que tengan un límite superior, puesto que, como en
el caso que se está estudiando - las series de intensidades máximas-, hay valores
prácticamente imposible de producirse. Otros autores, entre ellos Hosking y Wallis,
(1997) mantienen que si el objetivo es estimar cuantiles para períodos de retomo hasta
de 100 años, el hecho de que los cuantiles deducidos para 10.000 años sean físicamente
imposibles es irrelevante, y que por el contrario, la imposición de ese límite superior
podría comprometer las estimas de los cuantiles en la zona de interés. Aunque por
supuesto también comparten que cuando la función de distribución real tiene xm límite
superior que se acerca a ios datos observados, entonces sí resulta aconsejable ajustar a
vaxa función que sea capaz de modelizar dichos datos con un límite superior.

Hosking y Wallis (1986) demuestran que la heterogeneidad del L-Cv es el factor

que más incide en la obtención de cuantiles sesgados respecto al verdadero valor. Asi,
una excesiva heterogeneidad en la región puede conducir a valores prohibitivos en el
sesgo de los cuantiles estimados, a pesar de la ventajosa reducción de su varianza. Por
ello:
" es preciso conseguir una región lo suficientemente homogénea como para que
predomine el efecto de reducción de la varianza sobre el del posible sesgo, y dé como
consecuencia una estimación más precisa de los verdaderos cuantiles"

La Organización Meteorológica Mundial, en un trabajo realizado en 1989 revisó

un informe relativo a las leyes de distribución habituaímente empleadas en el análisis de
valores extremos xie lluvia y caudal y los resultados mostraban dos gmpos principales
de leyes:
- Distribución de valores extremos: GEV (empleada en Gran Bretaña, Reed,
1992) que incluye como casos particulares las leyes de Gumbel (EVl), Frecht (EV2) y
Weibull(EV3).

87
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

- Distribuciones basadas en la función Gamma, que incluye Pearson ÜI (P3),

log-Pearson (LP3), esta última recomendada en EEUU para caudales.

Además, los trabajos realizados por Rossi et al , (1984), en Italia, sugieren

como función de distribución más adecuada la ley de valores extremos con dos
componentes (TCEV).

Y por último, la ley SQRT-ET máx propuesta en Japón por Etoh et al. , (1986)
es uno de los escasos modelos propuestos específicamente para el análisis de máximas
lluvias diaria. Este modelo ha sido empleado por Ferrer y Ardiles, (1994) en el estudio
de precipitaciones de la España perúnsular con buenos resultados.

Como puede deducirse, se han manejado diversas ftinciones de distribución,

pero en lo que todos los investigadores sobre la materia están de acuerdo es que se
debería elegir
"una función robusta, capaz de ofrecer mejores estimas de cuantiles, incluso
aunque los datos provengan de otra distribución algo diferente de la ajustada".

íirttérió& dfe seíeeeiórii

• El paquete informático manejado - L-MOMENTS - permite determinar la

función de distribución que mejor ajusta en cada "región" de entre un
conjunto de funciones de distribución: valores extremos generalizada (GEV),
Lognormal (LN3), WeibuU, Pearson Tipo n i (PE3), Pareto generalizada
(GPA), logística generalizada (GLO), Normal generalizada, y ofrece también
las estimas de los cuantiles correspondientes.

Cabe señalar dos objeciones: el programa proporcionaría la función más

adecuada en cada región, y puesto que el objeto de la presente Tesis es un
estudio a gran escala, sería conveniente utilizar ima única función en todas
ellas, si los datos así lo permiten. Por otra parte, el programa no incluye la
función SQRT-ET máx, desarrollada específicamente para precipitaciones
máximas y que ha proporcionado buenos resultados en España en el estudio
de precipitaciones máximas diarias anuales.
___
 ESTACIOISES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

A partir de los diagramas de los L-momentos adimensionales (figura 10).

Este método permite elegir una función de distribución en función de los
valores de L-Ca (ts) y L-Ck(t4) regionales obtenidos. Teniendo en cuenta los
valores que adoptarían estos parámetros en la función elegida, y dependiendo
de la proximidad de los valores regionales a una u otra fimción, se elige
aquella a la que más aproxime.

0.O
l-skewnsss, tj

Figura 10.- Diagrama de L-momentos adimensionales

Los diagramas de L-raoments adimensionales también han sido

recomendados como una potente herramienta para la elección de la función
de distribución utilizando los datos de una región: Stedinger et al. ,(1993);
Hosking y Wallis, (1997). Así mismo, numerosos autores los han utilizado
como parte del proceso de selección de la distribución en un proceso de
regionalización, (Schaufer, 1990; Vogel et al. , 1993; Chow y Watt, 1990;
Bum y Goel, 2000; Pearson, C. P., 1993; y en España, Alvarez et al., 1999).

Este método para elegir la función de distribución presenta los mismos

inconvenientes señalados al comentar el primero de los criterios de selección.

89
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Para esta Tesis se ha elegido la función SQRT-ET máx, que además de ser muy
robusta, presenta las siguientes características:

• Conduce a resultados más conservadores que los obtenidos mediante la

ley de Gumbel.
• Se ha demostrado que tiene una buena capacidad descriptiva de la parte
derecha de la función de distribución.
• Está definida sólo por dos parámetros, lo que le da mayor robustez y
permite expresar los cuantiles regionales como función exclusiva del valor del
coeficiente de variación. Este coeficiente se puede representar en forma de
isolíneas continuas, eliminando así las discontinuidades resultantes del enfoque
tradicional clásico, facilitando así la presentación de resultados.
• Ha sido utilizada satisfactoriamente en España para la estimación de
cuantiles de precipitaciones máximas diarias anuales.

5.1.2.4.- Estímación de parámetros en cada región.

Cuando se elige el método para la estimación de parámetros (momentos,

máxima verosimilitud, y momentos ponderados probabilísticamente), aplicado a una
única muestra, presenta dificultades debido a la incertidxmíbre existente respecto a la
representatividad de dicha muestra. Esto se traduce asimismo, en una elevada varianza
en las estimas de los parámetros y cuantiles, varianza que es tanto mayor cuanto más
corta es la serie y más alto el coeficiente de asimetria.

En la presente investigación, y una vez aplicado el proceso de regionalización,

se han agrupado aquellas series que forman una región, formando así, una única serie.
Por lo tanto, para la estimación de los parámetros se parte de una única serie,
previamente estandarizada.

De los métodos para la estimación de los parámetros, se deberá descartar el

método de momentos ponderados probabilísticamente ya que, como se ha indicado
anteriormente- aparece reflejado en la tabla 3- sólo se puede utilizar cuando la función

90
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

se pueda expresar explícitamente en forma inversa. Como la función elegida es la

SQRT-ET máx esto no es posible.

En cuanto a los otros dos métodos, máxima verosimilitud y de momentos,

diversos investigadores las han manejado con éxito. Entre los autores que han manejado
el método de máxima verosimilitud cabe destacar: Pilón y Adamowski, (1993) que lo
utilizaron junto con información adicional con una población logPearson tipo 3; Léese,
(1973); Hosking y Wallis, (1986); Guo y Cunnane, (1991) utilizaron el método de
máxima verosimilitud sobre una población Gumbel; y con la Lognormal, Cohn y
Stedinger, (1987).

En el análisis regional, el método de máxima verosimilitud ha sido empleado en

los estudios de Boes et al., (1989) con la distribución Weibull; Landwehr et al., (1979)
con la Giunbel; Jin y Stedinger, (1989) con la GEV incluyendo información no
sistemática; y es el método mayoritariamente empleado con la TCEV, Rossi et al. ,
(1984). En España, Francés García, (1998), utilizó la función de probabilidad TCV con
información no sistemática dentro de un análisis regional en los ríos Júcar y Turia,
utilizando como método de estimación de parámetros el método de máxima
verosimilitud, y Ferrer y Ardiles, (1994) para el estudio de precipitaciones manejaron
ambos métodos y con diferentes ftinciones.

Ambos métodos han sido utilizados con buenos resultados, y puesto que no hay
un criterio único y objetivo para descartar cualquiera de ellos, se decide aplicar ambos
métodos para la determinación de los parámetros "k" y "a" de la función SQRT-ET
máx.

Se utilizará el programa Sqrtab.exe, desarrollado por el CEH (CEDEX (2002),

comunicación personal Javier Álvarez Rodríguez) que permite estimar los parámetros
de la función SQRT-ET máx por ambos métodos.

91
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

©literiM (dé decisión:

Una vez determinados los parámetros "k" y "a" por ambos métodos los criterios
que se han manejado para seleccionar uno u otro han sido los siguientes:

- Test de Kolmogorov-Smimov.
- Análisis gráfico.

Test de Kolmogorov-Smimov

El Test de Kolmogorov-Smimov es un test no parámetrico que analiza con un

criterio de distancia máxima si la distribución supuesta es consistente con los datos.
Este contraste es válido sólo para variables continuas y permite comparar la función de
distribución teórica de la población con la distribución empírica de la muestra. En este
caso se aplicará a las dos funciones obtenidas, por máxima verosimilitud y por
momentos, y permitirá discernir cual de los dos métodos de estimación de parámetros,
proporciona mejores ajustes.

La hipótesis nula de este contraste es que la muestra proviene de un modelo

continuo F(x).

El procedimiento a seguir es el siguiente:

• Se ordenan los valores muéstrales de manera que X(i)< X(2) ....< X(n)
• Se calcula la función de distribución empírica de la muestra Fn(x)

0.....X < X|.j^

r
K(^}

1 ^^^(nj

92
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

• Se calcula la discrepancia máxima entre la función de distribución observada (o

empírica) y la teórica con el estadístico:

Dn= máx|F«(jc) - F^XÍ^

cuya distribución, cuando F(x) es cierta está tabulado. Si la distancia calculada Dn es

mayor que la encontrada en las tablas, para un nivel de significación, se rechazará la
hipótesis.

Donde,
Fn(x), es la función de distribución empírica de la muestra.
F(x), es la función de distribución teórica de la población que se quiere
contrastar.
Dn, es el estadístico definido en la expresión.

Este contraste tiene la ventaja de que no requiere agrupar los datos, pero
presenta el inconveniente de que si calculamos, F(x), estimando los parámetros de la
población mediante la muestra, la distribución, Dn , es sólo aproximada; Además, este
criterio es conservador, tendiendo a aceptar la hipótesis, pero en contrapartida, permite
construir bandas de confianza de la distribución. Si, D(a, n), es el valor obtenido en
tablas para ,Dn, se tendrá que, si F es correcta, con nivel de confianza 1-a, se tiene:

D{a, n) ^ máx|FH(x) - F{xj^,

y por tanto,
F{x)&F^{x)±D{a,ri)
y llevando, D(a,n), a ambos lados de Fn(x) se obtienen bandas de confianza para la
distribución.

La potencia de este contraste para tamaños muéstrales medianos es baja, sin

embargo, en el caso que nos ocupa, al haber aplicado un proceso de regionalización, la
muestra ha adquirido un tamaño importante, lo que hace adecuada su utilización.

93
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Análisis gráfico

Además, se representará en cada región los cuantiles adimensionales deducidos

por cada uno de los métodos y para cada período de retomo - o bien frente a su
probabilidad. En la misma gráfica se representará la serie- única y adimensional - de la
región. Para ello, se le asignará a cada valor de la serie única, previamente ordenada de
menor a mayor, una probabilidad, pj:n, recomendada por Hosking et al., (1985) para la
distribución de valores extremos, que tiene la expresión siguiente:

Donde,
j , es la posición de un valor de la serie, supuestamente ordenada de menor a
mayor.
n, es el número de datos total de la serie.

5.1.2.5.-Validación.

No ha sido posible reservar parte de la muestra para realizar la validación debido

al pequeño número de estaciones y de series disponible, por ello, el método que se
utilizará para la validación consistirá en la generación de muestras sintéticas por el
método de simulación de Montecario, y en esas muestras generadas se determinarán una
serie de parámetros estadísticos que se compararán con los valores muéstrales.

Este procedimiento es una herramienta muy efectiva para establecer las

propiedades estadísticas de un determinado procedimiento o para comparar dos o más
procedimientos. Hosking et al , (1997) lo recomiendan como método de validación, y
ha sido utilizado por diversos autores, entre ellos, Álvarez et al. ,(1999), y Ferrer y
Ardiles, (1994) en España.

El método de simulación de Montecario es un procedimiento general para

seleccionar muestras aleatorias de cualquier población de la que se conozca su
distribución de probabilidad, y para ello se utilizan los números aleatorios.

94
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

El procedimiento consiste en:

1. Tomar un número aleatorio de tantas cifras como precisión se desee, y
convertirlo en decimal. Sea
NAunvalor(0<NA<l)
2. Considerar ese valor, NA, como el valor de F(x) y tomar como valor
observado en la muestra aquel valor de "x" tal que:
NA =F(x);
x==F-'(NA)
3. Generar una muestra de tamaño "n", repitiendo (1) y (2) n veces con
distintos números aleatorios

En este caso, al haber elegido la función de distribución SQRT-ET máx- que no

tiene transformada inversa explícita- se utilizó el método de aproximación de Newton-
Raphson, para obtener muestras aleatorias que respondan al modelo elegido. En el
proceso de generación de las muestras se utilizo como semilla el valor inicial zi=l.

El proceso operativo requiere la generación aleatoria de un número suficiente de

muestras, a partir del modelo estadístico ajustado, y de tamaño análogo al observado.
Para ello se utilizó una hoja de cálculo "Excel" desarrollada para la presente Tesis por
Alejandro Vivar, P.T.E.U. en la Unidad Docente de Matemáticas en la E.U.I.T.Forestal.

En cada región considerada se generaron 100 muestras con el mismo número de

datos que las series de cada duración de la estación correspondiente. Se tendrán así 100
muestras, todas ellas de la misma longitud, procedente de la distribución SQRT^ET máx
(con irnos parámetros k y a obtenidos por el método elegido en cada región).

En cada muestra se calcularán los siguientes estadísticos: Media, coeficiente de

variación y coeficiente de asimetría, y el análisis consistirá en la comparación gráfica de
los parámetros estadísticos obtenidos en las muestras sintéticas generadas por el método
de Montecarlo y los valores muéstrales observados.

Los valores de la media de las 100 muestras deberían aproximarse a uno, puesto
que se ha manejado la variable estandarizada, cociente del valor muestra! entre la media
de la serie.

95
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

En cuanto a los otros dos parámetros, los valores de las muestras generadas por
el método Montecarlo, deberían adoptar valores similares a los observados si el modelo
describe adecuadamente las propiedades de los datos. Para ello, se representarán los
valores de Coeficiente de variación (Cv) frente a Coeficiente de asimetría (Ca) de las
muestras generadas y los valores obtenidos en las muestras observadas. Si los pares de
puntos Cv-Ca de las series de datos observados se encuentran dentro de la nube de
pvintos de los pares de valores Cv-Ca de las muestras generadas, indicará que el
comportamiento de las muestras generadas responde al mismo patrón que los datos
muéstrales reales y, por tanto, la función elegida para reproducir las características
muéstrales es adecuada.

5.1.2.6.- Obtención de cuantiles adimensíonales.

A continuación, se deberán calcular los cuantiles adimensíonales de cada una de

las regiones obtenidas para los períodos de retomo más usuales:

2, 5,10,25, 50,100, 200, y 500 años

En cada una de las regiones adoptadas, se utilizará la serie única, adímensíonal,

resultante de la regionalización, para el ajuste a una función SQRT-ET máx, por el
método elegido - tras aplicar los criterios planteados en el epígrafe 5.1.2.4.-.

De esta forma se obtendrán los cuantiles adimensíonales en cada una de las

regiones y para cada imo de los períodos de retomo adoptados.

5.1.2.7.- Obtención de las intensidades máximas para cada duración y período de

retorno.

Al haber adoptado el método índice de avenida, se asume que la variable

resultante de dividir en cada estación, y en cada duración, los valores observados por su
media siguen la misma distribución de fi-ecuencia en toda la región. Los parámetros de
la distribución se obtienen a partir del conjimto de datos de la región, mientras que el
valor de la media se obtiene a partir de los datos de cada estación.

96
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Por lo tanto, una vez obtenidos los cuantiles adimensionales de la distribución

regional, los cuantiles locales se obtienen de forma general como:

Donde,
xt, es la estimación de la variable asociada a un período de retomo T.
Yt , es la media de la variable aleatoria xt
Yt , es el cuantil adimensional deducido para el período de retomo T.

En este caso, siendo la variable aleatoria "intensidad máxima" en una estación

para una duración y período de retomo, ésta se obtendrá como producto del cuantil
adimensional regional por la intensidad máxima media correspondiente a dicha
duración, y de esta manera se recupera el efecto de la media, que es propio de cada
serie.

estación estación

Siendo,
CA(T)región, el cuaiitil adimensional obtenido en la región.

¡r, ., , es la media de las intensidades máximas registradas

i d estación , . ., •, , , .,
para la duración considerada en la estación
correspondiente.

Por lo tanto para estimar la intensidad máxima para una duración y período de
retomo se requiere conocer el cuantil adimensional correspondiente al período de
retomo de la región a la que pertenezca, y además la intensidad máxima media
correspondiente a la duración considerada.

5.1.3.-SELECaÓN DEL MODELO ffiF.

Con la metodología propuesta quedaría resuelta la estimación de la intensidad

máxima para una detenninada duración y un detenninado período de retomo en una
estación en el que se disponga de pluviógrafo. Pero como se ha venido indicando, el

97
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

número de estaciones con pluviógrafo disponibles en España es escaso, por lo el

problema sigue pendiente en las estaciones que carecen de él.

Para tratar de solucionarlo, la mayoría de los artículos consultados tratan de

establecer expresiones que relacionen en una estación con pluviógrafo, la media de las
intensidades máximas de cada duración con la media de las intensidades máximas en 24
horas. Como el dato de intensidad máxima media en 24 horas se puede obtener en
estaciones con pluviómetro, se suele desarrollar una metodología que permite extrapolar
la ley IDF obtenida y aplicarla a estaciones que sólo tienen pluviómetro.

En la presente investigación se analizarán varios modelos que se están

manejando actualmente - y que aparecen en la literatura específica -, con objeto de
elegir el más adecuado, para posteriormente extender los resultados a las estaciones sin
pluviógrafo.

5.1.3.1.-Modelos estudiados.

A partir de la expresión:

• ^ V " , - ' )estación ~ '^•rl\l /región ^ d estación

Se puede establecer la relación entre I(d,7) y 1(24,1) de la manera siguiente:

••g(d)
7(24, n CA(T)^,^,,^ (T)

Esta expresión solamente depende de la duración considerada, y el CA(T)región

no tiene porqué coincidir con CA(T)REGIÓN, ya que depende de la región en la que esté
incluida cada duración.

A continuación se muestran los modelos que se van a estudiar en este trabajo.

• Modelo 1.- Modelo general de tres parámetros,( Koutsoyiannis et al., 1998):

a+a
Donde; "a"," b", "m" son parámetros, y
"d" es la duración

98
 ESTACIONES CON PLUVIÓGRAFO. MATERIAL Y MÉTODOS

• Modelo 2.- Modelo de dos parámetros propuesto por Yamell y Hathaway (1965):

Donde: "a" y "b", son parámetros

"d" , es la duración

• Modelo 3.- Modelo de dos parámetros, generalización del modelo utilizado en la

Instrucción 5.2-IC, (1990):

Donde : "b" y "a" , son parámetros

"d" , es la duración

A partir del estudio de estos modelos, que se recogen en el apéndice H, se optará

por el modelo que ofrezca mejores ajustes.

99
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

5.2.-RESULTADOS.

5.2.1.-CONFORMACION 0E REGIONES.

En el proceso de formación de regiones se abordaron dos líneas:

A.- En una primera aproximación, se partió de las regiones definidas por Ferrer y
Ardiles en el estudio de precipitaciones máximas en España, y se intentó agrupar, las
seríes correspondientes a una duración determinada, de todas las estaciones que se
encuentran en cada región, y estudiar si formaban una región homogénea. En el mapa 3
aparecen reflejadas las regiones de Ferrer y Ardiles, (1994), así como las estaciones
disponibles.

' ^

Mapa 3.- Mapa de las regiones elaborado por Ferrer y Ardiles para el estudio de máximas lluvia en
España, junto con las estaciones con pluviógrafo disponible.

100
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

En la tabla 13 se resume la información del mapa 3: cada estación, - con el código

identifícativo del INM- se muestra junto a la región a la que pertenece - definida por el
código establecido por Ferrer y Ardiles- y además se han agrupado con un color todas
las estaciones disponibles en cada región.

Tabla 13-Distribución de estaciones con pluviógrafo en cada una de las regiones definidas por Ferrer y
Ardiles.

Código código Código código Código código

INM región INM región INM región
1208 s;:; .:::••: ••101 4478 402 ^ 34 1001
1212 101 4245 403 111 1001
1428 ; 101 5530 505 201 1001
1496 101 6120 601 222 1001
; 1496 101 6172 601 225 1001
1387 101 63250 601 370 1001
1499 101 4605 603 429 1001
1549 103 6006 603
2363 103 5911 603
2633 103 6024 603
2661 103 7031 801
1110 107 7228 801
1024 107 8025 801
1082 107 8416 801
2867 202 8500A 801
2444 203 2030 901
2462 203 2139 901
2331 204 2243 901
2422 205 9121 901
2614 205 9148 901
3469 207 9171 903
3195 303 9434 903
3196 303 9443 903
3200 303 9771 903
3259 303 9898 903
4121 401 3013 909
8175 401 9981 1001
4452 402 9980A 1001

101
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

En la tabla 14 se resume el número de estaciones disponible en cada región.

código N°de código N'-de código N^de

región estaciones región estaciones región estaciones
disponible disponible disponible
101 7 303 4 701 0
103 4 401 2 801 5
107 3 402 2 901 5
202 1 403 1 903 5
203 2 501 0 905 0
204 1 503 0 907 0
205 2 505 1 909 1
207 1 601 3 1001 9
301 0 603 4

Tabla 14.- Número de estaciones disponible en cada región definida por Ferrer y Ardiles, (1994).

En la tabla 14 se comprueba que;

=> Sólo cinco de las regiones definidas por Ferrer y Ardiles -101,801,901,903,
1001 - cuentan con un número adecuado de estaciones (n° estaciones >5, lo que
permitiría utilizar el Test de Medida de la Discordancia como control de que la región
está bien constituida).

=^ En seis regiones - 202, 204, 207, 403, 505, y 909 -solo hay una estación.

=í> En seis regiones- 301, 501, 503, 701, 907, 905 y 907- no hay ninguna
estación con pluviógrafo.

=> En nueve regiones-103, 107, 203, 205, 303, 401, 402, 601, 603- hay muy
pocas estaciones, entre xma y cuatro.

Ante la falta de estaciones para definir regiones adecuadamente, se decide

rechazar esta vía.

102
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

Se podría plantear una reagrapación de las regiones de Ferrer y Ardiles, pero la

irregularidad en la distribución espacial de las estaciones pluviográficas, con amplias
superficies sin estaciones obligaría a definir regiones excesivamente grandes y con
características del régimen de precipitaciones claramente heterogéneas, por lo que no se
abordó tal reagrupamiento.

B.- La siguiente opción que se planteó fue la realización de un proceso de

regionalización "intraestación", es decir, considerando cada estación como una región y
agrupando las once series disponibles en cada una de ellas. Para ello se realizaron
ensayos con algunas estaciones, aplicando los controles sucesivos de representación de
los L-momentos, aplicación de los Test de Medida de la Discordancia y de
Heterogeneidad, planteados por Hosking y Wallis, y definidos en el epígrafe 5.1.2.2.2.
de Material y Métodos. En muchas estaciones se obtuvieron valores de discordancia
mayores que 2,632, umbral que obliga a rechazar una región definida por once series (se
puede comprobar en la tabla 12), pero sobre todo, los valores de "H" (Medida de la
Heterogeneidad) obtenidos eran muy altos, por lo que también se desechó esta vía.

A modo de ejemplo se muestra la estación de Salamanca (2867).

2867-11 SITES

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 5m 0.3152 0.2521 0.0958 0.99
2 41 lOm 0.2787 0.1912 0.0889 1.09
3 41 15m 0.2698 0.2186 0.1306 0.54
4 41 20m 0.2782 0.2745 0.1325 0.23
5 41 30m 0.2813 0.3289 0.1609 0.84
6 41 eOirt 0.2559 0.3301 0.1799 0.98
7 41 120 0.2198 0.2764 0.1556 0.87
8 41 180 0.1918 0.2424 0.1962 0.39
9 41 360 0.1648 0.1916 0.2545 2.71 *
10 41 720 0.1651 0.1557 0.1644 0.96
11 41 24h 0.1771 0.1729 0.1363 1.40

Tabla 15.- Resumen de estadísticos y resultados de aplicar el Test de Medida de la Discordancia

en la estación de Salamanca (2867) con todas las series disponibles

103
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

En la salida del programa aparece la serie de 360 minutos con un asterisco a la

derecha, en la columna de la Medida de la Discordancia, donde se indica que "D" toma
un valor de 2,71 (> 2,632, umbral de valor de "D" para once estaciones). Además se
aplicó el Test de Heterogeneidad, recogido en la tabla 16, en el que "H" toma un valor
de 4.88 (>2, umbral que define una región heterogénea), y por lo tanto claramente
heterogénea.

***** HETEROGENEITY MEASURES *****

(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0 0516

SIM. MEAN OF S.D. OF GROUP L-CV = 0 0247
SIM. S.D. OF S.D. OF GROUP L-CV = 0 0055
STANDARDIZED TEST VALUÉ H(l) = 4 88 **

Tabla 16.- Aplicación del Test de Heterogeneidad en la estación de Salamanca (2867).

En la salida del programa aparecen dos asteriscos a la derecha del valor de "H"
para indicar que la región es claramente heterogénea.

Al eliminar la serie de 360 minutos, ninguna serie es discordante, pero "H" sigue
siendo muy alto (H=4,29). (Tablas 17 y 18)

2867 10 SITES

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 5m 0.3152 0.2521 0.0958 0.93
2 41 lOm 0.2787 0.1912 0.0889 1.02
3 41 15m 0.2698 0.2186 0.1306 0.96
4 41 20m 0.2782 0.2745 0.1325 0.20
5 41 30m 0.2813 0.3289 0.1609 0.73
6 41 60m 0.2559 0.3301 0.1799 0.89
7 41 120 0.2198 0.2764 0.1556 1.24
8 41 180 0.1918 0.2424 0.1962 1.22
9 41 720 0.1651 0.1557 0.1644 1.31
10 41 24h 0.1771 0.1729 0.1363 1.50

Tabla 17.- Resultados de aplicar el Test de Medida de la Discordancia al elinainar la serie de 360
minutos en la estación de Salamanca (2867).

104
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

***** HETEROGENEITY MEASURES *****

(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0.0486

SIM. MEAN OF S.D. OF GROUP L-CV = 0.0241
SIM. S.D. OF S.D. OF GROUP L-CV = 0.0057
STANDARDIZED TEST VALUÉ H(l) = 4.29 **

Tabla 18.-Resultados de aplicar el Test de Medida de la Heterogeneidad al eliminar la serie de 360

minutos en la estación de Salamanca (2867)

En un intento de definir regiones homogéneas dentro de cada estación se

realizaron diversos ensayos:

B.I.- Se eliminó la serie de 5 minutos justificando su eliminación en que es un dato que

se maneja poco en los estudios de caudal.

Siguiendo con el ejemplo anterior, en la estación de Salamanca (2867) ,las tablas

19 y 20, indican que en el Test de Medida de la Discordancia no aparece ninguna serie
discordante, sin embargo, el Test de Heterogeneidad muestra que la región sigue siendo
heterogénea (H=3,92)

2867-10 SITES

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 lOm 0.2787 0.1912 0.0889 1.47
2 41 15m 0.2698 0.2186 0.1306 0.80
3 41 20m 0.2782 0.2745 0.1325 0.37
4 41 30m 0.2813 0.3289 0.1609 0.81
5 41 60m 0.2559 0.3301 0.1799 0,86
6 41 120 0.2198 0.2764 0.1556 0.77
7 41 180 0.1918 0,2424 0.1962 0.35
8 41 360 0.1648 0.1916 0.2545 2.45
9 41 720 0,1651 0.1557 0.1644 0.86
10 41 24h 0.1771 0.1729 0.1363 1.25

Tabla 19.- Aplicación del Test de Discordancia en la estación de Salamanca (2867) considerando todas
las series menos la de 5 minutos.

105
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

***** HETEROGENEITY MEASURES *****

(NUMBER OF SIMÜLATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0 0473

SIM. MEAN OF S.D. OF GROUP L-CV = 0 0244
SIM. S.D. OF S.D. OF GROUP L-CV = 0 0058
STANDARDIZED TEST VALUÉ H{1) = 3 92 **

Tabla 20.- Resultados de aplicar el Test de Heterogeneidad al eliminar la serie de 5 minutos en la

estación de Salamanca (2867).

El objetivo era ti-atar de reducir la medida de la discordancia, pero no dio los

resultados esperados.

B.2.- La siguiente opción que se barajó consistió en eliminar la serie de 24 horas,

justificando su no-utilización en que esta serie se puede obtener a partir de estaciones
con pluviómetros. Pero tampoco esta opción dio buenos resultados.

Siguiendo con el mismo ejemplo, en las tablas 21 y 22, se observa que la

discordancia "salta" en la serie de 360 minutos, y la región sigue siendo claramente
heterogénea (H=4,22).

2867 10 SITES

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 5m 0.3152 0.2521 0.0958 0.89
2 41 • lOm 0.2787 0.1912 0.0889 1.07
3 41 15m 0.2698 0.2186 0.1306 0.46
4 41 20m 0.2782 0.2745 0.1325 0.18
5 41 30m 0.2813 0.3289 0.1609 0.80
6 41 6 Ora 0.2559 0.3301 0.1799 0.87
7 41 120 0.2198 0.2764 0.1556 1.13
8 41 180 0.1918 0.2424 0.1962 0.43
9 41 360 0.1648 0.1916 0.2545 2.52 *
10 41 720 0.1651 0.1557 0.1644 1.65

Tabla 21.-Resultados de aplicar el Test de Medida de la Discordancia al eliminar la serie de 24 horas en

la estación de Salamanca (2867).

106
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

***** HETEROGENEITY MEASURES *****

(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0 0504

SIM. MEAN OF S.D. OF GROUP L-CV = 0 0251
SIM. S.D. OF S.D. OF GROUP L-CV = 0 0060
STAMDARDIZED TEST VALUÉ H(l) = 4 22 **

Tabla 22.- Resultados de aplicar el Test de Medida de la Heterogeneidad en la estación de Salamanca

(2867) al eliminar la serie de 24 horas.

B.3.- Por último, se dividieron en dos regiones las series dentro de cada estación: por un
lado, cortas duraciones y por otro lado, largas duraciones, y el criterio que se estableció
para definir cortas y largas duraciones fue la duración de 60 minutos.

Esta duración, 60 minutos, permite distinguir el distinto origen de las

precipitaciones y ha sido utilizado por distintos autores como criterio (Ferreri y Ferro,
1990; Porras y Porras, 2001).

Por lo tanto, se van a realizar dos procesos de regionalización en cada estación,

con seis seríes correspondientes a cortas duraciones (5, 10, 15, 20, 30 y 60 minutos) y
cinco series correspondientes a largas duraciones (120, 180, 360, 720 minutos y 24
horas) hasta manejar las 11 series disponibles por estación. Al formar estas dos regiones
se ha tenido en cuenta, además, que el número de series agrupadas es mayor que 5 y se
puede aplicar el Test de Medida de la Discordancia.

Siguiendo el ejemplo propuesto, se muestran los resultados de aplicar el proceso

de regionalización, intraestación, en la estación de Salamanca (2867), definiendo dos
regiones, cortas duraciones (con seis series) y largas duraciones (con cinco series) en las
tablas 23,24,25, y 26.

107
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

2867 -5 SITES (Largas duraciones)

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 120 0.2198 0.2764 0.1556 1.31
2 41 180 0.1918 0.2424 0.1962 1.33
3 41 360 0.1648 0.1916 0.2545 1.25
4 41 720 0.1651 0.1557 0.1644 0.51
5 41 24h 0.1771 0.1729 0.1363 0.60

WEIGHTED MEANS 0.1837 0.2078 0.1814

Tabla 23.- Resultados de aplicar el Test de Medida de Discordancia en la región "largas duraciones" en
la estación de Salamanca (2867).

Estación 2867. Largas duraciones

***** HETEROGENEITY MEASURES *****
(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0.0206

SIM. MEAN OF S.D. OF GROUP L-CV = 0.0201
SIM. S.D. OF S.D. OF GROUP L-CV
= 0.0075
STANDARDIZED TEST VALUÉ H(l)
= 0.06

Tabla 24.- Resultados de aplicar el Test de Heterogeneidad en la en la región "largas duraciones" en la

estación de Salamanca (2867).

2867 -6 SITES (Cortas duraciones)

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 41 5m 0.3152 0.2521 0.0958 1.33
2 41 lOm 0.2787 0.1912 0.0889 1.38
3 41 15m 0.2698 0.2186 0.1306 1.66 *
4 41 20m 0.2782 0.2745 0.1325 0.16
5 41 30m 0.2813 0.3289 0.1609 0,56
6 41 60m 0.2559 0.3301 0.1799 0.92

WEIGHTED MEANS 0.2798 0.2659 0.1314

Tabla 25.- Resultados de aplicar el Test de Medida de Discordancia en la región "cortas duraciones" en
la estación de Salamanca (2867).

108
 ESTACIONES CON PLUVIÓGRAFO.RESULTADOS

Estación 2867. Cortas duraciones

***** HETEROGENEITY MEASURES *****
(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0 0179

SIM. MEJOT OF S.D. OF GROUP L-CV = 0 0238
SIM. S.D. OF S.D. OF GROUP L-CV = 0 0074
STAISTDARDIZED TEST VALUÉ H(l) = -0 78

Tabla 26.- Resultados de aplicar el Test de Heterogeneidad en la en la región "cortas duraciones" en la

estación de Salamanca (2867).

Una vez definido el criterio para identificar regiones, se aplicó al resto de las
estaciones, y se realizaron los distintos análisis, que peimitieron aceptar dichas regiones
como homogéneas.

5.2.1.1.-Análisis de homogeneidad.

Representación gráfica de los L-momentos.

La dificultad que entraña el proceso de regionalización planteado en la presente

Tesis es el escaso número de series que se agrupan para formar la región homogénea, ya
que al representar dichos valores sólo se disponen de cinco datos en un caso, y seis
datos en el otro, por lo que resulta difícil definir las elipses recomendadas.

A modo de ejemplo en la figura 11 se han representado los parámetros t3-t2 , que

se corresponden con L-Ca y L-Cv, en ambas regiones, ("largas duraciones" y "cortas
duraciones") en la estación de Valls (0034). En rosa se ha marcado los valores de L-Ca
y L-Cv medios en la región.

Como puede observarse, el gráfico es poco significativo, y no permite distinguir

series discordantes. Por lo tanto, no se realizará esta representación y se pasará
seguidamente a realizar el siguientefiltro,el Test de Medida de la Discordancia.

109
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

Figura H.- Representación de los L-momentos en ambas "regiones" de la estación de Valls (0034),

Test de Medida de la discordancia.

Se aplicó el Test de Medida de la Discordancia en cada una de las regiones

definidas, cortas y largas duraciones en cada estación, aplicando el criterio que se refleja
en la tabla 12, pero teniendo en cuenta que si el estadístico "D" obtenido es ligeramente
mayor que el que se indica, se mantendrá y se analizará posteriormente, después de
aplicar el Test de Homogeneidad en la región. Como indican Hosking y Wallis, (1997)
podría darse un suceso meteorológico que afecte sólo a alguna serie de la región, pero si
tenemos la certeza de que puede darse en las otras seríes de la región, entonces
deberíamos mantenerlo aunque resulte "discordante".

El críteño.utilizado fue el siguiente:

Q Si el valor de "D" obtenido es menor que el umbral, aceptar la región, para este
Test, y pasar el siguiente control.

• Si el valor de "D" obtenido se encuentra próximo al umbral definido en la tabla 12

(que depende del número de series agrupadas), posponer la decisión tras el análisis
del Test de Heterogeneidad.

a Eliminar una serie cuando ésta sea claramente discordante respecto al resto (D>3),
repetir el Test sin dicha serie y volver a determinar nuevamente el parámetro D.

lio
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

No se obtuvo ninguna serie claramente discordante (D>3), por lo que se pasó a

analizar el Test de Heterogeneidad.

A modo de ejemplo, y siguiendo el estudio de la estación de Valls (0034),en las

tablas 27 y 28 se presenta la aplicación del Test de Medida de la Discordancia, tanto en
la región definida para cortas como para largas duraciones. En la parte superior del
cuadro aparece el código de identificación de la estación donde se está aplicando el
proceso de regionalización junto a las duraciones que se han agrupado- cortas o largas
duraciones- y se ve que en esta estación no hay ninguna serie discordante respecto al
resto.

Estación 0034-cortas duraciones

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 25 5m 0.2045 0.0079 -0.0506 1.01
2 25 lOm 0.2075 0.0454 -0.0674 1.47
3 25 15m 0.2187 0.0371 0.0180 1.10
4 25 2 Ora 0.2377 0.0582 0.0154 0.30
5 25 30m 0.2624 0.0492 0.0016 1.17
6 25 eom 0.2708 0.0868 0.0285 0.94

WEIGHTED MEANS 0.2336 0.0474 -0.0091

Tabla 27.- Resultados de aplicar el Test de Medida de la Discordancia en la región "cortas duraciones"
en la estación de Valls (0034).

Estación 0034--largas duraciones

SITE N ÑAME L-CV L-SKEW L-KURT D(I)

1 25 120m 0.2559 0.1627 0.0752 0.81
2 25 IBOm 0.2500 0.1701 0.0992 0.28
3 25 360m 0.2380 0.1315 0.0606 1.30
4 25 72 Om 0.2325 0.2941 0.2697 1.28
5 25 24h 0.2319 0.3393 0.2521 1.32

WEIGHTED MEANS 0.2417 0.2195 0.1514

Tabla 28.- Resultados de aplicar el Test de Medida de la Discordancia en la región "cortas duraciones"
en la estación de Valls (0034)

Para el resto de salidas de programa se puede consultar el Anejo 5.

111
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

Test de Heterogeneidad.

El programa "xtest" utilizado para aplicar el Test de Heterogeneidad en cada una

de las dos regiones definidas en cada estación, proporciona un archivo de salida en el
que se refleja este parámetro, "H".

Se utilizó como umbral para definir una región homogénea el propuesto por
Hosking y Wallis, más estricto que el de Robson y Reed, y el Test dio buenos resultados
en la mayoría de los casos.

El criterio planteado fue el siguiente:

p Si el Test proporciona un valor de H menor que 1 se acepta dicha región como

buena, aún cuando hubiera salido algima serie ligeramente discordante.

a Si los valores de H están comprendidos entre 1 y 2 definen una región que puede
ser homogénea o no.

Q Si D no hubiera definido discordancia de alguna serie respecto a la región,

ésta se mantendrá con todas las series.

ü Si D define una serie discordante respecto al resto, se eliminará esa serie, y

se volverá a pasar el Test:

a Si el Test mejorara, se volverá a definir la región sin esa serie.

o Si no mejorara, se mantendrá la serie discordante.

• Si el Test proporciona un valor de H mayor que 2, se revisará si la región está bien

construida y se comprobará si el valor de "D" ha salido mayor que el umbral.

• Si había salido alguna serie discordantefi"enteal resto, se eliminará y se

volverá a pasar el Test de Homogeneidad. Si "H" sale menor que 2 se acepta.

112
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

• Si no hubiera salido ninguna serie discordante, se harán ensayos hasta

conseguir que el Test proporcione resultados adecuados.

En la tabla 29, se muestran los resultados obtenidos en la estación de Valls (0034) en

la región "cortas duraciones". En este caso no se han planteado problemas; la situación
se corresponde con H<1, y además en el Test de Discordancia no había salido ninguna
serie discordante,( para su consulta, tabla 26).

***** HETEROGENEITY MEASURES *****

(NUMBER OF SIMULATIONS = 500)

OBSERVED S.D. OF GROUP L-CV = 0.0258

SIM. MEiíJSr OF S.D. OF GROUP L-CV = 0.0219
SIM. S.D. OF S.D. OF GROUP L-CV = 0,0077
STANDARDIZED TEST VALUÉ H(l) =0.50

Tabla 29.- Resultados de aplicar el Test de Heterogeneidad en la región "cortas duraciones", en la

estación de Valls (0034).

Para analizar el resto de salidas se puede consultar el Anejo 5.

A continuación se analizan con más detalle los resultados obtenidos:

CASOI: H<1

Se han producido las dos situaciones que a priori podrían plantearse:

a Regiones que aún siendo homogéneas, el Test de Medida de Discordancia ha

definido alguna serie ligeramente discordante. En la tabla 30 se muestran los casos
en que se ha dado esta situación, aunque siguiendo el criterio establecido, se aceptan
todas las regiones.

En la tabla 30 se señalan aquellas estaciones en las que "D" es ligeramente

discordante, y en paréntesis aparece la serie discordante, con el valor obtenido de "D".

113
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

Junto al código de referencia de la estación aparece una letra: "c" para indicar cortas
duraciones, o bien "1" para indicar largas duraciones.

Cortas duraciones: Largas duraciones

Región H D Región H D
Santander -0.23 1.66(60min) Almería -1.39 1.33 (120 rain)
1110c 632501
Vigo (peinador) 0.86 1.66(10min)
1496c
Salamanca -0.78 1.66(15min)
2867c
Ciudad real -1.05 1.66(60min)
4121c
Chauchina -1.97 1.66(30min)
5530c
Lérida -1.48 1.65 (5 min)
9771c
Algeciras -0.9 1.65 (5 min)
6006c

Tabla 30.- Relación de estaciones en las que "H" es menor que 1 y "D" ligeramente discordante.

• En el resto de las regiones, un valor de "H <V\ va acompañado de un valor de "D''

menor que el umbral definido en la tabla.

CASO H : 1<H<2

Esta situación se presenta en seis estaciones: dos corresponden a cortas

duraciones, y cuatro corresponden a largas duraciones. En la tabla 31 se muestran las
regiones en las que se ha obtenido un valor de "H" en dicho intervalo.

114
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

Cortas dtiraciones: Largas duraciones:

Región H D Región H D
Figueras 1.2 NO P.Porma 1.46 NO
0429c 26331
Amao 1.86 1.65 (5min) Madrid-4v 1.16 NO
1212c 31961
Guadalupe 1.95 1.33(180 minutos)
42451
Castellón 1.26 NO
85001

Tabla 31.- Relación de estaciones en las que "H" se encuentra en el intervalo (1-2).

En la tabla 31 se indica NO en aquellos casos en que el Test de Medida de la

Discordancia no había definido ningiina serie discordante.

Siguiendo el criterio indicado, en Figueras (0429c) no se elimina ninguna serie,

al no haber salido ninguna claramente discordante, y en Amao (1212c), se elimina la
serie de cinco minutos, (y aparecerá en el cuadro resumen, tabla 33, con un 5 en
paréntesis)

En Guadalupe(42451) se eliminó la serie de 180 minutos y se volvió a pasar el

Test, pero al no mejorar, se decidió mantener todas las series en la región.

GASOm: H>2

Se obtuvieron siete regiones con "H>2", cinco regiones de cortas duraciones y

dos regiones de largas duraciones, que se recogen en la tabla 32.

Entre ellas, en la estación de Guadalupe (4245) se obtuvo, para una duración de

5 minutos, D=1.66 mayor que el umbral de seis estaciones (I>=1.648). Siguiendo el
criterio propuesto, se elimina en dicha estación-4245c- la serie de 5 minutos, se vuelve a
pasar el Test, y se obtienen buenos resultados.

115
 ESTACIONES CON PLUVIOGRAFO.RESULTADOS

En el resto de estaciones, también se elimina la serie de cinco minutos, aún

cuando no había salido discordante, pero se obtiene una región homogénea. En el
cuadro resumen, tabla 33, re muestran los resultadosfinalesobtenidos.

Cortas duraciones: Largas estaciones:

Región H D Región H D
Gerona 2.71 NO Ciudad real 2.62 NO
(0370c) (41211)
Navacerrada 3.14 NO Logroño 3.03 NO
(2462c) (91481)
Molina 3.36 NO
(3013c)
Guadalupe 2.93 1.66(5min)
(4245c)
Mezalocha 3.7 NO
(9443c)

Tabla 32.- Relación de estaciones en las que "H" es mayor que 2.

En largas duraciones, las regiones con "H>2" no presentan ninguna serie

claramente discordante. Como estas regiones están formadas por cinco series, si se
elimina una, ya no se puede aplicar el Test de Medida de la Discordancia, porque el
número mínimo para poder aplicarlo es de cinco estaciones. Por ello, se hacen análisis
exclusivamente con el Test de Heterogeneidad, eliminándose en ambos casos la serie de
120 minutos, y se obtienen los resultados que se muestran en el cuadro resumen, tabla
33, y aparecerá ese número, 120, entre paréntesis para indicar que se ha eliminado dicha
serie.

116
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

En el esquema 5, se describe el proceso de análisis de homogeneidad realizado

en las regiones "cortas duraciones", así como el número de estaciones afectado
siguiendo los criterios establecidos.

SI
OK
56 estaciones

NO
7 estaciones ELIMINAR SERIE DISCORDANTE
H<1
Í>>UMBRAL OK

1 estación

2 Estaciones
D<UMBRAL OK

1 estación
ELIMINAR SERIE DISCORDANTE
H<1

ífetJMiBRAlí OK

ELIMINAR UNA SERIE

1 estación HASTA QUE
5 estaciones D<UMBRAL Y H<1
;D< UMBRAL
OK

4 estaciones

Esquema 5,- Resumen de los Análisis de Homogeneidad en las regiones de "cortas duraciones"

Así mismo, se ha realizado el mismo esquema, esquema 6, para las regiones

definidas como "largas duraciones".

117
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

SI
H<1 57 estaciones
OK

NO
6 estaciones SB MANTIENE SERIE DISCORDANTE
AL NO MEJORAR H
D>UMBRAL OK
P

1 estación

4 Estaciones
D<UMBRAL OK

3 estación

SE TANTEA ELIMINAR
UNA SERIE HASTA QUE
H<1
H>2 D< UMBRAL
OK
2 estaciones

Esquema 6.- Resumen de los Análisis de Homogeneidad en las regiones de "largas duraciones".

A continuación, en la tabla 33, se muestran los resultados finales obtenidos,

indicando en cada estación, y para las dos regiones establecidas - cortas y largas
duraciones-, la medida de la Heterogeneidad, "H", obtenida, y en paréntesis la serie que
se ha debido eliminar.

Cód, Nombre H. H Cód, Nombre H. H

"Cortas" "Largas" "Cortas" "Largas"

0034 Valls 0,50 -1,80 1024 S.Sebastián -0,52 -1,50

0111 Sallent -0,90 -0,99 1082 Sondica -1,32 -1,06
0201 Barcelona 0,45 -2,50 1110 Santander -0,23 -1,49
0222 Caldas -0,44 -0,29 1208 Gijón -0,05 -1,59
Mombuy 1212 Amao -1,21 -1,34
0225 Sabadeli 0,33 -2,37 (5min)
0370 Gerona 0,37 -1,50 1387 Coruña 0,35 -2,06
(5min) 1428 Santiago -1,20 -0,77
0429 Flgueras 1,2 -1,16 1495 Vigo -0,26 -0,89

118
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Cód, Nombre H. H Cód, Nombre H. H

"Cortas" "Largas" "Cortas" "Largas"
1496 Vigo 0,86 -2,01 4478 Badajoz -0,79 -1,17

(Peinador) (instituto)
1499 Punto Centro -1,78 -0,04 4605 Huelva 0,54 0,83

1549 Ponferrada -1,33 0,87 5530 Chauchina -1,97 -1,29

2030 Soria -1,53 -1,39 5911 Grazalema -0,56 -0,20

2139 Linares -1,97 0,39 6006 Algeciras -0,90 -0,47

2243 P. Aguilar -0,16 -1,47 6024 Guadarranque -1,26 -1,24

2331 Burgos -1,33 -0,83 6120 Guadalhorce -1,55 -1,92

2363 P. Compuerto -2,08 0,18 6172 Málaga 0,78 -0,68

2422 Vailadoiid -2,56 -2,48 7031 Murcia S.Javier -0,15 -2,05

2444 Avila 0,45 0,36 7228 Murcia -2,40 -1,90

2462 Navacerrada 0,13 0,47 Alcantarilla

(5inin) 8025 Alicante -1,28 -2,03

2614 Zamora -0,83 -0,47 C. Jardín

2633 P.Porma -0,20 1,46 8175 Albacete -1,44 -1,18

2661 León -1,70 -1,53 8416 Valencia -1,38 -2,13

2867 Salamanca -0,78 0,06 8500 a Castellón 0,38 1,26

3013 Molina de 0,47 -0,72 9121 Haro -2,02 -1,29

Aragón
(5min) 9148 Logroño -1,47 1,79

3195 Madrid-retiro 0,32 0 (120min)

3196 Madrid-4v -1,04 1,16 9171 Cabreja -0,45 -0,82

3200 Getafe -0,73 -1,37 9434 Zaragoza -1,63 -1,94

3259 Toledo 0,10 -0,68 9443 Mezalocha -0,65 -0,28

3469 Cáceres -0,96 -1,05 (Smin)

4121 Ciudadreal -1,05 1,46 9771 Lérida -1,48 0,11

(120niin) 9898 Huesca 0,71 -1,22

4245 Guadalupe -0,19 1,95 9980" Tortosa -1,41 -1,11

(5mm) 9981 Roquetas 0,64 -1,58

4452 Badajoz -2,0 -1,82 63250 Almería -2,18 -1,39

(Talavera)

Tabla 33.- Resumen de resultados obtenidos en el Análisis de Homogeneidad.

LQM£Siütód^^aMjQbteaidos.pe^^

=> En cortas duraciones, las regiones adoptadas tienen un valor de la Medida de la

Heterogeneidad menor que uno en sesenta y dos casos, y por lo tanto son regiones

119
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

homogéneas, salvo en la estación de Figueras (0429) en la que H adopta un valor de 1,2,

que define una región que puede ser homogénea.

=» En largas duraciones, las regiones adoptadas son regiones homogéneas en cincuenta

y siete casos ("H<r') y en seis casos pueden ser homogéneas (al haber obtenido un
valor de "H" comprendido entre 1 y 2).

=> En ambos casos, cortas duraciones y largas duraciones, es frecuente un valor de H

negativo.

=> Si hubiera muchos valores de H negativos, menores que -2, indicaría una gran
correlación, pero no es el caso.

5.2.1.2.-Análisis complementario.

A continuación se estudió, como análisis complementario, el Coeficiente de

variación, Cv, de la serie única formada por las series adimensionales de largas
duraciones- en la región de largas duraciones- y de cortas duraciones - en la región de
cortas duraciones -, obteniéndose los resultados que se muestran en la tabla 34:

Estación Nombre Cv cortas Cv largas Estación Nombre Cv cortas Cv iargas

34 Valls 0,40 0,44 2030 Soria 0,43 0,36
111 Sallent 0,27 0,39 2139 Linares 0,58 0,39
201 Barcelona 0,41 0,50 2243 P. Aguilar 0,39 0,28
222 Caldas Mombuy 0,46 0,42 2331 Burgos 0,38 0,32
225 Sabadell 0,38 0,50 2363 P.Compuerto 0,42 0,29
370 Gerona 0,39 0,46 2422 Valladolld 0,40 0,34
429 Figueras 0,46 0,85 2444 Avila 0,56 0,54
1024 S.Sebastián 0,38 0,34 2462 Navacerrada 0,35 0,31
1082 Sondica 0,49 0,66 2614 Zamora 0,43 0,32
1110 Santander 0,45 0,34 2633 P.Porma 0,48 0,27
1208 GIjón 0,30 0,45 2661 León 0,52 0,54
1212 Amao 0,30 0,36 2867 Salamanca 0,52 0,34
1387 Coruña 0,37 0,36 3013 Molina de Aragón 0,36 0,35
1428 Santiago 0,47 0,34 3195 Madrid-retiro 0,43 0,33
1495 Vigo 0,37 0,30 3196 Madrid-4v 0,41 0,40
1496 Vigo(Peinador) 0,34 0,29 3200 Getafe 0,43 0,35
1499 Punto Centro 0,57 0,33 3259 Toledo 0,44 0,37
1549 Ponfen'ada 0,52 0,28 3469 Cáceres 0,43 0,41

120
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Estación Nombre Cv cortas Cv largas Estación Nombre Cv cortas Cv largas

4121 Ciudadreal 0,60 0,30 8175 Albacete 0,53 0,44
4245 Guadalupe 0,24 0,22 8416 Valencia 0,39 0,51
4452 BadajozfTalavera 0,44 0,59 8500a Castellón 0,47 0,47
4478 Badajoz(instJtuto) 0,33 0,39 9121 Haro 0,47 0,45
4605 Huelva 0,36 0,42 9148 Logroño 0,46 0,32
5530 Chauchina 0,42 0,49 9171 Cabreja 0,39 0,37
5911 Grazalema 0,27 0,30 9434 Zaragoza 0,50 0,42
6006 Algeciras 0,38 0,23 9443 Mezalocha 0,37 0,31
6024 Guadarranque 0,51 0,50 9771 Lérida 0,43 0,32
6120 Guadalhorce 0,60 0,71 9898 Huesca 0,51 0,39
6172 Málaga 0,58 0,34 9980A Tortosa 0,34 0,42
7031 Murcia S.Javier 0,52 0,61 9981 Roquetas 0,42 0,49
7228 Murcia 0,49 0,47 63250 Almería 0,64 0,72
(Alcantarilla)
8025 Alicante C. Jardín 0,46 0,67

Tabla 34.- Coeficiente de variación en las regiones "cortas y largas duraciones" de cada estación.

De estos resultados se puede deducir lo siguiente:

=> Los Coeficientes de variación correspondientes a cortas duraciones son en general

mayores que los Cv de largas duraciones. Se puede explicar por la facilidad de que
puedan producirse intensidades máximas muy altas en lluvias de corta duración,
pero a la vez pueden ser bajos- si no se han producido aguaceros muy intensos en un
año-. Todo ello da lugar a coeficientes de variación altos, ya que existe gran
dispersión en los datos frente a la media. Sin embargo, es difícil que altas
intensidades se mantengan durante mucho tiempo, por lo tanto, las intensidades
máximas en largas duraciones suelen variar menos, y solamente cuando se produce
un episodio de lluvia excepcional, chubasco intenso y de larga duración, se genera
un dato muy alto de Intensidad máxima en largas duraciones, pero que al final
también "tira fuertemente hacia arriba", elevando el Coeficiente de variación.

rí> Esta clara diferencia en los valores obtenidos de Cv demuestra que ha sido adecuado
formar dos bloques de datos, de cortas duraciones y de largas duraciones, ya que los
cuantiles adimensionales van a ser claramente diferentes.

121
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

=> Aunque hay veintidós casos en los que los coeficientes de variación de las series de
cortas duraciones son menores que los coeficientes de variación de las series de
largas duraciones, sólo ocho casos presentan valores claramente menores.

:=> Los trabajos de Lettenmaier y Potter, (1985) indican que cuando Cv<0,6 y
Cv(Cv))<0,2 las ventajas de agrupar los datos son claras, por lo tanto, en general
parece adecuado aplicar este proceso de regionalización,

=> En cortas duraciones sólo hay un caso en el que Cv>0,6, Almería (63250), y seis
casos en largas duraciones, que se indican en la tabla 35.

Estación Cv
Alicante (80251) 0,67
Almería (632501) 0,72
Figueras (04291) 0,85
Guadalhorce(61201) 0,71
Murcia (70311) 0,61
Sondica(10821) 0,66

Tabla 35.- Estaciones con coeficientes de variación mayor que 0,6 en la región "largas duraciones".

Estas estaciones habían sido analizadas cuidadosamente, estudiando si

presentaban datos dudosos, y se había llegado a la conclusión de que, aún siendo datos
extraordinarios, no se podían eliminar. No obstante, también hay que decir que la
utilización de estos datos va a tener importantes consecuencias sobre las estimas.

Si se hubiera eliminado el dato extremo analizado, el coeficiente de variación

bajaría drásticamente a los valores usuales obtenidos, que se muestran en la tabla 36, sin
embargo, al tener constancia de que se han podido producir se ha preferido mantenerlos,
aún sabiendo que ello conducirá a unos cuantiles adimensionales mayores, y que por
tanto las estimas se verán incrementadas.

122
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Estación Cv
Alicante (80251) 0,36
Atmería(63250l) 0,52
Figueras(0429l) 0,41
Guadalhorce(6120l) 0,53
Sondica(1082l) 0,31

Tabla 36.- Coeficiente de variación en región "largas duraciones" al eliminar datos de años de intensidad
máxima extraordinaria.

=?• Las estaciones con coeficientes de variación en cortas duraciones mayores que en
largas duraciones se encuentran en las zonas costeras de la comunidad catalana
(Valls (0034), Sallent (0111), Barcelona(0201), Sabadeli(0225), Tortosa(9980A),
Gerona(0370) y Figueras(0429), en el norte de España (Sondica (1082), Amao
(1212), y Gijón(1208), en la zona de Murcia (7031,7228) y Alicante (8025), en
Huelva (4605), Chauchina (5530) y Grazalema (5911), así como en la costa
almerienense, Almería (63250) y Roquetas (9981), y por último también en las dos
estaciones de la provincia de Badajoz (4452 y 4478).

=> Al presentarse valores extraordinarios, parece adecuado estudiar los L-CV que,
analizando también la dispersión de los valores frente a la media, son menos
sensibles a estos valores. La variabilidad de los L-Cv va a definir la idoneidad de
utilizar un análisis regional o puntual, por lo que se ha procedido a calcular el L-Cv
medio correspondiente a cortas duraciones y el L-Cv correspondiente a largas
duraciones de cada región. En la tabla 37 se muestran los valores del L-Cv en cada
región.

Estación Nombre L-Cv L-Cv Estación Nombre L-Cv L-Cv

(cortas) (largas) (cortas) (largas)
34 Valls 0,23 0,24 225 Sabadell 0,21 0,27
111 Sallent 0,16 0,21 370 Gerona 0,20 0,26
201 Barcelona 0,23 0,27 429 Flgueras 0,25 0,33
222 Caldas 0,27 0,25 1024 S.Sebastián 0,21 0,18
Mombuy 1082 Sondica 0,25 0,28

123
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Estación Nombre L-Cv L-Cv Estación Nombre L-Cv L-Cv

(cortas) (largas) (cortas) (largas)
1110 Santander 0,24 0,18 4452 Badajoz 0,25 0,28
1208 Gijón 0,17 0,22 (Talavera)
1212 Amao 0,19 0,20 447$ Badajoz 0,18 0,19
1387 Coruña 0,20 0,19 (instituto)

1428 Santiago 0,24 0,17 4605 Huelva 0,21 0,23

1495 Vigo 0,21 0,18 5530 Chauchina 0,25 0,23

1496 Vigo 0,19 0,17 5911 Grazalema 0,16 0,18

(Peinador) 6006 Algeciras 0,21 0,13
1499 Punto 0,27 0,17 6024 Guadarran- 0,27 0,27
Centro que
1549 Ponferrada 0,29 0,16 6120 Guadalhorce 0,33 0,34

2030 Soria 0,24 0,20 6172 Málaga 0,33 0,19

2139 Linares 0,30 0,21 7031 Murcia 0,29 0,33
2243 P. Aguilar 0,22 0,16 S. Javier

2331 Burgos 0,21 0,18 7228 Murcia 0,27 0,25

2363 P. 0,24 0,15 Alcantarilla

Compuerto 8025 Alicante 0,27 0,32

2422 Valladolid 0,22 0,19 C. Jardín

2444 Avila 0,30 0,27 8175 Albacete 0,29 0,24

2462 Nava cerrada 0,23 0,18 8416 Valencia 0,22 0,29

2614 Zamora 0,25 0,18 8500a Castellón 0,27 0,25

2633 P.Porma 0,25 0,15 9121 Haro 0,27 0,24

2661 León 0,25 0,24 9148 Logroño 0,26 0,18

2867 Salamanca 0,28 0,18 9171 Cabreja 0,22 0,20

3013 Molina de 0,22 0,19 9434 Zaragoza 0,27 0,24

Aragón 9443 Mezalocha 0,23 0,17

3195 Madrid-retiro 0,27 0,18 9771 Lérida 0,25 0,18

3196 Madr¡d4v 0,21 0,22 9898 Huesca 0,28 0,21

3200 Getafe 0,23 0,20 9980A Tortosa 0,20 0,21

3259 Toledo 0,24 0,19 9981 Roquetas 0,23 0,26

3469 Caceres 0,24 0,21 63250 Almería 0,36 0,34

4121 Ciudadreal 0,33 0,18

4245 Guadalupe 0,16 0,12

Tabla 37,- Cálculo de L-Cv en las regiones "cortas" y "largas" duraciones de cada estación.

De la tabla de resultedos puede deducirse lo siguiente:

==> Todos los valores de L-Cv correspondientes a cortas y largas duraciones son más
pequeños que los coeficientes de variación calculados.

=> Hosking y Wallis, (1997) consideran que valores de L-Cv por encima de 0,42
pueden ser considerados valores muy altos e indicarían que la distribución de

124
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

frecuencias está muy sesgada. En nuestro caso, el valor máximo de L-Cv obtenido
es de 0,36, no superándose el valor crítico de Hosking y Wallis (1997) lo que
refuerza la decisión de mantener los valores extremos en las estaciones recogidas en
la tabla 35.

Se ha calculado también el cociente de los coeficientes de variación de las series

agrupadas bajo el nombre "cortas duraciones" entre el coeficiente de variación de la
región de "largas dxiraciones", y los cocientes LCvc/LCvi ( de los L-coefícientes de
variación), que se recogen en la tabla 38.

De la tabla 38 se deduce lo siguiente:

" En 41 casos el cociente Cvcortas/Cviargas es mayor que 1. Esto implica que el

coeficiente de variación de la región definida como "largas duraciones" es
menor que el coeficiente de variación de la región definida como "cortas
duraciones" en 41 de los 63 casos- en la mayoría de las ocasiones- y
solamente en 22 casos el coeficiente de variación de las regiones de "cortas
duraciones" es menor que el de las regiones de "largas duraciones". Estos
resultados coinciden con lo que a priori se podría pensar, ya que las
intensidades correspondientes a cortas duraciones, en principio, presentan
más variabilidad que las intensidades correspondientes a mayores
duraciones.

• Los resultados que se obtienen al comparar los L-Cv -de cortas y largas
duraciones- son similares a los que se obtienen al comparar los Cv, si bien,
en 45 de los 63 casos, el cociente L-Cvooms/LCviargas es ligeramente mayor
que CVoortas/CViargas-

125
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Estación Nombre Cvc / CVL L-CVC/L-CVL Estación Nombre CVc/CVL L-Cvc/L-Cvt

34 Valls 0,91 0,97 3200 Getafe 1,23 1,19

111 Sallent 0,69 0,74 3259 Toledo 1,18 1,24
201 Barcelona 0,84 0,86 3469 CáceiES 1,05 1,11
222 Caldas Mombuy 1,09 1,10 4121 Ciudadreal 2,00 1,81
225 Sabadell 0,75 0,80 4245 Guadalupe 1,11 1,31
370 Gerona 0,86 0,77 4452 Badajoz-Talavera 0,74 0,91
429 Figueras 0,54 0,75 4478 Badajoz(instituto) 0,86 0,92
1024 S.Sebastián 1,11 1,17 4605 Huelva 0,87 0,89
1082 Sondica 0,75 0,89 5530 Chauchina 0,85 1,08
1110 Santander 1,31 1,32 5911 Giazalema 0,89 0,90
1208 Gijón 0,65 0,81 6006 Algeciras 1,67 1,64
1212 Amao 0,84 0,96 6024 Guadairanque 1,02 1,00
1387 Corufia 1,04 1,05 6120 Guadalhorce 0,85 1,00
1428 Santiago 1,37 1,45 6172 Málaga 1,72 1,75
1495 Vigo 1,24 1,21 7031 Mviroia S.Javier 0,85 0,88
1496 Vigo(Pemador) 1,17 1,17 7228 Murcia alcantarilla 1,04 1,08
1499 Punto Centro 1,72 1,60 8025 Alicante C.Jardín 0,69 0,82
1549 Ponferrada 1,83 1,81 8175 Albacete 1,20 1,23
2030 Soria 1,21 1,19 8416 Valencia 0,77 0,76
2139 Linares 1,49 1,46 8500a Castellón 1,01 1,06
2243 P. Aguilar 1,37 1,40 9121 Hato 1,04 1,13
2331 Burgos 1,19 1,16 9148 Lx)groño 1,44 1,41
2363 P.Compuerto 1,44 1,56 9171 Cabreja 1,06 1,08
2422 Valladolid 1,17 1,14 9434 Zaragoza 1,19 1,09
2444 Avila 1,02 1,10 9443 Mezalocha 1,20 1,35
2462 Navacerrada 1,11 1,23 9771 Lérida 1,35 1,37
2614 Zamora 1,36 1,40 9898 Huesca 1,29 1,29
2633 P.Ponna 1,78 1,64 9980A Tortosa 0,81 0,94
2661 León 0,96 1,07 9981 Roquetas 0,86 0,88
2867 Salamanca 1,51 1,52 63250 Almería 0,89 1,05
3013 Molina de Aragón 1,04 1,18
3195 Madrid-retiro 1,28 1,50
3196 Madrid-4v 1,04 0,98

Tabla 38. - Cociente de coeficiente de variación de la región cortas duraciones entre el de largas
duraciones, asi como el cociente de L-Cv

126
 ESTACIONES CON PLXJVIÓGRAFO. RESULTADOS

5.2.2.-ESTIMACIÓN DE PARÁMETROS.

Para la estimación de los parámetros de la función SQRT-ET máx por el método

de momentos y máxima verosimilitud, se ha utilizado el programa sqrtab.exe (CEDEX,
2002). En la tabla 39, se ofrecen los parámetros obtenidos para cada una de las regiones,
cortas y largas duraciones, en cada estación.

Regiones M, Máxima M, Momentos Regiones M, Máxima M, Momentos

encada verosimilitud encada verosimilitud
estación k a k a k a k a
0034c 36,96 38,70 157,04 62,80 20301 165,65 63,40 313,19 75,50
00341 49,51 43,50 93,14 53,70 2139c 25,15 34,60 23,82 33,30
0111c 528,22 84,60 Error 21391 172,73 64,60 184,46 65,60
01111 204,45 68,20 165,50 63,80 2243c 59,12 45,70 187,57 65,90
0201c 23,58 31,80 119,56 58,00 22431 985,92 98,70 Error
02011 29,28 36,20 47,22 42,90 2331c 69,80 48,00 232,56 69,70
0222c 25,86 34,30 70,31 49,10 23311 146,33 60,20 637,43 110,50
02221 37,55 39,10 114,83 57,30 2363c 50,67 43,70 119,91 58,00
0225c 42,61 40,20 207,91 67,70 23631 2256,63 118,20 Error
02251 29,58 36,20 44,03 41,80 2422c 101,29 55,20 155,33 62,60
0370c 83,69 51,60 165,92 63,80 24221 121,30 57,30 424,88 84,00
03701 27,87 35,10 69,42 48,90 2444c 25,37 35,10 27,87 35,40
0429c 46,78 43,00 68,10 48,60 24441 55,49 47,10 30,78 36,70
04291 18,46 31,30 6,26 19,00 2462c 145,16 60,90 377,52 80,10
1024c 56,09 44,50 212,20 68,10 24621 76,88 49,00 Error
10241 279,03 72,70 438,20 85,20 2614c 35,12 38,40 92,73 53,60
1082c 62,92 48,00 48,74 43,40 26141 323,46 75,70 Error,
10821 71,26 51,80 14,54 27,30 2633c 60,78 47,10 58,30 46,10
1110c 63,48 47,70 80,89 51,40 26331 475,35 82,00 Error
11101 259,62 71,30 420,60 83,60 2661c 32,71 37,60 36,71 39,20
1208c 247,56 70,10 Error 26611 210,14 70,90 31,09 36,90
12081 194,70 67,70 74,09 49,90 2867c 31,87 37,90 37,88 39,60
1212c 317,61 74,00 EiTor 28671 242,99 70,20 393,13 81,30
12121 252,99 71,60 316,13 75,70 3013c 86,51 51,80 268,50 72,40
1387c 146,88 61,30 242,54 70,50 30131 218,44 67,90 407,52 82,10
13871 314,95 75,60 208,99 67,70 3195c 33,05 38,20 51,73 44,30
1428c 102,98 56,50 64,78 47,80 31951 304,03 74,60 490,35 90,30
14281 2661,33 123,80 431,38 84,50 3196c 153,21 62,70 122,61 58,40
1495c 73,03 49,00 229,59 69,50 31961 87,52 52,60 154,30 62,50
14951 147,74 60,20 Error 3200c 42,27 40,70 103,02 55,40
1496c 159,77 62,40 456,93 86,90 32001 139,35 59,90 384,77 80,70
14961 507,53 84,30 Error 3259c 59,49 46,60 86,95 52,60
1499c 66,08 49,90 25,85 34,40 32591 116,80 56,50 250,61 71,10
14991 801,44 94,90 567,96 99,70 3469c 41,51 40,50 100,09 54,90
1549c 27,13 35,50 38,74 40,00 34691 129,14 59,50 134,91 60,10
15491 576,15 86,80 Error 4121c 15,40 28,20 20,44 31,40
2030c 66,54 48,40 96,71 54,40 41211 366,49 77,70 Error

127
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Regiones M, Máxima M, Momentos Regiones M, Máxima M, Momentos

encada verosimilitud en cada verosimilitud
estación k a k a k a k a
4245c 320,31 73,50 Error 81751 65,57 48,20 90,16 53,20
42451 507,96 81,80 Error 8416c 59,55 45,90 174,86 64,70
4452c 37,03 39,10 89,73 53,10 84161 24,31 33,80 42,47 41,30
44521 50,05 45,20 21,40 32,00 8500ac 30,00 36,80 60,18 46,60
4478c 373,62 78,70 500,46 91,40 8500al 39,01 40,20 62,28 47,10
44781 243,33 70,90 187,67 65,90 9121c 23,59 32,90 61,01 46,80
4605c 126,39 58,70 276,53 72,90 91211 41,26 40,50 84,76 52,10
46051 81,38 51,80 119,43 58,00 9148c 36,98 39,60 68,16 48,60
5530c 44,25 41,80 114,47 57,20 91481 294,75 73,50 673,62 116,90
55301 266,20 74,60 49,36 43,60 9171c 61,00 46,30 177,17 64,90
5911c 839,07 94,90 Error 91711 160,83 63,20 258,25 71,60
59111 477,01 83,50 Error 9434c 31,82 37,30 45,26 42,20
6006c 157,68 63,00 199,72 67,00 94341 38,72 39,80 110,78 56,70
60061 4010,46 130,50 Error 9443c 53,03 43,80 253,87 71,30
6024c 61,81 48,40 41,54 41,00 94431 87,45 50,50 Error
60241 58,79 47,40 44,81 42,10 9771c 27,11 34,30 97,68 54,50
6120c 14,50 27,60 20,26 31,30 97711 194,90 65,90 697,23 121,60
61201 36,80 42,60 11,07 24,40 9898c 16,28 27,60 43,26 41,60
6172c 15,08 27,90 22,77 32,70 98981 124,46 58,70 172,73 64,50
61721 71,16 47,70 434,43 84,20 9980ac 77,18 49,50 421,76 83,70
7031c 19,31 30,50 36,49 39,10 9980al 188,47 66,30 112,18 56,90
70311 17,28 30,10 18,68 30,30 9981c 69,74 48,80 109,79 56,50
7228c 25,19 33,80 50,31 43,80 99811 37,45 39,60 49,13 28,60
72281 44,15 42,00 61,48 46,90 63250C Error 16,21 28,60
8025c 25,15 33,70 68,14 48,60 6325ol 24,73 35,90 10,75 24,10
80251 26,02 36,20 13,47 26,50
8175c Error 35,89 38,90

Tabla 39.-Parámetros de la función SQRT-ET máx para cada una de las regiones definidas en cada
estación.

En la tabla 39, en la primera columna se han definido las dos regiones en cada
estación bajo el nombre"código de la estación" terminado en la letra "c" o "1" para
indicar la región de "cortas dwaciones" y la de "largas duraciones". En las siguientes
columnas se presentan los valores de los parámetros "k" y "a" deducidos por los
métodos de máxima verosimilitud y de momentos, para la serie única, del conjunto de
valores de intensidad máxima "adimensionalizada" correspondiente a cada región.

Cuando en la tabla se indica "error" implica que el método no converge, sino

que se obtiene una fimción asintótica que no ajusta a los valores muéstrales.

128
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

De la tabla anterior puede deducirse lo siguiente:

=> En general la estimación de parámetros es más adecuada cuando se utiliza el método

de máxima verosimilitud que cuando se aplica el método de momentos en el sentido
que converge, y da menos errores.

En el Anejo 6 se encuentran las salidas del programa sqrtab.exe en cada una de las
regiones. En el Anejo 7, en los informes de cada estación se ha representado en el eje de
abscisas los cuantiles adimensionales, y en ordenadas los valores de la función de
distribución deducidos por ambos métodos. También se ha representado el cviantil
adimensional frente al período de retomo, facilitando el análisis al abrir la escala.

A modo de ejemplo, las figuras 12 y 13 presentan los resultados obtenidos en

Valls (0034), para la región de largas duraciones.

129
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

0034 LAROAS

mttiKtitMm-- NHHM'

• HOSKIMQ

25 50 75 100 12e 150 17S 2D0 225 250 275

CUANTIL ADIMENaiOMAL-lOO

Figura 12.- Distribuciones empírica y teórica de la serie adimensional de largas duraciones en la estación
de Valls (0034), ajustadas a la función SQRT-ET máx por el método de máxima verosimilitud y por
momentos.

0034 LARGAS

•UAX.VCH.

CUANTIL A l ) l M e N « I O H A I . - I 0 a

Figura 13,- Representación de la serie adimensional de largas duraciones en la estación de Valls (0034),
así como el ajuste a la función SQRT-ET máx por el método de máxima verosimilitud y por momentos
frente al período de retorno.

130
 ESTACIOISIES CON PLUVIÓGRAFO. RESULTADOS

5.2.2.1.-£leccióii del método para la estima.

Para elegir el método de obtención de parámetros de la función de distribución,

máxima verosimilitud o de momentos, se aplicó el Test de Kolmogorov-Smimov, que
está basado en la estimación de una distancia crítica, Dmáx, diferencia del valor
estimado- valor observado.

ÍE1 eriterió que se ha seguido para adoptar uno u otro método en la obtención de
los parámetros ha sido el siguiente:

Q Si al aplicar el Test de Kolmogorov-Smimov solamente resulta aceptable un

modelo, ése es el que se ha elegido para estimar los parámetros.

a Sí al aplicar el Test de Kolmogorov- Smimov resultan aceptables los dos métodos,

se aplica nuevamente este Test en la parte alta de la curva, para períodos de retomo
mayores de 10 años.

• Si uno sólo es válido, ése es el que se elige.

a Si ambos métodos siguen siendo válidos, y teniendo en cuenta que este

criterio define dicha distancia Dn en valor absoluto, se representa en unos ejes
de coordenadas y se analiza si esa distancia es positiva o negativa, en
definitiva si el modelo está obteniendo cuantiles por exceso, y poniéndose del
lado de la seguridad, o por el contrario por defecto, y por lo tanto asignando
períodos de retomo menores a los que se deberían asumir. Se deberá elegir el
modelo que proporcione estimas del lado de la seguridad.

Cuando ambos métodos son válidos porque D<Dcrítico, observando la gráfica

pueden plantearse tres casos:

• Las funciones obtenidas por ambos métodos se encuentran por debajo de

la serie histórica. En este caso el cuantil adimensional obtenido por
cualquiera de los dos métodos se corresponden con xm período de retomo

131
 ESTACIONES CON PLtJVIOGRAFO, RESULTADOS

menor que el obtenido en la serie histórica al asignarle una probabilidad

de Hosking. Por lo tanto ambas estimas son por exceso, y se elegirá la
que se encuentre más próxima, y por tanto, cuando D sea menor en la
parte alta de la curva.

A modo de ejemplo se muestra la región de cortas duraciones en la

estación de Sabadell (0225), (tabla 40 y figura 14). Se ha aplicado el Test
en la serie única adimensional que forma la región, y en ambos casos lo
superan, tanto con todos los datos (210), como con la parte alta de la
curva- para períodos de retomo mayores de 10 años (21 datos). Por lo
tanto, siguiendo el criterio adoptado, se ha representado en ordenadas el
período de retomo y en abscisas los cuantües adimensionales
(multiplicados por cien). Para períodos de retomo mayores de 10 años,
las dos curvas se encuentran por debajo de los valores observados, dando
por tanto estimas por exceso- del lado de la seguridad.

W datos N" datóse 21

D max (Todas) Dmax (F(x)>=0,9)

MAX. vea MOM MAX. VER. MOM

r0;t)70225l3 0,072982! r0,070225l3 0,02360559

D crítico =f 0,093í D crítico = 0.289

n.s.»0,05 n.s.=0,05

Tabla 40.- Aplicación del Test de Kolmogorov-Smimov en la región "cortas duraciones'

en la estación de Sabadell (0225).

132
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Figura 14.- Representación gráfica de la serie que conforma la región "cortas duraciones" en la estación
de Valls (0034), junto con los ajustes a la fiínción SQRT-ET máx por ambos métodos, máxima
verosimilitud y momentos.

Por lo tanto, se elige el método de los momentos, pues es el que presenta una
distancia menor para períodos de retomo mayores de diez años, y es el que más se
acerca a los valores observados.

a Sí ambas funciones se sitúan por encima de la serie histórica, los

cuantiles deducidos en ambos métodos estiman por defecto, y por tanto
se elegirá el método que más se aproxime a la serie histórica

A modo de ejemplo se ha elegido la estación de Santiago (1428) en la región de

"cortas duraciones" cuyos resultados se reflejan en la tabla 41.

N-'Hatns^ J/g^^lS

D max (Todas) Dmax (F fx)>=0.9)

MÁX. VER. MOM MAX. VER. MOM
0,04963629 0,04092716

D crít!co= ]n'^'^'%'^'^ D crítico=

n.s.=0,05 n.s.=0,05

Tabla 41.- Aplicación del Test Koimogorov-Smimov en la región "cortas duraciones en la estación de
Santiago (1428).

133
 ESTACIONES CON PLUVIÓGRAFO, RESULTADOS

Ambos ajustes superan el Test de Kolmogorov-Smimov, "D" es menor que

"Dcrítico", por lo tanto se vuelve a aplicar en la parte alta de la curva, y también en este
caso ambos ajustes superan el Test. Se procede entonces a representarlas gráficamente,
en la figura 15, y se ve que en la parte que se está analizando- períodos de retomo
mayores de diez años- las curvas quedan por encima de la serie histórica, por lo tanto
estarían obteniendo cuantiles por defecto. Así, se elige el método de momentos, que
proporciona cuantiles más próximos a los valores históricos.

1428 CORTAS

si'P^T'TT'-

••••••••MWER

CUAHTIL ADIMENSIONALIM

Figura 15.- Representación de la serie histórica junto con los ajustes por ambos métodos
de estimación en la región "cortas duraciones" n la estación de Santiago (1428).

134
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

D Si las funciones se encuentran, en la representación gráfica, una por debajo

de ia serie histórica y otra por encima, se elegirá la que se encuentre por
debajo, porque el criterio establecido trata de que las estimas en esa parte de
la curva sean conservadoras.

Es importante insistir en que el criterio seguido es fundamentalmente gráfico,

pero encaminado a cubrir el objetivo de la estima: la obtención de cuantiles con un
criterio conservador.

A modo de ejemplo, y para aclarar cómo se ha aplicado este criterio, se ha

aplicado el Test de Kolmogorov-Smimov en la estación de Caldas de Mombuy (0222),
en la región de largas duraciones, que se recoge en la tabla 42, y posteriormente se han
representado las funciones obtenidas, y se muestra en lasfiguras16 y 17.

N" datos== ^ H ^ ^ l N** datos= 8

Dmax [Todas) Dmax (F (x)>=0.9)

MAX. MOM MAX. MOM
VER. VER.
0,05191939 0,037656^

0crítico=P;i5205262 D crítico= 1 0,457

ii.s.=0,05 n.s.=0,05

Tabla 42,- Aplicación del Test Kolmogorov-Smimov en la región "largas duraciones en la estación de
Caldas de Mombuy (0222).

135
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

0222 LARGAS

09»

081 -**fl*iT ^ B I ^ ^ V 1 *^^^^^H

07i _^S
0.61 ^ « HOSKl NG
• • • ^ M A X . VER.
0,4 <

0.31

0.2'

0'

75 IDO 155 150

CUANTlLADIMeKSIONALMOO

Figura 16.- Representación de la serie histórica junto con los ajustes por ambos métodos de
estimación en la región "largas duraciones" en la estación de Caldas de Mombuy (0222),

0222 LARGAS

^ ^ ^ •

1 "IJ

^^^
i
• 11
^ ^ ^ á
5^-^

— •Tí.
í Sí 1

Figura 17.- Representación de la serie histórica junto con los ajustes por ambos métodos de
estimación en la región "largas duraciones" en la estación de Caídas de Mombuy (0222) frente al período
de retomo.

En el ejemplo de Caldas de Mombuy (0222), en la región de "largas

duraciones", ai analizar las gráficas se elegirá por lo tanto el método de máxima
verosimilitud, ya que es el método que, aproximándose a los valores reales de la serie,
obtiene cuantiles del lado de la segiiridad para los valores usuales de período de retomo
con que se va a trabajar.

136
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

En el esquema 1, se describen los criterios adoptados para elegir el método de

estimación de parámetros más adecuado.

NO
(Superan ambos métodos Se adopta la estima por el
e! iestdekohnuEíoiov- método que supera el Test K-S
Smimü\ *

SI

Aplicar Test K-S para

períodos de retomo
mayores de 10 años

NO
t, Superan ambos el Test Se adopta la estima por el
paraT>10añtís'? método que supera el Test K-S

SI
Se adopta la
Ambas por debajo que tenga D
Rc})icsentai la Tuncioo de de la serie histórica menor
Distnbuaon con parámetros
obierados por momento!». ma\tma
\erosimilitud v registros
Se adopta la
observados Ambas por que tenga D
encima de la serie menor
histórica.

Una por encima y Criterio

— •
otra por debajo de conservador
la serie histórica

Esquema 7.- Criterios adoptados en la elección del método de estimación de parámetros.

En la tabla 43, se refleja, para cada una de las regiones, el método elegido en la
estimación de parámetros y el criterio en que se ha basado la decisión. En el Anejo 7 se
pueden consultar los resultados parciales. En él, además de representar las funciones en

137
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

cada región, de cada estación, aparecen los resultados de aplicar el Test de

Kolmogorov- Smimov en las dos partes de la curva.

CORTAS LARGAS CORTAS LARGAS

DURACIONES DÜKAaONES DURACIONES DURACIONES
Estación Criterio Método Criterio Método Estación Criterio Método Criterio Método
0034 MV 1 M 3,1 3196 M 3,2 M 3,1
0111 MV 1 M 3,2 3200 M 3,1 MV 3,3
0201 M 1 MV 1 3259 M 3,1 MV 3,3
0222 MV 1 MV 3,3 3469 M 3,1 MV 3,2
0225 M 3,1 MV 3,3 4121 MV 3,3 MV 1
0370 M 3,1 M 3,1 4245 MV 1 MV 1
0429 M 3,1 MV 1 4452 M 3,1 M 3,2
1024 M 1 MV 1 4478 MV 1 M 3,2
1082 M 3,2 MV 1 4605 MV 3,2 MV 3.2
1110 MV 3,2 MV 3,3 5530 MV 1 M 3,2
1208 MV 1 M 3,2 5911 MV 1 MV 1
1212 MV 1 MV 3,2 6006 MV 3,2 MV 1
1387 M 3,1 M 3,3 6024 M 3,2 M 3,2
1428 M 3,2 MV 1 6120 MV 3,2 M 3,2
1495 MV 3,2 MV 1 6172 MV 3,2 MV 1
1496 MV 1 MV 1 7031 M 3,1 MV 1
1499 M 3,2 MV 1 7228 MV 3,3 MV 3,2
1549 M 3,1 MV 1 8025 MV 3,3 M 3,2
2030 MV 3,2 MV 3,2 8175 M 1 MV 3,3
2139 M 3,2 MV 3,2 8416 MV 1 M 3,1
2243 MV 3,1 MV 1 8500a MV 3,2 MV 3,3
2331 M 3,1 MV 1 9121 MV 1 MV 3,3
2363 MV 3,3 MV 1 9148 MV 1 MV 1
2422 MV 3,2 MV 1 9171 MV 1 M 3,1
2444 MV 1 MV 1 9434 MV 3,2 MV 1
2462 MV 3,3 MV 1 9443 MV 1 MV 1
2614 MV 1 MV 1 9771 MV 1 MV 1
2633 M 3,2 MV 1 9898 MV 3,3 MV 3,2
2661 MV 3,2 MV 1 9980A MV M 3,2
2867 M 3,1 M 3,1 9981 MV 3,3 MV 3,3
3013 MV 3,3 MV 3,3 63250 M 1 M 3,2
3195 MV 1 MV 1

Tabla 43.- Método de estimación de parámetros elegido en cada región, en fondón del criterio adoptado.

138
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Nomenclatura empleada en la tabla:

1.- Sólo es válido el método elegido.
2.- Sólo ese método supera el Test para períodos de retomo > 10 años.
3,1.- Ambas por debajo de la serie histórica.
3,2.- Ambas por encima de la serie histórica.
3,3.- Una por encima y otra por debajo.
M.- Método de momentos.
MV.- Método de máxima verosimilitud.

5.2.3.-VALIDACIÓN.

Una vez determinados los parámetros "k" y "a" - bien sea por el método de máxima
verosimilitud o de momentos-, el siguiente paso debería ser validar los resultados por medio de la
simulación, utilizando para ello el método de Montecarlo.

Con objeto de aplicar este método en un número significativo de regiones, se procedió a

analizar el coeficiente de variación en ellas, recogido en la tabla 33. De esta tabla se deduce, que el
recorrido de este parámetro - coeficiente de variación- en todas las regiones es de 0,62 (diferencia
entre máximo valor -0,84- y mínimo valor -0,22-).

Se decidió entonces establecer seis clases, con intervalos del coeficiente de variación de una
décima, y agrupar las regiones por clases, de tal manera que, analizando el comportamiento de un
número significativo de regiones dentro de cada clase, se pudiera aceptar, o en su caso rechazar, la
validez de la regionalización en cada una de ellas.

En la tabla 44 se muestra el número de regiones que se presenta en cada intervalo de clases

del coeficiente de variación.

139
 ESTACIOTslES CON PLUVIÓGRAFO. RESULTADOS

El procedimiento seguido fue el siguiente:

• Se tomaron en total 18 regiones. En la tabla 45 se refleja dentro de cada intervalo de clase las
regiones elegidas- en un número proporcional al número de regiones existentes dentro de cada
intervalo-, el método de estimación de parámetros utilizado en esa región, así como el Cv.
o En cada una se generaron 100 muestras aleatorias por el método de Montecarlo.
• Se determinaron los Cv y Ca de las muestras generadas.
• Se representaron gráficamente estos parámetros junto con los valores observados.
• Se compararon los valores muéstrales y los valores observados.

Intervalos N°de
de Clase regiones
(0,2-0,3] 15
(0,3-0,4] 46
(0,4-0,5] 42
(0,5-0,6] 16
(0,6-0,7] 5
(0,7-0,84 2

Tabla 44.- Número de regiones dentro de cada intervalo de clase del coeficiente de variación.

Intervalos de clases Región Método de estimación Coeficiente

de parámetros de variación
OlUc MV 0,27
(0,2-0,3]
15491 MV 0,28
14991 MV 0,33
32001 MV 0,35
20301 MV 0,36
(0,3-0,4]
0225c M 0,38
01111 M 0,39
0034c yN 0,40

140
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Intervalos de clases Región Método de estimación Coeficiente

de parámetros de variación
0201c M 0,41
02221 MV 0,42
00341 MV 0,44
(0,4-0,5]
1110c MV 0,45
0429c M 0,46
02251 MV 0,50
6024c M 0,51
(0,5-0,6]
1499c M 0,57
(0,6-OJ] 10821 MV 0,66
(OJ-0,8] 632501 M 0,72

Tabla 45.- Regiones utilizadas para la validación.

A continuación, en las figuras 18,19,20,21,22 y 23, se muestra la representación gráfica de

los pares de valores Cv-Ca de las muestras observadas y de las muestras generadas por el método
de Montecarlo, en cada una de las regiones seleccionadas.

Intervalo (0,2-0,3)

Figura 18.- Representación de coeficiente de variación y asimetría de las muestras generadas (en azul) y
observadas (en rosa) en la región "cortas duraciones" de la estación de Sallent (0111) y en Ponferrada (1549) en "largas
duraciones".

Los valores observados quedan perfectamente integrados en la nube de puntos de los

valores generados.

141
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Intervalo (0,3-0,4]

2D3«lm V

4 1
3,5 • *
3 •
2,5
.%•.• . •.
..• f ' \' *

. • i'IJAt^'
^*%*. '
1-
0,5 •
0 •

-0 5 J
0.1 1S *"V* . 03 04 OS Oí

CV

0034cniv

5-,
4 „»___•__
• .^___
^:: ».>*i*
. w ^ - '
0-
) 0.2 M^
0.4
Cv
0.8 0,8 1

Figura 19.- Representación de coeficiente de variación y asimetría de las muestras generadas (en azul) y
observadas (en rosa) en la región "largas duraciones" de las estaciones: Sallent (0111), Punto Centro (1499), en Getafe
(3200), en Soria (2030), y en "cortas duraciones" en Sabadell (0225) y en Valls (0034).

Los valores observados quedan perfectamente integrados en la nube de puntos, salvo en la

región "cortas duraciones" de la estación de Sallent (0225) en la que los valores observados quedan
un poco por debajo, pero en este caso las estimas serían por exceso.

142
 ESTACIONES CON PLUVIÓGRAFO. RESXJLTADOS

Intervalo (0,4-0,5]

0201cm 0222lmv

6 -, •
•• 3 / • •
4- É *

O ^ •Ató** •^ 1 < ^
0- ^ll(pr 0 *»iSP8^.
0.8 (1 ññ 1 ifi
-2- ) 0.2 0.4 0.6

Ov Cv

1110c2mv

4 • • •
' *t. *

' .XÍP^*-«i*
^«VY*

0 0.2 0.4 0.6 0,8 1

Cv

022Slmv

4-
« 3- v*!> *
ü 2- ^MflLt*
1- *MBM^
•^•^^^
í 0.2 0,4 0,6 0,3 1
Cv

Figura 20.- Representación de coeficiente de variación y asimetría de las muestras generadas (en azul) y observadas
(en rosa) en la región cortas duraciones de Barcelona (0201), Santander (1110), Figueras (0429), y de largas duraciones
de la estación Caldas de Mombuy (0222), Valls (0034) y Sabadell (0225).

También aquí todas las muestras observadas quedan perfectamente integradas en la nube de
puntos de los valores generados por el método Montecarlo, salvo en Barcelona (0201), que quedan
un poco por debajo.

143
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Intervalo (0,5-0,6]

Figura 21.- Representación de coeficiente de variación y asinietría de las muestras generadas (en azul) y observadas
(en rosa) de la región de cortas duraciones de Guadarranque (6024) y Punto Centro (Vigo) (1499)

intervalo (0,6-0,7]

Figura 22.- Representación de coeficiente de variación y asimetría de las muestras generadas (en azul) y observadas
(en rosa) en la región de "largas duraciones" en Sondica (1082)

144
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Intervalo (0,7-0,8]

6325olm

*
•
U 2

_- *v.¿^ ^
,—

0,5 1.5
Cv

Figura 23.- Representación de coeficiente de variación y asimetría de las muestras generadas {en azul) y observadas
en rosa en la región de 'largas duraciones" en la estación de Almería (63250)

M^33áÍzmLlmjSSMltade§x^6Jpuede^^

=> Los gráficos muestran una buena correspondencia entre ios pares de valores generados y
observados, lo que confirmaría un adecuado comportamiento de la ley SQRT-ET máx para
reproducir las propiedades estadísticas de los datos.

=> En algunas estaciones, al representar los valores del coeficiente de variación y de asimetría de
las muestras generadas y observadas se observa que estas últimas quedan en la zona inferior de
la nube de puntos. Esto induce a pensar que en esas estaciones el modelo estimará por exceso,
situándose la estima, por lo tanto, del lado de la seguridad.

=> En las estaciones que, como se desarrolló en el epígrafe de 5.1.LL2., presentan una serie de
valores muy altos pero que no se deben recha/ar, se ha analizado qué ocurre, por ejemplo, en la
región "largas duraciones" de Sondica (1082). Esta región presenta unos valores observados del
coeficiente de variación y asimetría muy altos. Al representarlos junto a los valores generados,
figura 22, se comprueba que las muestras observadas no se encuentran en la zona media de la
nube de puntos; Por el contrario, los valores observados se sitúan en la parte más alta, que se
correspondería con muestras anómalas - con coeficientes de variación y asimetría altos-. Al

145
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

eliminar íos datos estudiados como extraordinarios, los coeficientes de variación y asimetría
bajan drásticamente, y al representarlos nuevamente junto con los valores generados por el
método de Montecarlo, recogido en la figura 24, quedan plenamente integrados en la nube de
puntos. Esto confirma eí buen comportamiento de la ñmción, pues ciertamente esas muestras
son extraordinarias.

Figura 24.- Representación de valores observados (en rosa), eliminando previamente los años extraordinarios, y
valores generados {en azul) en la región "largas duraciones" en la estación de Sondica (1082).

=> El problema se plantearía si la ley SQRT-ET máx estimara, sistemáticamente, por defecto, en
cuyo caso se estarían utilizando intensidades máximas con períodos de retomo inferiores a los
que se pretende. En esta situación, las muestras observadas se deberían encontrar en la parte alta
de la gráfica, definiendo coeficientes de variación y asimetría altos, y las muestras generadas se
caracterizarían por unos coeficientes menores. De todas las regiones estudiadas esta situación
no se ha dado en ningún caso.

^toossMltadeiJiQs^penniten^^

:::> Cada par observado (en rosa) representa los coeficientes de variación y asimetría de la serie de
intensidades máximas, adimensionalizada, correspondiente a una duración. Como los valores
observados se encuentran dentro de la nube de puntos de los valores correspondientes a las 100
muestras generadas, se justifica que las series adimensionales equivalen a muestras procedentes
de la misma población subyacente, y por lo tanto con propiedades estadísticas similares.

:::í> Este análisís confirma también la hipótesis de homogeneidad regional puesto que ios
parámetros estadísticos generados son similares.

146
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

=> Este análisis permite justificar además el análisis regional de los datos ya que, si las muestras
proceden de la misma población, se podrán tomar todas ellas para el ajuste a una función de
distribución consiguiendo además estimas más robustas debido al aumento del número de
datos.

En el Anejo 8, se encuentran las salidas de la hoja de cálculo desarrollada para la generación

de muestras aleatorias para la presente Tesis.

5.2.4.-CUANTILES ADIMENSIONALES ADOPTADOS.

En la tabla 46, se muestran los cuantiles adimensionales para cada período de retomo, en
cada una de las regiones establecidas y con el método elegido en cada caso en fimción del criterio
reflejado en la tabla 43.

P E R Í O D O D E R E T O R N O (años) P E R I O D O D E R E T O R N O (aflos)
REGIÓN 2 S 10 25 50 100 200 500 REGIÓN 2 5 10 25 50 100 200 500
0034c 0,90 1,34 1,68 2,16 2,53 2,94 3,37 4,00 11101 0,93 1,24 1,47 1,78 2,02 2,29 2,57 2,96

00341 0,91 1,27 1,54 1,92 2,22 2,53 2,88 3,35 1208c 0,94 1,25 1,48 1,79 2,04 2,31 2,59 2,98

0111c 0,94 1,23 1,43 1,71 1,94 2,18 2,41 2,76 1208Í 0,90 1,28 1,57 1,96 2,28 2,61 2,98 3,47

Ollll 0,92 1,25 1,49 1,82 2,08 2,37 2,67 3,10 1212c 0,94 1,25 1,48 1,78 2,02 2,28 2,55 2,94
0201c 0,91 1,25 1,52 1,87 2,16 2,45 2,78 3,23 12121 0,92 1,23 1,45 1,76 2,00 2,28 2,55 2,92
02011 0,88 1,33 1,68 2,18 2,57 3,00 3,45 4,08 1387c 0,92 1,24 1,46 1,77 2,02 2,29 2,57 2,96

0222c 0,88 1,35 1,71 2,22 2,63 3,08 3,54 4,24 13871 0,93 1,23 1,44 1,74 1,98 2,24 2,49 2,86

02221 0,90 1,33 1,67 2,14 2,51 2,92 3,35 3,96 1428c 0,90 1,29 1,58 1,98 2,31 2,67 3,04 3,54

0225c 0,92 1,24 1,47 1,79 2,06 2,31 2,61 3,02 14281 0,93 1,16 1,31 1,53 1,70 1,88 2,08 2,33

02251 0,88 1,34 1,68 2,18 2,57 3,00 3,47 4,08 1495c 0,92 1,30 1,59 1,98 2,31 2,67 3,02 3,53

0370c 0,92 1,25 1,49 1,82 2,08 2,37 2,67 3,10 14951 0,94 1,27 1,53 1,88 2,16 2,45 2,76 3,21
03701 0,90 1,28 1,58 1,98 2,29 2,65 3,00 3,51 1496c 0,93 1,25 1,51 1,85 2,12 2,41 2,71 3,13
0429c 0,90 1,28 1,58 1,98 2,29 2,65 3,02 3,53 14961 0,94 1,22 1,42 1,70 1,93 2,16 2,41 2,74

04291 0,83 1,31 1,69 2,22 2,67 3,13 3,62 4,36 1499c 0,88 1,35 1,70 2,22 2,63 3,08 3,54 4,20

1024c 0,92 1,24 1,47 1,79 2,04 2,31 2,61 3,00 14991 0,93 1,20 1,38 1,65 1,85 2,06 2,29 2,61

10241 0,93 1,24 1,46 1,77 2,02 2,28 2,55 2,92 1549c 0,89 1,32 1,65 2,10 2,47 2,88 3,29 3,90

1082c 0,90 1,30 1,62 2,04 2,39 2,78 3,17 3,74 15491 0,94 1,22 1,42 1,69 1,92 2,14 2,39 2,72
10821 0,86 1,23 1,50 1,87 2,18 2,51 2,84 3,33 2030c 0,90 1,28 1,58 1,98 2,29 2,65 3,02 3,53

1110c 0,90 1,28 1,58 1,98 2,31 2,65 3,02 3,54 20301 0,92 1,25 1,50 1,83 2,10 2,39 2,69 3,12

147
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

PERÍODO D E RETORNO (años) PERIODO D E RETORNO (años)

REGIÓN 2 S 10 25 50 100 200 500 REGIÓN 10 25 50 100 200 500

2139c 0,87 1,35 1,72 2,24 2,67 3,12 3,60 4,28 4245c 0,95 1,26 1,49 1,79 2,04 2.29 2,57 2,96

21391 0,91 1,24 1,48 1,81 2,08 2,35 2,65 3,08 42451 0,96 1,25 1,47 1,76 1,98 2,24 2,49 2,84

2243c 0,91 1,31 1,62 2,04 2,37 2,74 3,12 3,66 4452c 0,91 1,27 1,55 1,92 2,24 2,55 2,88 3,37

22431 0,94 1,20 1,38 1,64 1,84 2,04 2,28 2,57 44521 0,87 1,36 1,73 2,28 2,71 3,17 3,66 4,39

2331c 0,92 1,24 1,47 1,78 2,04 2,29 2,59 2,98 4478c 0,93 1,23 1,43 1,72 1,96 2,20 2,47 2,82

23311 0,93 1,27 1,53 1,88 2,16 2,45 2,76 3,21 44781 0,92 1,24 1,48 1,80 2,06 2.35 2,63 3.04

2363c 0,90 1,31 1,63 2,06 2,41 2,78 3,17 3,72 4605c 0,92 1,26 1,52 1,87 2,16 2,45 2,78 3,21
23631 0,94 1,17 1,34 1,57 1,74 1,93 2,12 2,39 46051 0,90 1,26 1,55 1,93 2,24 2,57 2,92 3,41

2422c 0,91 1,26 1,53 1,90 2,20 2,51 2,84 3,31 5530c 0,90 1,31 1,64 2,08 2,43 2,82 3,23 3,80

24221 0,93 1,27 1,54 1,90 2,20 2,49 2,82 3,27 55301 0,90 1,30 1,62 2,04 2,39 2,76 3,17 3,72

2444c 0,85 1,31 1,67 2,16 2,57 3,00 3,47 4,12 5911c 0,94 1,21 1,39 1,66 1,86 2,08 2,29 2,63

24441 0,87 1,25 1,54 1,95 2,28 2,63 3,00 3,51 59111 0,93 1,22 1,42 1,70 1,93 2,16 2,41 2,74

2462c 0,92 1,25 1,51 1,86 2,14 2,43 2,74 3,17 6006c 0,91 1,25 1,49 1,82 2,10 2,37 2,69 3,10

24621 0,93 1,32 1,61 2,02 2,33 2,69 3,06 3,56 60061 0,95 1,18 1,33 1,55 1,71 1,89 2,08 2,33
2614c 0,89 1,33 1,67 2,14 2,53 2,94 3,37 4,00 6024c 0,89 1,31 1,64 2,08 2,45 2,84 3,25 3,84

26141 0,93 1,23 1,45 1,75 1,98 2,24 2,51 2,88 60241 0,90 1,31 1,63 2,08 2,43 2,80 3,21 3,78

2633c 0,90 1,29 1,60 2,00 2,35 2,71 3,08 3,62 6120c 0,83 1,36 1,78 2,37 2,84 3,37 3,93 4,71

26331 0,95 1,24 1,45 1,73 1,96 2,20 2,45 2,80 61201 0,82 1,39 1,84 2,47 3,00 3,58 4,20 5,06
2661c 0,89 1,33 1,67 2,16 2,53 2,96 3,39 4,00 6172c 0,84 1,37 1,78 2,37 2,84 3,37 3,93 4,71
26611 0,88 1,19 1,41 1,71 1,96 2,22 2,49 2,88 61721 0,93 1,32 1,63 2,04 2,35 2,71 3,08 3,60

2867c 0,89 1,32 1,66 2,12 2,49 2,88 3,31 3,93 7031c 0,89 1,32 1,66 2,12 2,49 2,90 3,33 3,93
28671 0,91 1,20 1,40 1,68 1,91 2,16 2,39 2,74 70311 0,83 1,33 1,72 2,28 2,72 3,21 3,74 4,47

3013c 0,92 1,29 1,57 1,96 2,28 2,59 2,94 3,43 7228c 0,88 1,36 1,72 2,24 2,65 3,10 3,58 4,28

30131 0,93 1,25 1,48 1,81 2,06 2,33 2,63 3,02 72281 0,89 1,31 1,63 2,08 2.43 2,80 3,21 3,80
3195c 0,87 1,31 1,65 2,12 2,51 2,92 3,35 3,96 8025c 0,89 1,36 1,73 2,24 2,67 3,12 3,60 4,28
31951 0,93 1,23 1,45 1,75 2,00 2,26 2,51 2,88 80251 0,84 1,38 1,81 2,41 2,92 3,45 4,00 4,82
3196c 0,91 1,25 1,51 1,87 2,16 2,45 2,76 3,21 8175c 0,89 1,32 1,66 2,12 2,51 2,90 3,33 3,96

31961 0,91 1,25 1,49 1,83 2,10 2,39 2,69 3,12 81751 0,90 1,28 1,58 1,98 2,29 2,65 3,02 3,53

3200c 0,91 1,26 1,53 1,90 2,20 2,51 2,84 3,29 8416c 0,91 1,31 1,62 2,02 2,37 2,72 3,12 3,64
32001 0,92 1,26 1,52 1,87 2,16 2,45 2,76 3,19 84161 0,89 1,31 1,64 2,08 2,45 2,84 3,25 3,82

3259c 0,91 1,27 1,55 1,93 2,24 2,57 2,90 3,39 8500ac 0,87 1,32 1,67 2,14 2,55 2,96 3,41 4,04

32591 0,93 1,28 1,55 1,91 2,20 2,51 2,84 3,31 8500al 0,89 1,31 1,65 2,10 2,47 2,86 3,27 3,88

3469c 0,91 1,26 1,53 1,90 2,20 2,51 2,84 3,31 9121c 0 8 8 M 6 V73" 3,64 4^32'

34691 0,91 1,25 1,51 1,85 2,14 2,43 2,74 3,19 91211 090 Ü3 h66 ijo l 4 7 2Í6 ^ 2 9 3 ^

4121c 0,84 1,37 1,77 2,35 2,82 3,33 3,88 4,67 9148c 165 2^10 2^ 3 ^ 3 ^
41211 0,94 1,24 1,45 1,74 1,98 2,22 2,49 2,84 91481 094 l46 Tjf l02 2 ^ 2 ^ X92

148
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

PERÍODO DE RETORNO (años) PERÍODO DE RETORNO (años)

REGIÓN 2 5 10 25 50 100 200 500 REGIÓN 2 5 10 25 50 100 200 500

9171c 0,91 1,30 1,61 2,02 2,35 2,71 3,10 3,62 9898c 0,89 1,43 1,85 2,45 2,94 3,47 4,00 4,82
91711 0,93 1,24 1,46 1,77 2,02 2,28 2,55 2,94 98981 0,91 1,25 1,51 1,87 2,16 2,45 2,76 3,21

9434c 0,88 1,33 1,67 2,16 2,55 2,96 3,41 4,04 9980ac 0,93 1,31 1,60 2,00 2,31 2,67 3,02 3,53
94341 0,90 1,33 1,66 2,12 2,49 2,88 3,31 3,93 9980al 0,91 1,26 1,52 1,88 2,18 2,47 2,80 3,25
9443c 0,92 1,32 1,64 2,06 2,41 2,78 3,19 3,74 9981c 0,91 1,29 1.58 1,98 2,29 2,65 3,00 3,53
94431 0,94 1,32 1,62 2,00 2,33 2,67 3,02 3,53 99811 0,89 1,32 1,65 2,10 2,49 2,88 3,31 3,90

9771c 0,90 1,37 1,73 2,26 2,67 3,12 3,58 4,28 63250C 0,85 1,37 1,78 2,35 2,82 3,33 3,88 4,63

97711 0,93 1,25 1,49 1,82 2,08 2,35 2,65 3,06 6325ol 0,82 1,39 1,84 2,49 3,02 3,60 4,20 5,10

Tabla 46,- Cuantiles adimensionales adoptados en cada una de las regiones,- cortas y largas duraciones -, dentro de
cada estación.

5.2.5.- SELECCIÓN DEL MODELO ID.

El modelo elegido es el modelo de dos parámetros utilizado en la Instrucción 5.2-IC

generalizada:
— 24" ~íí°

•'•24

Siendo:
"K" y "a", dos parámetros,
"d" (horas), la duración considerada.

El modelo presenta dos puntos de paso obligado,

g(24)= 1

g(l)=i
•'•24

En el Apéndice II se puede consultar el análisis que ha llevado a concluir que este modelo
ofrecerá mejores ajustes y en el Apéndice III, el análisis de sensibilidad del modelo elegido.

Se ha manejado el programa Spss (versión 10.0) para Windows para la obtención de los
parámetros del modelo elegido, y se presentan como resultados los valores de "K" y "a" de las

149
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

estaciones que disponen de pluviógrafo, tabla 47, obteniéndose coeficientes de correlación por
encima de 0,98 en todos los casos.

Estación Nombre a K Estación Nombre a K

34 Valls 0,247 12,8 3196 Madrid-4v 0,097 9,1
111 Sallent 0,134 9,5 3200 Getafe 0,135 10,4
201 Barcelona 0,153 11,2 3259 Toledo 0,085 11,6
222 Caldas Mombuy 0,240 13,2 3469 Cáceres 0,129 9,9
225 Sabadell 0,135 11,7 4121 Ciudadreal 0,100 10,4
370 Gerona 0,119 7,6 4245 Guadalupe -0,125 4,8
429 Figueras 0,103 8,9 4452 Badajoz(Talavera 0,139 10,2
1024 S,Sebastian 0,060 7,2 4478 Badajoz(instituto) 0,086 9,6
1082 Sondica 0,060 6,9 4605 Huelva 0,134 10,9
1110 Santander 0,115 7,5 5530 Chauchina 0,064 9,2
1208 Gijón 0,082 7 5911 Grazalema -0,041 4
1212 Amao -0,049 5,6 6006 Algeciras 0,061 7
1387 Coruña 0,065 8,1 6024 Guadarranque 0,106 5,7
1428 Santiago 0,009 5 6120 Guadalhorce 0,106 7,3
1495 Vigo 0,039 6,2 6172 Málaga 0,291 9
1496 Vigo(Peinador) 0,145 6,9 7031 Murcia S,Javier 0,157 12,2
1499 Punto Centro 0,180 8,8 7228 Murcia Alcantarilla 0,163 11,9
1549 Ponferrada 0,056 8,7 8025 Alicante C,Jardín 0,246 12,3
2030 Soria 0,088 10,1 8175 Albacete 0,119 12,7
2139 Linares 0,137 11,9 8416 Valencia 0,122 8,4
2243 P, Aguilar 0,079 8,7 8500a Castellón 0,180 10,6
2331 Burgos 0,088 10 9121 Haro 0,119 10,6
2363 P.Compuerto 0,104 8,4 9148 Logroño 0,119 10,8
2422 Valladolid 0,070 10 9171 Cabreja 0,018 9
2444 Avila 0,156 12,8 9434 Zaragoza 0,104 9,2

2462 Síavacerrada -0,042 4,7 9443 Vfezalocha 0,135 10,9

2614 Zamora 0,107 11,7 9771 Lérida 0,122 13,1
2633 P,Ponna 0,013 5,5 9898 Huesca 0,039 8,4
2661 León 0,077 7,4 9980A Tortosa 0,195 10,3
2867 Salamanca 0,103 10,4 9981 Eloquetas 0,142 9,5
3013 Molina de Aragón 0,123 11,3 63250 Almería 0,197 13,8

3195 Madrid-retiro 0,094 9

Tabla 47.- Parámetros "K " y " a" de la expresión I-D seleccionada en cada una de las estaciones con pluviógrafo.

150
 ESTACIONES CON PLUVIÓGRAFO. RESULTADOS

Donde K se ha obtenido en cada estación como -^

Siendo:
Ii, la Intensidad máxima anual en una hora.
Iz4, la Intensidad máxima anual en 24 horas.

De la tabla de resultados se deduce que el parámetro "K" toma unos valores que se
encuentran comprendidos entre 4 en Grazalema (5911) y 13,8 en Almería (63250).

En cuanto al parámetro "a", sus valores se encuentran comprendidos entre -0,1250 en

Guadalupe (4245) y 0,2908 en Málaga (6172). Aunque solamente en cuatro estaciones toma
valores negativos: Guadalupe (4245), Amao (1212), Navacerrada (2462) y Grazalema (5911),
estaciones situadas en puntos muy dispersos dentro de la España Peninsular.

151
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

5.3.-DISCUSION.

5.3.1.-INTRODÜCCION

La discusión de resultados en estaciones con pluviógrafo se va a centrar en

comparar los resultados obtenidos en la presente Tesis con los resultados presentados
por el INM (2003).

En el trabajo del INM (2003) se utilizaron 67 estaciones, 63 en la España

Peninsular y 4 en las islas Baleares y Canarias, y consistió en ajustar la función SQRT-
ET máx, dentro de cada estación, a cada una de las series de cada duración, utilizando
para ello el método de máxima verosimilitud. En el trabajo se ofrece además un mapa
de España, interactivo, con tablas de los resultados obtenidos en cada estación,
indicando los parámetros de la función -"k" y "a"- estimados, así como los cuantiles
obtenidos para cada duración y cada período de retomo. El trabajo presenta también un
diagrama en el que figura la correspondiente familia de curvas de intensidad-duración-
frecuencia en cada una de las estaciones disponibles.

La comparación de resultados se abordará considerando dos aspectos:

A) Comparación de las intensidades máximas para cada duración y período de

retomo que se deducen en ambas metodologías, para así determinar cual
proporciona estimas más conservadoras y por tanto del lado de la seguridad.

B) Comparación de la robustez de ambas metodologías es decir, la sensibilidad que

muestran ante la presencia o eliminación de un dato.

Como primera idea cabe decir que ambas vías de investigación se han
desarrollado simultáneamente en el tiempo, y confirman el interés que ha suscitado la
función SQRT-ET máx en el ajuste de la variable aleatoria intensidad máxima anual.

152
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

Además, y antes de entrar en el desarrollo de estos dos aspectos, era necesario

comprobar que los datos utilizados en esta Tesis y en el trabajo del INM eran los
mismos, algo razonable de aceptar puesto que la base de datos empleada en la presente
Tesis fue suministrada por el INM. Sin embargo, parece oportuno hacer algunas
comprobaciones que lo corroboren, Para ello, y dado que en el CD donde el INM
publica sus resultados no aparecen los datos utilizados, se procedió como se indica a
continuación.

Procedimiento
a Se tomaron los datos utilizados en esta Tesis de las estaciones de Valls (0034),
Figueras (0429) y Badajoz (4452).
• Se estimaron los parámetros de la función SQRT-ET máx en cada estación y para
cada duración, utilizando el método empleado por el INM (método de máxima
verosimilitud).
a En cada estación se calcularon las intensidades máximas para cada duración y
período de retomo.
Q Estos resultados se compararon con los recogidos en el CD del INM, constatando
que eran exactamente iguales.

Siendo los datos de partida iguales, las diferencias entre las estimas obtenidas según
la metodología aplicada- INM y la presente Tesis- son achacables a la propia
metodología y en modo alguno a la base de datos empleada, puesto que se ha
comprobado es la misma,

5.3.2.- COMPARACIÓN DE INTENSmADES ESTIMADAS.

Para realizar esta comparación se ha elegido una serie de estaciones atendiendo a los
siguientes criterios:
• Que estén repartidas por todo el territorio, de manera que engloben la
variabilidad climática de la España Peninsular.
• Que el método de estimación de los parámetros sea el de máxima verosimilitud,
análogo por tanto al utilizado por el INM. Debe recordarse que en la presente
Tesis en cada estación, en cada región- cortas y largas duraciones- no se utiliza

153
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

necesariamente el mismo método de estimación de parámetros, (véase epígrafe

5.2.2).
Con estos criterios, se han considerado las siguientes estaciones, tabla 48,

Estaciones Estaciones
Madrid(319S) Santander(1110)
Soria(2030) Salamanca(2867)
Murcia(7228) Algeciras(6006)
Vigo(1495) León(2661)
Molma(3013) Castellon(8550A)
Huelva(4605) Lérida(9771)
Caldas(0222)

Tabla 48.- Estaciones utilizadas en la comparación de las estimas obtenidas por el INM y en la presente
Tesis.

De esta manera, además de haber utilizado los mismo datos de partida que el
INM las diferencias obtenidas en ambas metodologías no serán achacables tampoco al
método de estimación de parámetros.

A partir de las intensidades máximas deducidas por el INM y la actual Tesis, se

ha calculado el parámetro "S", expresado en porcentaje (%), como la diferencia de las
Intensidades máximas para una duración y período de retomo considerado, obtenidas
por cada metodología. Este parámetro permitirá así, comparar las estimas obtenidas por
ambas metodologías, con independencia de los valores de intensidades máximas.

Donde:
- T, es la Intensidad máxima deducida en la presente Tesis para cada duración y
período de retomo en cada estación
- INM, es la Intensidad máxima deducida por el INM para cada duración y
período de retomo en cada estación.
S(%) = 0....T = EVM
En este análisis se podrían plantear tres situaciones:
S(%) > 0....T > INM
S(%) <0..,.T < I N M
que darían lugar a estimas:

S(%) = ©....IGUALES
S(%)>O....T MÁS CONSERVADOR QUE INM
S(%) < 0....T MENOS CONSERVADOR QUE INM

154
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

En el anejo 9 se recogen en cada estación:

- las intensidades máximas para cada duración y período de retomo.
- los valores de S(%), ei valor máximo, mínimo y medio en cada
duración.
- los valores máximos, mínimos y medios de S(%) en cada período de
retomo.
- Así mismo, se ha calculado S(%) medio para bajos períodos de
retomo (2<T (años)<5), para períodos de retomo medios (10 <T
(años)<50) y para períodos de retomo altos (100<T(años)<500).
- Además, se ha representado en un sistema de coordenadas, período
de retomo, duración y S(%) en cada una de las estaciones. A modo de
ejemplo se muestra la figura 25 con los valores "S(%)"obtenidos en
Molina (3013), para cada duración y período de retomo.

Residuos Molina (3013)

10.0

• 5.0-10.0
• 0.0-5.0
•o S-5.0-0.0
(O
tu •-10.0-5.0
D-15.0-10.0
D-20.0-15.0
•-25.0-20.0
e-30.0-25,0

Figura 25.- Representación gráfica de la variación de los residuos "S(%)" con el periodo de retorno y la
duración en la estación de Molina (3013)

155
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

Al analizar visualmente las gráficas en 3 dimensiones se puede apreciar que no

presentan una tendencia general en la distribución de los valores de "S" (%) con
respecto a la duración, y parece manifestarse una tendencia al crecimiento al hacerlo el
período de retomo.

Además, para centrar el análisis en las situaciones que se manejarán más

frecuentemente, se ha calculado, para las duraciones más usuales - 30<d (minutos)<720
-, los valores medios de S(%) para cada período de retomo, que se recoge en la tabla 49.

Estación Período de retomo (años)

2 5 10 25 50 100 200 500
Madrid(3195) 0,039 0,498 0,833 0,377 0,993 0,974 0,583 0,503
Sor¡a(2030) 0,464 0,464 0,464 0,464 0,464 0,464 0,464 0,464
Murcia(7228) -0,378 1,259 1,525 2,410 2,365 2,184 2,523 3,245
\/igo(1495) -0,081 0,965 2,713 3,158 3,955 4,221 4,831 5,369
Morma(3013) -0,446 -0,131 0,462 0,931 1,057 0,685 1,156 1,000
Huelva(4605) 1,930 -0,484 -0,705 -1,406 -1,973 -2,507 -2,490 -3,155
Caldas{0222) 0,671 -1,096 -1,258 -2,084 -2,544 -2,531 -2,848 -3,046
Santander(1110) -0,602 0,887 2,462 2,558 2,872 3,341 3,846 4,450
Salamanca(2867) -0,926 -0,488 -0,846 -1,765 -1,876 -1,760 -2,370 -2,364
Algeciras(6006) -1,094 1,239 1,164 2,111 2,376 2,623 3,308 3,404
León(2661) 0,438 2,340 2,941 3,893 4,201 5,063 4,612 5,245
Castellon{8550A) 0,864 -0,094 0,704 0,155 0,286 -0,014 -0,179 -0,194
Lérida(9771) 0,526 0,741 1,048 1,746 1,383 1,278 1,707 1,799
Media 0,108 0,469 0.885 0,965 1,043 1,078 1,165 1,286
Cv 0,13 0,51 0,67 0,51 0,48 0,45 0,44 0,43

Tabla 49.- Valores medios de los residuos "S(%)" para las duraciones más usuales, 30<d (minutos)<720,
en cada estación.

De la tabla 49 se deduce lo siguiente:

o Los valores medios de "S(%)" del conjunto de las estaciones son positivos, y por
tanto las estimas obtenidas en la presente Tesis serían más conservadoras que las
deducidas por el INM aunque las diferencias son muy pequeñas.
• Se compmeba que los valores medios de los residuos crecen con el período de
retomo, aunque la variación es pequeíía.
a Los coeficientes de variación obtenidos confirman que no hay una tendencia general
en todas las estaciones.

156
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

En la tabla 50, se muestra el valor medio de "S(%)" en términos absolutos para

cada período de retomo en cada estación analizada, y se representan a continuación en
lafigura26. Lafigura26 confirma que en términos absolutos S(%) crece con ei período
de retomo.

Período de retomo (años)

Estación 2 5 10 25 50 100 200 500
Madrid(3]95) 1,715 0,887 1,599 2,709 2,814 3,031 3,682 4,020
Soria(2030) 0,980 1,621 2,776 3,168 3,090 3,761 4,009 4,590
Murcia{7228) 0,948 2,205 2,686 3,596 4,211 4,725 5,016 5,419
Vigo(1495) 1,090 1,221 3,098 3,629 4,543 5,067 5,630 6,274
Molina(3013) 1,722 0,642 1,690 2,662 3,609 3,517 3,843 4,273
Huelva(4605) 1,930 1,496 3,052 4,327 4,980 5,923 6,653 7,441
Caldas{0222) 1,063 .-M12i 5,030 5,868 6,465 7,236 7,682
Santander(lllO) 0,768
-láll
1,594 3,548 4,338 5,035 5,690 6,414 7,041
Saíamaiica(2867) 2,322 3,712 5,503 7,158 7,626 7,449 8,749 9,527
Aigeciras(6006) 1,311 1,880 2,678 4,061 4,446 5,505 5,699 6,317
León{2661) 0,614 3,053 4,421 5,726 6,309 7,118 8,093 8,098
Castellon(8550A) 2,051 1,629 2,548 3,700 4,089 4,697 5,154 5,775
Lérida(9771) 1,312 1,262 1,833 3,002 3,021 3,612 3,759 4,414

Tabla 50.- Valores de S(%) medios en términos absolutos para las estaciones analizadas

S(%] medio en valor absoluto en cada periodo de retorno

-•—Madrictí3195}
12.000 •*~Sorra(2030)
Murcia(7228)
-^<~Vigo(1495)
-JK—Mol¡na(3013)
-•—Hueiva(4605)
-f—Caldas(0222)
•—Santander(1110)
Salamanca(2867)
«- Algeciras(6006)
León(2661)
^' Castellon(8550A)
4.0
Lérida{9771)
Ln(T) (años)

Figura 26.- Representación gráfica de S{%) medio en términos absolutos frente al LN(T) en
cada una de las estaciones analizadas.

157
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

5.3.3.- ANÁLISIS DE LA ROBUSTEZ DE LAS ESTIMAS.

La robustez de las estimas es quizá el aspecto más importante y más imiovador

de la presente Tesis respecto a la metodología utilizada por el INM,

El método aplicado por el ENM, estima una función de distribución para cada
serie (correspondiente a cada duración) independientemente. Al ser el número de
registros limitado, la probabilidad de que no se incluya xm valor excepcional alto es
notable, y el hecho de que tal valor aparezca o no en la serie influye sensiblemente en la
estima de los cuantiles adimensionales, especialmente en los correspondientes a
períodos de retomo altos.

Sin embargo, el método de regionalización, desarrollado en la presente Tesis,

utiliza una función de distribución para un conjunto de series (series correspondientes a
cortas duraciones o largas duraciones), y al ser la serie más amplia, la probabilidad de
que se incluyan valores excepcionales es mayor que en el método utilizado por el INM.
Además, el hecho de que un valor se incluya o no, influye en menor medida en la estima
de los cuantiles adimensionales ya que habrá otros valores altos, - procedentes de otra
serie, pero que constituyen una serie única para el ajuste ya que forman una región
homogénea- que limitarán el efecto de la eliminación o no eliminación de un único dato.

Evidentemente el efecto de la estabilidad - robustez - de la estima será tanto más

marcado cuanto mayor sea el coeficiente de variación de la muestra, ya que los valores
altos de este estadístico están ligados, en este tipo de variables aleatorias de valores
extremos, a la aparición de valores muéstrales excepcionalmente altos.

Para este análisis se han considerado dos regiones: una en Valls (0034), la región
de largas duraciones, con un coeficiente de variación de 0,44, que presenta un
comportamiento similar a la mayor parte de las regiones consideradas (con valores de
coeficiente de variación entre 0,3 y 0,5) , que no presentan valores extremos anómalos
atendiendo al criterio de Water Resources Council, y que además ha venido
acompañando a lo largo de toda la Tesis en el análisis de resultados.

158
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

Y por otro lado, se ha considerado la región de largas duraciones en la estación

de Figueras (0429) con el coeficiente de variación más alto - 0,85 -. De esta manera se
entiende que se cubre el rango de variabilidad observado en el conjunto de las
estaciones utilizadas.

El objetivo es analizar la influencia de considerar o no, un elemento de la serie

de valores disponibles sobre las estimas finales. Para ello se compararán los cuantiles
adimensionales obtenidos por ambos métodos, y en la medida en que éstos no varíen
cuando se elimina un dato, significará que las estimas son más estables, y por tanto más
robustas.

Por lo tanto, para establecer la comparación entre los dos métodos se planteó el
sigtuénte proceda :

• De los registros adimensionales de la estación de Valls (0034), correspondientes a la

región "largas duraciones", se eliminó un dato, el mayor de la serie, que procedía de
la serie de Intensidades máximas en 720 minutos.
a Se volvió a adimensionalizar dicha serie, ya que al eliminar el dato máximo varia la
media, incorporándose posteriormente al conjimto de registros adimensionales de la
región "largas duraciones" en Valls (0034), pero ya sin un dato.
a Con esa nueva serie se estimaron los parámetros de la función SQRT-máx y se
obtuvieron los cuantiles adimensionales que aparecen en la tabla 51 bajo el nombre
CAT- SIN-

Y para comprobar en qué medida afecta la eliminación de dicho dato a la

metodología propuesta por el INM se establecieron los siguientes pasos:

• Se eliminó de la serie de intensidades máximas en 720 minutos el mismo valor.

• Se adimensionalizó dicha serie.
Q Se ajustó posteriormente a una función SQRT-ET máx y en la tabla 51 se muestra el
cuantíl adimensional deducido, bajo el nombre CAINM-SIN-

159
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

T (años) CAT. TODOS 1 CAT- sm CAlKM-TODOS CAlNM- SIN

2 0,9 0,9 0,90 0,93

5 1,31 1,31 1,30 1,31
10 1,62 1,63 1,60 1,60
25 2,06 2,06 2,02 2,00
50 2,39 2,41 2,35 2,31
100 2,78 2,76 2,71 2,67
200 3,17 3,17 3,10 3,02
500 3,72 3,72 3,62 3,53

Tabla 51.- Cuantiles adimensionales deducidos con todos los datos y al eliminar el mismo dato por
ambas metodologías en la estación de Valls (0034), en la región "largas duraciones".

Donde,
CAT- TODOS , es el Cuantil adimensional deducido en la presente Tesis en la estación de
Valls (0034) en la región de "largas duraciones".
CAT- SIN , es el Cuantil adimensional deducido en la presente Tesis en la estación de
Valls (0034) en la región de "largas duraciones" al eliminar el máximo valor de la serie.
CAiNM- TODOS, es el Cuantil adimensional deducido por el ESiM en la estación de Valls
(0034) en la serie de 720 minutos.
CAiNM- SIN , es el Cuantil adimensional deducido por el INM en la estación de VaUs
(0034) en la serie de 720 minutos al eliminar el máximo valor.

Para evaluar el efecto que tiene en cada metodología, la eliminación de un dato,

se calcularon las diferencias relativas respectivas, en % , y se recogen en la tabla 52.

Si se comparan las diferencias obtenidas por ambas metodologías se observa

claramente que el proceso de regionalización lleva a unas estimas más robustas.

La figura 27 permite apreciar gráficamente esta conclusión, pudiéndose observar

que los cuantiles adimensionales deducidos por el método de regionalización casi son
coincidentes tanto si consideramos todos los valores de la serie, como si se elimina uno,
el máximo- y por el contrario, al utilizar la metodología del INM, los cuantiles

160
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

adimensionales varían al eliminar ese mismo dato. Recuérdese que la estación

seleccionada presenta un Cy que puede considerarse representativo del conjunto de las
estaciones empleadas tanto en la presente Tesis como en el trabajo del INM.

Diferencias relativas (%) Diferencias relativas (%)

Período de retomo (años)
Tesis INM
2 0,0 -3,3
5 0,0 -0,8
10 -0,6 0,0
25 0,0 1,0
50 -0,8 IJ
100 0,7 1,5
200 0,0 2,6
500 0,0 2,5

Tabla 52.- Diferencias relativas (%) en arabas metodologías, al eliminar un dato en la estación de Valls
(0034), en la región "largas duraciones".

Donde:
(^yl —CA
Diferencias relativas(%) Tesis responde a la expresión, —^^^^^^^ ^~^^^ * 100

CA -CA
Diferencias relativas(%) INM responde a la expresión, —^^'-^ODOS _ ^ INM-SIN^ * JQQ
^•^INM-TODOS

-•—CAT-todos
-•—CAT-sin
CA INM- todos
-^e-CAMVKsin

200 400 600

periodo de retorno

Figura 27.- Representación de los cuantiles adimensionales deducidos por en la presente Tesis y por el
INM en la estación de Valls(0034), para la región "largas duraciones".

161
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

Donde,
CAx- TODOS, es el Cuantil adimensional obtenido en el proceso de regionalización de largas
duraciones con todos los datos,
CAT- SIN ,es el Cuantil adimensional obtenido en el proceso de regionalización de largas
duraciones eliminando el máximo de la serie.
CAiNM- TODOS , es el Cuantil adimensional que resulta de ajustar la serie de 720 minutos
dividida por su media a una función SQRT-ET máx.
CAiNM- SIN , es el Cuantil adimensional que resulta de ajustar la serie de 720 minutos
dividida por su media, eliminando el mismo dato que en el proceso de regionalización, a
una función SQRT-ET máx.

A continuación se ofrecen los resultados de comparar la robustez de las estimas

con el mismo proceso descrito anteriormente en la estación de Figueras (0429), en la
región largas duraciones. Esta región, como ya se ha indicado, presenta el coeficiente de
variación más alto de todas las regiones definidas en la presente Tesis.

En las tablas 53 y 54 y en la figura 28se aprecia cómo afecta a los cuantiles

adimensionales el hecho de haber eliminado un solo dato, el máximo, que se
corresponde con la serie de 360 minutos. Al aplicar el proceso de regionalización, los
cuantiles adimensionales obtenidos para cada período de retomo apenas varían,
mientras que en el ajuste que se realiza considerando de manera independiente la serie
de 360 minutos (metodología INM) los cuantiles adimensionales deducidos se ven
afectados en mayor medida.

En la tabla 54 se comprueba que la falta de robustez es más evidente que en el

anterior (Valls (0034)), comportamiento previsible dado el alto Cv de la serie.
T CAT-TODOS CAT-SIN CAiNM-TODOS CAiNM-sm
(años)
2 0,83 0,82 0,82 0,78
5 1,31 1,29 1,32 1,22
10 1,69 1,67 1,70 1,56
25 2,22 2,18 2,26 2,02

162
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

T CAT- TODOS CAi. SIN C AD-ÍM- TODOS C AnsiM- SIN

(años)
50 2,67 2,61 2,71 2,41
100 3,13 3,06 3,17 2,82
200 3,62 3,54 3,70 3,27
500 4,36 4,24 4,43 3,90

Tabla 53,- Cuantiles adimensionales deducidos con todos los datos y ai eliminar el mismo dato por
ambas metodologías en la estación de Figueras (0429).

Período de Diferencias relativas Diferencias relativas

retomo (años)
(%)Tesis (%)INM
2 1,2 4,9
5 1,5 7,6
10 1,2 8,2
25 1,8 10,6
50 2,2 11,1
100 2,2 11,0
200 2,2 11,6
500 2,8 12

Tabla S4.-Diferencias relativas {%) obtenidas por ambas metodologías en la estación de Figueras (0429)
para la región "largas duraciones".

•CA-T todos
-CA-Tsin
CA-INM todos
-CA-INM sin

200 300 400 600

período de retomo (años)

Figura 28.- Representación de los cuantiles adimensionales deducidos por en la presente Tesis y por el
INM en la estación de Figueras(00429), para la región "largas duraciones".

163
 ESTACIONES CON PLUVIÓGRAFO. DISCUSIÓN

5.3.4.-CONCLUSIÓN.

• Las estimas obtenidas con la metodoiogia propuesta por el

M recogida en la presente Tesis no difieren
mucho aunque las proporcionadas aquí son más
conservadoras, situándose por tanto del lado de la
seguridad.
® Las estimas obtenidas en la metodología propuesta en esta
Tesis son más robustas - estables - que las proporcionadas
porelINM.

164
 ESTACIONES CON PLUVIÓGRAFO. CONCLUSIONES

5.4.-CONCLÜSIONES.

Tras el estudio de las series de Intensidades máximas para distintas duraciones,

en las estaciones que disponen de pluviógrafo, se pueden extraer una serie de
conclusiones:

• Se ha podido aplicar el método de regionalización en cada estación,

dando lugar a dos regiones homogéneas - de cortas duraciones (<60
minutos) y de largas duraciones(>60 minutos)-.

• En cada región se ha podido aplicar el método de estimación de

parámetros más adecuado para estimar cuantiles con un criterio
conservador.

La función SQRT-ET máx es una función que permite describir

adecuadamente el comportamiento de la variable aleatoria intensidad
máxima anual.

• La metodología ofrecida en la presente Tesis proporciona estimas más

robustas y conservadoras que la empleada por el INM.

• El modelo I-D elegido, si bien es similar al de la Instrucción 5.2-IC

iiicorpóra un parámetro adicional - a- que lo dota de mayor flexibihdad
ante la variabilidad espacial observada.

165
6.-ESTACIONES SIN PLUVIÓGRAFO
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

6.1.-MATERIAL Y MÉTODOS.

6.1.1,-DATOS DISPONIBLES.

En una estación que sólo cuenta con pluviómetro, los datos disponibles son las
seríes de precipitaciones máximas diarias anuales. Además, a partir del trabajo
publicado por el Ministerio de Fomento y Dirección General de Carreteras (1999),
"Máximas lluvias diarias en la España Peninsular", se puede deducir la precipitación
máxima diaria anual para cualquier período de retomo, PMDA(T), en cualquier punto
de la España Peninsular, mediante la expresión:
PMBA (T) = CA(T)p * PMDA
Donde:
CA(T) ' ^^ ^^ cuantil adimensional para un período de retomo T
siguiendo los resultados de Ferrer para la localización
considerada, publicados en "Máximas lluvias diarias en la España
Peninsular"(1999).

PMDA ^ es la precipitación máxima diaria anual media para la

localización considerada.

Por otra parte, el dato de precipitación máxima diaria anual para cualquier
período de retomo se puede traducir en intensidad máxima en 24 horas para cualquier
período de retomo, simplemente multiplicando PMDA(T) por el factor 1,13 y
dividiéndolo entre la duración, 24 horas.
^,-. „ _ PMDAjT)* 1,13
/(24,/)
Donde,
1,13 , es un factor de mayoración aceptado, que permite calcular la precipitación
máxima en 24 horas a partir de datos diarios.

166
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Por lo tanto:

En toda la España Peninsular se puede obtener el dato de intensidad

máxima en 24 horas para cualquier período de retorno a partir de "Máximas
lluvias diarias en la Espam Peninsular "(1999)

6.1.2.-HIPOTESIS DE PARXroA.

En un sentido estricto, la relación ^ ' ^ que se ha obtenido en las estaciones

con pluviógrafo no es generalizable a las estaciones que carezcan de él debido

precisamente a la ausencia de datos de intensidades máximas para distintas duraciones
en esas estaciones y por tanto, al desconocimiento de su comportamiento o de su
relación entre magnitudes.

Por otra parte, es importante insistir que las estaciones con pluviógrafo
disponibles en España son escasas, y además, es un problema que no se puede
solucionar a corto plazo, ya que, independientemente del coste de su instalación y
mantenimiento, digitalización de las bandas..., se requiere que transcurra un número
suficiente de años como para que los datos máximos anuales recogidos sean
representativos. Como no es posible, por lo menos a corto plazo, resolver este problema,
cualquier intento de extrapolar los resultados obtenidos en estaciones con pluviógrafo a
estaciones que carecen de él queda justificado completamente desde el momento en que
se necesite estimar el valor de la intensidad máxima, correspondiente a una duración, y
para distintos períodos de retomo.

Para tratar de cubrir el objetivo planteado en la presente Tesis relativo a la

determinación de la Intensidad máxima para cada duración y período de retomo en la

España Peninsular, se plantea como hipótesis de partida que la relación ' ^

7(24, r)
deducida en la presente Tesis para estaciones que disponen de pluviógrafo es válida en
todos los puntos del territorio peninsular.

167
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

A continuación se presenta un esquema del proceso seguido para analizar las

estaciones sin pluviógrafo, esquema 8, tal y como se realizó también en las estaciones
con pluviógrafo, y posteriormente se irá analizando y desarrollando cada uno de los
epígrafes planteados.

Esqaema 8.- Esquema del análisis realizado en estaciones sin pluviógrafo.

Hipótesis de partida:
La relación lidj) deducida en estaciones con pluviógrafo es válida en todo
I(24,T}

ei territorio peninsular.

I(24;T)

Criterios para seleccionar Criterios para extender la iey ID.

cuantiles

Obtención de I(d,T)
en cualquier punto de la España Peninsular

168
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

6.1.3.-CRITERIOS PARA ABORDAR EL PROBLEMA.

En una estación que dispone de pluviógrafo, la expresión deducida

anteriormente, y que permite relacionar las intensidades máximas para una duración
cualquiera y para 24 horas es la siguiente:
l(d;T)
I(24;T) ^ CA'^ilA-Tyi^ CA'^ilA-T) ^
Donde, PG, es pluviógrafo
CA^^ (d,T), es el cuantil adimensional deducido en una estación con pluviógrafo
para una duración y un período de retomo determinados.
Lógicamente, para duraciones inferiores o iguales a 60 minutos habrá que
considerar el cuantil adimensional deducido en la región "cortas duraciones", y
para duraciones mayores de 60 minutos habrá que considerar el cuantil
adimensional correspondiente a la región "largas duraciones" en la estación
con pluviógrafo considerada.
CA^^ (24,T), es el cuantil adimensional en una estación con pluviógrafo para una
duración de 24 horas, y el período de retomo "T", y que se corresponderá por tanto
con el de la región "largas duraciones".
g (d), es la expresión I-D, que relaciona el cociente de la intensidad máxima
media de cada duración y la de 24 horas con la duración, deducida en la estación
con pluviógrafo.

En función de la hipótesis de partida, la expresión que relaciona ambas intensidades

en otro punto "P" es la misma:
" Iid;T) 1 ^ CA\d;T) ,
/(24;r)J^ CA^IAJ)
De todos estos parámetros:
> CA^(24,T), cuantil que se puede obtener en "Máximas lluvias diarias en la
España Peninsular"(1999).
> g^(d) , expresión que no está disponible en estaciones que carecen de
pluviógrafo, y que por tanto carecen de datos de intensidad máxima media para
distintas duraciones.

169
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

> CA^(d,T) cuantil que no se puede conocer puesto que no hay datos de intensidad
máxima para distintas duraciones en estaciones que no disponen de pluviógrafo.
Parece por lo tanto adecuado establecer unos criterios para tratar de extender los
resultados obtenidos en las estaciones con pluviógrafo a todos los puntos de la España
Peninsular.

6.1.3.1.-Criterio para extender la ley I-D.

Para extender la relación I-D deducida en las estaciones con pluviógrafo al resto
de las estaciones, se plantean tres soluciones que el usuario deberá adoptar en función
de las características de la zona en estudio:

• Si la estación con pluviómetro se encuentra muy próxima a ima estación con

pluviógrafo y las características de su situación, orientación .. permiten deducir que
las condiciones climáticas no varían desde la estación con pluviógrafo hasta ella, se
podrán asumir las relaciones deducidas en la estación con pluviógrafo.
24°-¿°

Donde:
K, es el parámetro K deducido en la estación con pluviógrafo próxima,
a, es el parámetro "a" deducido en la estación con pluviógrafo próxima,
"d" la duración (horas) considerada.

o Si la estación se encuentra próxima a varias estaciones con pluviógrafo se podrán

obtener los parámetros necesarios para calcular I-D ponderando en función de la
distancia a cada una de las estaciones.

„PONDERADO ^i ,, j^-PONDERADO *^i

a =- yK =
t i

Aplicando para ello como criterio de ponderación el inverso del cuadrado de la

distancia, y por tanto la expresión g(d) pasará a adoptar la siguiente expresión:
24 —a

170
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

Q La tercera opción consistirá en trazar unos mapas de isolíneas de los parámetros que
se requieren para determinar I-D, a partir de los datos de las estaciones con
pluviógrafo.

Para poder aplicar esta última opción se presentará en resultados un mapa de

isolíneas, para cada parámetro, "K" y "a" de la función g(d).

6.1.3.2.-Criterío para seleccionar cuantiles.

A partir de la expresión aceptada en la hipótesis de partida

I(d;T) CA^(d;T)
1(24; J) jp CA'ilAJ)

se puede determinar I(d,T)p, despejando en la expresión anterior:

mr), = I(24,T), * ^ ^ ^ *g'id) = CA\24,T)* iL * " ^ ^ ^ *s'id)

Expresión en la que se puede simplificar CA^(24,T), y queda por tanto:

lidj) = lí*CA^(d,T)'^g^(d)
Donde:
J^^, es la Intensidad máxima anual media en 24 horas...CONOCIDO.

Este valor puede obtenerse a partir del mapa de isolíneas de PMDA,

incluidos en "Máximas lluvias diarias en la España Peninsular".
-¡^PMDA^* 1,13
'''^ 24

g^(d), es la expresión I-D y que en función del criterio establecido en el epígrafe

anterior pasa a ser...CONOCIDO.

171
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

CA^ (d, T), es el cuantil adimensional para una duración y período de retomo en
el punto "P" considerado, y que atendiendo a la expresión deducida en
estaciones con pluviógrafo se corresponde con:
CAL(T) si d>lhora
CAc(T) si d ^ 1 hora \• ®" ^' P""*° considerado DESCONOCIDO

Para resolver este problema, se baraja como solución buscar una función, "h"
que relacione los cuantiles adimensionales que no se conocen - C4f (7')y CA^iT)- con
algún cuantil conocido.

El procediniíentó propuesto puede sintetizarse como sigue:

• En las estaciones con pluviógrafo se obtienen las funciones

G4(r)f
CA{T),

CAiT),
en donde se ha definido con el subíndice F, el cuantil adimensional para un
período de retorno T (años) requerido para la estimación de máximas lluvias
diarias.
CA(T) CA(T)
Q Aceptando que esas funciones reproducen la relación ^ , ^^ , y —^^-^
CJ(Th CATh
de toda la España Peninsular, ya que los datos de las estaciones con
pluviógrafo cubren razonablemente la variabilidad climática en ese ámbito
territorial, se puede obtener CA(T)L y CA(T)c para cualquier punto "P"
simplemente despejando de la relación:
CA{T)l=h,iTrCA{T);
CA{T)l=h^{TYCA{TY,

Con ello, el término correspondiente a los cuantiles adimensionales

pasaría a ser conocido y por lo tanto quedaría resuelto el problema de

172
 ESTACIONES SIN PLUVIÓGRAFO. MATERIAL Y MÉTODOS

estimación de las intensidades máximas para distintas duraciones y períodos

de retomo.

Además, el hecho de establecer la relación de cuantiles, CA(T)L y CA(T)c , con el

CA(T)F, presenta una ventaja añadida y es, que estos últimos se han deducido con una
red muy numerosa de estaciones, y por lo tanto estos cuantiles serán robustos.

6.1.4..0BTENCION DE LAS INTENSIDADES MÁXIMAS PARA CADA

DURACIÓN Y PERÍODO DE RETORNO.

La expresión a utilizar sería la siguiente:

24 ^' k(f)*ci(r)?

Expresión en la que todos sus términos pasan a ser conocidos.

Donde,
PMDA^, es la precipitación máxima diaria anual media correspondiente al
punto considerado, obtenida en "Máximas lluvias en la España
Pemnsular"(1999).
CA{TYP , es el cuantil adimensional para la estimación de la precipitación
máxima diaria anual y para el período de retomo considerado, que se puede
obtener en la misma monografía citada anteriormente.
g^ (d) , es la función I-D, con los parámetros deducidos en la
estación/estaciones con pluviógrafo próximas, o bien de los mapas de iso-
líneas deducidos a partir de ellos.
hL(T) y hc(T), funciones que relacionan los cuantiles adimensionales para
largas y cortas duraciones, con los correspondientes a lluvias diarias,
recogidos estos últimos también en "Máximas lluvias diarias en la España
Peninsular".

173
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

6.2.-RESÜLTADOS.

En las estaciones que no disponen de pluviógrafo se presentará, como resultados,

un mapa interactivo de isolíneas de los parámetros requeridos para la función I-D, así
como el estudio de la función "h" adecuada para poder determinar los cuantiles
adimensionales para una duración y período de retomo en estas estaciones.

6.2.1.- MAPA DE ISOLÍNEAS DE LOS PARÁMETROS "K" Y *'a".

Los parámetros "K" y "a" de la función I-D en las estaciones que disponen de
pluviógrafo toman valores entre 4 y 13,8, y para analizar cuales son los valores más
frecuentes se han establecido unos intervalos y se ha comprobado el número de
estaciones dentro de cada uno de ellos, figura 29. Se observa que los valores más
frecuentes se encuentran en el intervalo (8-10) en diecinueve estaciones.

Figura 29.- Número de estaciones con el mismo valor de "K".

Intervalos n'^de 00 -
estaciones
(4-6) 7 i 15J
o
(6-8) 10 "3 y-
S 10- '
(8-10) 19 6)
0)
(10-12) 18 '-••
•O 5 • - -
n2-i4) 8 O
C

(4-6) (6-8) (8-10) (10-12) (12-14)

valor de "k"

En la tabla 55, llama la atención la presencia de algunos valores muy bajos,

respecto a los valores obtenidos en la Instrucción 5.2- IC "Drenaje Superficial (1990),
(figura 4 en pág. 44) donde los valores de "K" estaban comprendidos entre 8 y 13.
También es cierto que, de las estaciones con valores de "K" bajos actualmente
manejadas, solamente se disponía de la estación de Guadarranque (6024) para realizar el
mapa de isolíneas de la citada Instrucción.

174
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Estación Nombre K
5911 Grazalema 4,0
2462 Navacerrada 4,7
4245 Guadalupe 4,8
1428 Santiago 5,0
2633 P,Ponim 5,5
1212 Amao 5,6
6024 Guadarranque 5,7

Tabla 55.-Estaciones con menor valor de "K" de todas las estaciones disponibles.

Se comprueba además, que las mismas estaciones destacadas anteriormente son

las que presentan los valores de "a" más bajos, tabla 56:

Estación Nombre a
4245 Guadalupe -0,1250
1212 Arnao -0,0489
2462 Navacerrada -0,0418
5911 Grazalema -0.0405
1428 Santiago 0,0089
2633 P, Forma 0,0128
6024 Guadarranque 0,1057

Tabla 56.-Estadones con menor valor de "a" de todas las estaciones disponibles.

Si se analiza también los valores más frecuentes de "a", y para ello se establecen
unos intervalos, figura 30, el valor más frecuente se encuentra en el intervalo [0,1-
0,125] en 15 estaciones.

Intervalos de n°de
"a" estaciones Ifi -,
<0 4
0-0.025 3 i 12.
1 10-
0.025-0.05 2 1 8-
0.05-0.075 7
? 4- '
0.075-0.1 10
0.1-0.125 15 = 2-
0.125-0.15 10
1 1
0.15-0.175 4 ^0 0.0^5,0,0, '-"'Hr ''''H,s '-''^.2
0.175-0.2 4 intervalo de valores de "a"
>0.2 4

Figura 30.- Número de estaciones con el mismo valor de "a".

175
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Conviene destacar que las estaciones con valores bajos de "K" y "a" no guardan
proximidad geográfica, presentando por el contrario cambios significativos respecto a
ias estaciones de su entorno. Esto tiene importantes consecuencias a la hora de intentar
generar isolíneas de estos parámetros, ya que estas siete estaciones producirán
gradientes muy marcados. A modo de ejemplo se puede observar el mapa 4 en el que se
han trazado isolíneas del valor de "K" a partir de los datos de la estación de Madrid y
estaciones próximas.

TT?

Mapa 4.-Gradientes originados en las proximidades de Madrid como consecuencia de las variaciones del
parámetro "K" en las estaciones próximas.

Cabe preguntarse si ese comportamiento es local y por tanto su uso debe

limitarse exclusivamente a la estación en concreto, o por el contrario puede utilizarse
dicho valor para la obtención de isolíneas. Para analizar con detalle estas estaciones se
realizaron dos estudios:

a) En primer lugar se incorporó un grid de relieve al mapa de estaciones, que se

recoge en el mapa 5, con el fin de estudiar su ubicación y ver si era posible
que la influencia de algún parámetro de orientación o de altitud de la
estación justificara el cambio de valor respecto a estaciones próximas. Se
comprobó que cinco de las siete estaciones se corresponden con
emplazamientos de montaña, Grazalema (5911) en la Sierra de Grazalema,

176
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Navacerrada (2462) en la sierra de Guadarrama, Guadalupe (4245) en la

Sierra de Guadalupe, P.Porma (2633) en Picos de Mampodre, y
Guadarranque (6024) en las estribaciones de la Serranía de Ronda, aunque
esta característica no es aplicable ni a Santiago (1428) - aunque se encuentra
en un enclave rodeado de cadenas montañosas- ni a Arnao (1212) que se
encuentra muy próximo a la costa.

En la tabla 57 queda recogida la cota de las estaciones analizadas. Todas ellas se

encuentran a una cota importante excepto Guadarranque (6024), Santiago (1428), y
Amao(1212).

Mapa 5 - Mapa de relieve junto con las estaciones disponibles en la España Peninsular. En rojo las
estaciones con un valor de "K" más bajo,

177
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Estación Código Cota(m)

Grazalema 5911 995
Navacerrada 2462 1722
Guadalupe 4245 552
Santiago 1428 334
P-Porma 2633 1073
Amao 1212(e) 15
Guadarranque 6024 212

Tabla 57.- Cota de situación de las estaciones con los parámetros "K" y "a" más bajos.

b) En segundo lugar se comparó el valor de "R" - índice de Erosión Pluvial en la

ecuación universal de pérdidas de suelo-, y el índice de Agresividad de la lluvia de
Foumier "F"^ obtenidos en estas estaciones y en estaciones próximas. Estos factores
evalúan aspectos erosivos de los aguaceros y están vinculados a valores extremos de
precipitación, -I30 en el caso del factor R- y el cociente de la precipitación máxima
mensual entre la anual, en el caso del índice Foumier "F". Si estos parámetros son
también diferentes respecto a las estaciones próximas confirmaría la peculiaridad del
comportamiento de la precipitación en estas estaciones.

Los factores que se obtienen se recogen en la tabla 58, tabla en la que se ha

asociado un mismo color a cada una de las siete estaciones que presentan valores bajos
de los parámetros de la curva I-D, y a la estación/estaciones próximas con las que se
compara.

Se puede comprobar que las estaciones objeto de estudio también presentan

diferencias en los parámetros "F" y "R" respecto a las estaciones con las que se
compara, salvo en Amao(1212e) - que se compara con Gijón (1208) y Ranón(1212)-, y
P-Porma -que se compara con Compuerto (2363)-. En ambos casos las estaciones con

' "Agresividad de la lluvia en España. Valores del factor R en la ecuación universal de pérdidas de suelo",
ICONA(1988)

178
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

que se comparan se encuentran muy próximas a la estación en estudio y los parámetros

apenas varían. Para ver la situación de las mismas se puede consultar el mapa 6.

Estación Código F R Estación Código F R

Grazalema 5911 171 540 Ronda 6032 64 151
Navacerrada 2462 70 194 Avila 2444 19 73
Guadalupe 4245 61 125 Cáceres 3469 41 75
Santiago 1428 105 306 La Coruña 1387 39 125
P-Porma 2633 50 150 Compuerto 2363 49 142
Amao 1212 40 123 Gíjón 1208 36 115
Guadarranque 6024 120 221 Ranón 1212(e) 36 97
Algeciras 6006 104 340
Gaucín 6050 104 305

Tabla 58.- Factores F y R en las estaciones estudiadas y con las que se quiere comparar por su
proximidad.

'J' Guadarranque
Algeciras
A t ^:^

Mapa 6.-Estaciones analizadas, junto con las estaciones con las que se compara.

179
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Todo ello induce a pensar que estas estaciones, y como combinación de una
serie de factores orográfícos y/o climáticos presentan un comportamiento diferente
respecto de las estaciones próximas. Por ello, a la hora de trazar un mapa de isolíneas se
decide eliminar esas estaciones- Guadalupe (4245), Navacerrada (2462),
Grazalema(5911), P.Porma (2633) y Guadarranque (6024) Santiago (1428) y Amao
(1212)- del proceso general del trazado de isolíneas. En el mapa aparecerán unas áreas
sombreadas, correspondientes a esas zonas de incertidumbre: Santiago (1428), Amao
(1212) y las cadenas montañosas correspondientes en los otros casos.

El usuario, dependiendo de la situación de la estación en estudio, deberá decidir

si utiliza los valores de la isolínea correspondiente, o los de la estación próxima.

Teniendo en cuenta las consideraciones antes expuestas, se presentan los mapas

7 y 8 de isolíneas de los parámetros "K" y "a" , realizados en Arc-view utilizando como
método de interpolación el método SPLENE, y tomando para cada celda del grid las seis
estaciones más próximas.

En el apéndice III se incluye un análisis de sensibilidad de los parámetros "K" y

"a", del que se traen aqui las principales conclusiones:

Conclusiones:

• Los errores relativos que se derivan de estimar incorrectamente el valor de "K"

son mayores que los errores que se derivan de la estimación incorrecta de "a",
en términos absolutos,
• Sin embargo, es más difícil cometer errores en K que en "a", por el rango de
• valojnes que adopta en España:

Por lo tanto a la hora de estimar ambos valores de "K" y de "a" hay

que ser muy éuidadoso, pero sobre todo én la adopción del valor de "a".

180
 ttiT'»»
MAPA DE ISOLINEAS "K
M 00,000 100,000 200,000 300.000 400,000 500,000 600.000 700,000 800.000 900,000 1,000,000 1,1X,000
—I—

/\y\so\\nea K
+ • Estación pluviográfica
Área de incertidumbre {*)

tíi

-*(•**'''

Mapa 7.- Mapa de Isolíneas "K"

'^
Escala 1:4.500.000
50000 O 50000 100000 Metros
-100,000 100,000 200,000 300,000 400,000 500,000 600,000 700,000 800,000 900,000 1,000,000 1,100,000

UTM referidas al huso 30

('). Ver epígrafe 6.2.1 dei texto
 ft^f»
MAPA DE ISOLINEAS "a
-100.000 100,000 200,000 300,000 400.000 500,000 600,000 700,000 800,000 900,000 1,000,000 1,100,000

/ \ / Isolínea a
• Estación pluviográfica
Área de incertidumbre (*)

c:j

..^^f
Mapa 8.- Mapa de Isolíneas "a"
+ Escala 1:4.500.000
50000 O 50000 100000 Metros
•100,000 100,000 200,000 300,000 400,000 500,000 600.000 700,000 800,000 900,000 1,000,000 1,100,000

UTM referidas al huso 30

(*). Ver epígrafe 6.2.1 del texto
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

6.2.2.- FUNCIONES h{T).

Para poder obtener una función adecuada, "h(T)", función del período de
retomo, y que en la presente Tesis coincide con el cociente de cuantiles adimensionales,
se calculó en cada estación con pluviógrafo el cociente CAC(T)/CAF(T) y
CAL(T)/CAF(T), que se recogen en las tablas 59 y 60.

Donde,
CAc(T), es el cuantil adimensional para la estimación de intensidades máximas
correspondientes a cortas duraciones y al período de retomo de T años en la
estación con pluviógrafo considerada.
CAL(T) , es el cuantil adimensional para la estimación de intensidades máximas
correspondientes a largas duraciones y al período de retomo de T años en la
estación con pluviógrafo considerada
CAF(T) , es el cuantil adimensional para la estimación de precipitaciones máximas
anuales correspondientes al período de retomo de T años en esa misma estación
obtenido en "Máximas lluvias diarias en la España Peninsular" (1999).

Período de retomo (años)

Estación 2 5 10 25 50 100 200 500
34 1,0045 1,0518 1,0846 1,1105 1,1239 1,1369 1,1474 1,1652
111 1,0341 0,9864 0,9584 0,9299 0,9181 0,9072 0,8900 0,8824
201 1,0156 0,9812 0,9813 0,9614 0,9596 0,9474 0,9465 0,9409
222 0,9821 1,0597 1,1039 1,1414 1,1684 1,1910 1,2053 1,2351
225 1,0268 0,9733 0,9490 0,9203 0,9151 0,8933 0,8887 0,8797
370 1,0268 0,9812 0,9619 0,9357 0,9240 0,9165 0,9091 0,9030
429 1,0045 1,0047 1,0200 1,0180 1,0173 1,0247 1,0283 1,0283
1024 1,0033 1,0065 1,0062 1,0067 1,0089 1,0127 1,1493 1,0159
1082 0,9847 1,0484 1,1028 1,1378 1,1647 1,1947 1,2113 1,2409
1110 0,9847 1,0323 1,0756 1,1043 1,1257 1,1388 1,1540 1,1745
1208 1,0206 1,0271 1,0292 1,0335 1,0403 1,0405 1,0444 1,0526
1212 1,0206 1,0271 1,0292 1,0277 1,0301 1,0270 1,0282 1,0385
1387 0,9989 1,0189 1,0153 1,0219 1,0301 1,0315 1,0363 1,0456
1428 0,9772 1,0600 1,0987 1,1432 1,1780 1,2027 1,2258 1,2504
1495 0,9989 1,0682 1,1057 1,1432 1,1780 1,2027 1,2177 1,2469
1496 1,0098 1,0271 1,0501 1,0681 1,0811 1,0856 1,0927 1,1056
1499 0,9555 1,1093 1,1822 1,2818 1,3412 1,3874 1,4274 1,4836
1549 0,9601 1,0918 1,1661 1,2456 1,2898 1,3433 1,3777 1,4317
2030 0,9772 1,0518 1,0987 1,1432 1,1678 1,1937 1,2177 1,2469
2139 0,9385 1,1166 1,2155 1,3286 1,3943 1,4552 1,5075 1,5712
2243 0,9795 1,0899 1,1571 1,2208 1,2580 1,3060 1,3322 1,3744
2331 0.9871 1,0351 1,0614 1,0854 1,1003 1.1074 1,1280 1,1453

183
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Período de retomo (años)

Estación 2 5 10 25 50 100 200 500
2363 0,9688 1,0899 1,1643 1,2328 1,2792 1,3251 1,3535 1,3969
2422 0,9881 1,0353 1,0640 1,0970 1,1219 1,1306 1,1452 1,1692
2444 0,9229 1,0764 1,1613 1,2471 1,3106 1,3514 1,3992 1,4553
2462 0,9989 1,0271 1,0501 1,0739 1,0913 1,0946 1,1048 1,1197
2614 0,9663 1,0929 1,1613 1,2356 1,2902 1,3243 1.3589 1,4129
2633 0,9709 1,0670 1,1307 1.1862 1,2272 1,2640 1,2898 1,3289
2661 0,9601 1,1001 1,1802 1,2811 1,3211 1,3806 1,4196 1,4684
2867 0,9632 1,0882 1,1665 1,2347 1.2902 1,3247 1,3599 1,4111
3013 1,0011 1,0531 1,0858 1,1219 1,1452 1,1506 1,1644 1,1860
3195 0,9416 1,0800 1,1595 1,2347 1,3005 1,3431 1,3763 1,4219
3196 0,9848 1,0305 1,0611 1,0891 1,1192 1,1270 1,1339 1,1526
3200 0,9848 1,0387 1,0752 1,1066 1,1399 1,1546 1,1668 1,1813
3259 0,9848 1,0470 1,0892 1,1241 1,1606 1,1822 1,1915 1,2172
3469 0,9902 1,0286 1,0581 1,0876 1,1050 1,1151 1,1248 1,1445
4121 0,9160 1,1120 1,2115 1,3217 1,3947 1,4599 1,5091 1,5814
4245 1,0226 1,0483 1,0643 1,0712 1,0828 1,0915 1,0974 1,1115
4452 0,9817 1,0505 1,0954 1,1388 1,1697 1,1894 1,2060 1,2372
4478 1,0032 1,0174 1,0106 1,0202 1,0235 1,0261 1,0343 1,0352
4605 1,0088 1,0137 1,0243 1,0343 1,0370 1,0395 1,0439 1,0466
5530 0,9956 1.0405 1,0832 1,1040 1.1178 1,1371 1,1536 1.1692
5911 1,0341 0,9703 0,9316 0,9027 0.8803 0,8656 0.8456 0,8408
6006 1,0011 1,0024 0,9987 0,9897 0,9938 0,9863 0,9934 0,9910
6024 0,9791 1,0505 1,0992 1,1310 1.1595 1,1819 1,2001 1,2276
6120 0,9284 1,0642 1,1381 1,2086 1,2451 1,2804 1,3175 1,3480
6172 0,9438 1,0628 1,1160 1,1809 1,2126 1,2445 1,2686 1,3026
7031 1,0079 1,0146 1,0215 1,0251 1,0230 1,0302 1,0342 1,0345
7228 0,9966 1,0453 1,0585 1,0832 1,0887 1,1012 1,1118 1,1266
8025 1,0079 1,0453 1,0646 1,0832 1.0970 1,1083 1,1180 1,1266
8175 0,9823 1,0518 1,1015 1,1435 1,1707 1,1915 1,2092 1,2418
8416 1,0306 1,0069 0,9969 0,9768 0,9737 0,9663 0,9689 0,9581
8500a 0,9853 1,0146 1,0277 1,0348 1,0477 1,0515 1,0590 1,0634
9121 0,9555 1,1175 1,2031 1,3048 1,3717 1,4189 1,4677 1,5260
9148 0,9555 1,0764 1,1474 1,2125 1,2596 1,2973 1,3266 1,3776
9171 0,9924 1,0552 1,1020 1,1361 1,1622 1,1881 1,2058 1,2259
9434 0,9681 1,0666 1,1193 1,1746 1,2068 1,2318 1,2592 1,2916
9443 1,0121 1,0585 1,0992 1,1202 1,1406 1,1569 1.1780 1,1957
9771 0,9934 1,0916 1,1480 1,2190 1,2453 1,2818 1,2999 1,3421
9898 0,9737 1,1532 1,2594 1,3664 1,4327 1,4912 1,5285 1,5992
9980a 1,0379 1,0283 1,0329 1,0283 1,0262 1,0325 1,0283 1,0283
9981 1,0156 1,0126 1,0200 1,0180 1,0173 1,0247 1,0215 1,0283
6325o 0,9605 1,0563 1,1056 1,1452 1,1735 1,1957 1,2167 1,2386

Tabla 59.-Valores del cociente CAe(T)/CAF(T) en las estaciones con pluviógrafo.

184
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Período de retomo (años)

Estación 2 5 10 25 50 100 200 500
34 1,0156 0,9969 0,9942 0,9871 0,9862 0,9783 0,9806 0,9758
111 1,0121 1,0024 0,9987 0,9897 0,9844 0,9863 0,9860 0,9910
201 0.9821 1,0440 1.0846 1,1208 1,1417 1,1601 1,1747 1,1885
222 1,0045 1,0440 1,0781 1,1003 1,1151 1,1292 1,1406 1,1535
225 0,9821 1,0518 1,0846 1,1208 1,1417 1,1601 1,1815 1,1885
370 1,0045 1.0047 1,0200 1,0180 1,0173 1,0247 1,0215 1,0224
429 0,9263 1,0283 1,0910 1,1414 1,1861 1,2104 1,2326 1,2700
1024 1,0142 1,0065 0,9993 0,9955 0,9990 0,9996 1,1229 0,9888
1082 0,9409 0,9919 1,0211 1,0429 1,0624 1,0786 1,0852 1,1048
1110 1,0175 1,0000 1,0007 0,9927 0,9644 0,9841 0,9820 0,9821
1208 0,9772 1,0518 1,0918 1,1316 1,1627 1,1757 1,2016 1,2257
1212 0,9989 1,0107 1,0083 1,0162 1,0199 1,0270 1,0282 1,0314
1387 1,0098 1,0107 1,0014 1,0046 1,0097 1,0090 1,0040 1,0102
1428 1,0098 0,9532 0,9110 0,8634 0,8669 0,8468 0,8387 0,8230
1495 1,0206 1,0435 1,0640 1,0855 1,1015 1,1036 1,1129 1,1339
1496 1,0206 1,0025 0,9875 0,9815 0,9842 0,9730 0,9718 0,9679
1499 1,0098 0,9860 0,9597 0,9527 0,9434 0,9279 0,9234 0,9219
1549 1,0140 1,0091 1,0035 1,0024 1,0026 0,9981 1,0008 0,9985
2030 0,9989 1,0271 1,0431 1,0566 1,0709 1,0766 1,0847 1,1021
2139 0,9817 1,0256 1,0459 1,0735 1,0862 1,0961 1,1097 1,1307
2243 1,0118 0,9983 0,9857 0,9814 0,9766 0,9724 0,9735 0,9651
2331 0,9979 1,0601 1,1047 1,1463 1,1650 1,1847 1,2021 1,2337
2363 1,0118 0,9734 0,9571 0,9396 0,9236 0,9199 0,9052 0,8975
2422 1,0098 1,0435 1,0709 1,0970 1,1219 1,1216 1,1371 1,1551
2444 0,9446 1,0271 1,0709 1,1259 1,1627 1,1847 1,2097 1,2398
2462 1,0098 1,0846 1,1196 1,1663 1,1882 1,2117 1,2339 1,2575
2614 1,0098 1,0107 1,0083 1,0104 1,0097 1,0090 1,0121 1,0173
2633 1,0248 1,0256 1,0247 1,0261 1,0235 1,0261 1,0260 1,0279
2661 0,9493 0,9843 0,9965 1,0142 1,0235 1,0354 1,0427 1,0573
2867 0,9848 0,9893 0,9838 0,9785 0,9896 0,9936 0,9819 0,9838
3013 1,0120 1,0204 1,0235 1,0361 1,0347 1,0351 1,0416 1,0443
3195 1,0065 1,0140 1,0190 1,0192 1,0363 1,0396 1,0312 1,0341
3196 0,9848 1,0305 1,0471 1,0658 1,0881 1,0994 1,1052 1,1203
3200 0,9957 1,0387 1,0682 1,0891 1,1192 1,1270 1,1339 1,1454
3259 1,0065 1,0552 1,0892 1,1124 1,1399 1,1546 1,1668 1,1885
3469 0,9902 1,0204 1,0443 1,0590 1,0748 1,0795 1,0851 1,1030
4121 1,0251 1,0065 0,9925 0,9786 0,9792 0,9733 0,9685 0,9617
4245 1,0334 1,0399 1,0600 1,0533 1,0510 1,0677 1,0632 1,0665
4452 0,9385 1,1249 1,2226 1,3523 1,4151 1,4785 1,5327 1,6116
4478 0,9924 1,0256 1,0459 1,0676 1,0757 1,0961 1,1013 1,1160
4605 0,9868 1,0137 1,0445 1,0675 1,0754 1,0904 1,0965 1,1118
5530 0,9956 1,0326 1,0700 1,0828 1,0994 1,1129 1,1321 1,1446
5911 1,0231 0,9783 0,9517 0,9244 0,9134 0,8989 0,8900 0,8760
6006 1,0451 0,9463 0,8914 0,8428 0,8093 0,7865 0,7681 0,7449
6024 0,9901 1,0505 1,0925 1,1310 1,1500 1,1652 1,1854 1,2084
6120 0,9172 1,0876 1,1765 1,2596 1,3152 1,3602 1,4080 1,4482
6172 1,0449 1,0240 1,0219 1,0164 1,0034 1,0007 0,9942 0,9956
7031 0,9400 1,0223 1,0585 1,1025 1,1175 1,1403 1,1615 1,1766
7228 1,0079 1,0069 1,0031 1,0058 0,9984 0,9947 0,9969 1,0003

185
 ESTACIONES SIN PLUVIÓGRAFO. RESULTADOS

Período de retorno (años)

Estación 2 5 10 25 50 100 200 500
8025 0,9513 1,0607 1,1138 1,1654 1,1997 1,2256 1,2422 1,2688
8175 0,9934 1,0199 1,0484 1,0680 1,0681 1,0887 1,0966 1,1069
8416 1,0079 1,0069 1,0092 1,0058 1,0066 1.0089 1,0093 1,0055
8500a 1,0079 1,0069 1,0154 1,0155 1,0148 1,0160 1,0155 1,0213
9121 0,9772 1,0929 1,1544 1,2125 1,2596 1,2883 1,3266 1,3705
9148 1,0206 1,0189 1,0153 1,0219 1,0301 1,0270 1,0282 1,0314
9171 1,0142 1,0065 0,9993 0.9955 0,9990 0,9996 0,9918 0,9956
9434 0,9901 1,0666 1,1126 1,1528 1,1784 1,1985 1,2223 1,2564
9443 1,0341 1,0585 1,0858 1,0875 1,1027 1,1111 1,1152 1,1285
9771 1,0265 0,9960 0,9887 0,9817 0,9701 0,9655 0,9622 0,9595
9898 0,9956 1,0081 1,0279 1,0429 1,0526 1,0529 1,0546 1,0650
9980a 1,0156 0,9890 0,9813 0,9666 0,9685 0,9551 0,9534 0,9467
9981 0,9933 1.0361 1,0652 1,0797 1,1062 1,1137 1.1270 1,1360
6325o 0,9266 1,0717 1,1429 1,2135 1,2568 1,2926 1.3170 1,3644

Tabla 60.-Valores del cociente CAL(T)/CAF(T) en las estaciones con pluviógrafo.

Se ajustó una ley para coitas duraciones, hc(T), y otra para largas duraciones, hiST),
considerando el valor medio de los cocientes de los cuantiles adimensionales. En las
figuras 31 y 32 se han representado los valores medios, para cada período de retomo, de
los cocientes de los cuantiles adimensionales, y el logaritmo neperiano de los períodos
de retomo correspondientes. Se obtuvieron coeficientes de correlación muy altos.
Para largas duraciones lafioncióntiene la siguiente expresión:

/í¿ (7)=-0,0019* iLfí(T)f + 0,0299* Lu(T) + 0,9785

Donde:
Ln (T), es el logaritmo neperiano del período de retomo, T(años).
hL(T), es el valor medio del cociente CAL/CAF de cada período de retomo.

hl(Li^T))niedhiS

•""••Polneníca (múae}

Figura 31,- Cociente de cuantiles CAL/CAF para largas duraciones frente a Ln(T).

186
 ESTACIONES SIN PLUVIÓGRAFO, RESULTADOS

Y para cortas duraciones, la expresión de h(T) es la siguiente:

Donde:
Ln (T), es el logaritmo neperiano del período de retomo, T(afios).
hc(T), es el valor medio del cociente de CAc/CAp de cada período de retomo.
T, es el período de retomo en años.

hc(Ln|T))nisd)ae

Figura 32.- Cociente de cuantiles CAc /CAFERRER para cortas duraciones frente a Ln{T).

Los coeficientes de correlación obtenidos fueron, para cortas duraciones de

0,994, y para largas duraciones de 0,9978.

En el Apéndice IV se desarrolla una aplicación práctica de la metodología

expuesta para estimar la Intensidad máxima para una duración y período de retomo en
un punto cualquiera dentro de la España Peninsular.

187
 ESTACIONES SIN PLUVIÓGRAFO. DISCUSIÓN

6.3.-DISCUSION.

El método propuesto en la Tesis para la estimación de I(d,T)- Intensidad máxima

para una duración, d, y período de retomo, T, - en cualquier punto de la España
Peninsular tiene, respecto al que se aplica siguiendo la Instrucción de carreteras 5.2-IC,
las siguientes ventajas:

p La función g(d) aquí propuesta, si bien es de tipo potencial, similar a la de la

Instrucción incorpora:

- Un parámetro adicional -a- que la dota de mayor flexibilidad y permite

acomodarse mejor a la variabilidad observada.

- Para el trazado de los mapas de iso-K e iso-a, un mayor número de

estaciones pluviográficas, 63, frente a las 21 utilizadas en la última versión
de la Instrucción. El número de registros en aquellas estaciones que también
se utilizaron en la Instrucción es mayor puesto que ha transcurrido un mayor
número de años, y en el resto, cuentan con más de 20 años.

o Con la incorporación de las funciones ÍIL (T) y hc(T), aprovecha los beneficios del
proceso de regionalización- robustez y carácter conservador de las estimas- en la
estimación de cuantiles adimensionales para cortas duraciones (d<l hora) y largas
duraciones(d>l hora).

Q Al suministrar en los mapas de iso-K e iso-a los valores puntuales correspondientes

a las estaciones con pluviógrafo, permite que el usuario, según el conocimiento que
disponga de las características pluviométricas, físiográfícas, y de localización del
punto donde quiera realizar la estima de I(d,T), pueda decantarse por:
- El uso de los mapas.
- La asignación de los valores de "K" y "a" de la/las estaciones con
pluviógrafo próximas, ponderándolos con el procedimiento que estime más
oportuno (por ejemplo, el inverso del cuadrado de la distancia).

188
7.-CONCLUSIONES FINALES
 CONCLUSIONES FINALES

Dentro del ámbito de la hidrometeorología, el trabajo de Tesis Doctoral

desarrollado, ha tratado de profundizar en el estudio de las intensidades máximas
anuales, para distintas duraciones y períodos de retomo, como elemento fundamental
para la estimación de caudales, todo ello en el marco de la España Peninsular.

De los resultados obtenidos en estaciones con pluviógrafo se deduce:

1.- Es posible aplicar la metodología conocida como regionalización en cada una

de las estaciones, obteniéndose dos regiones homogéneas en cada ima de ellas: la
región de cortas duraciones (series con duraciones < 60 minutos) y de largas
duraciones (con series de duraciones > 60 minutos).

2.- La ley SQRT-ET máx presenta un adecuado comportamiento para reproducir

las propiedades estadísticas de la variable Intensidad máxima para distintas
duraciones.

De la comparación de las intensidades máximas, para cada duración y período de

retomo, deducidas en la presente Tesis con las obtenidas por el INM (2003), y se ha
llegado a una serie de conclusiones;

3.- En conjunto, las estimas de la Intensidad máxima para cada duración y

período de retomo obtenidas al aplicar el método de regionalización en la
presente Tesis se sitúan del lado de la seguridad respecto de las que han
obtenido por el INM.

4.-Al comparar ambos métodos se demuestra la ventaja que ofrece el método de

regionalización frente a los métodos tradicionales, ya que al agrupar varias series
para formar ima región homogénea es posible que un dato alto- que no se haya

189
 CONCLUSIONES FINALES

presentado en una serie-, sí se presente en otra, y de esta manera, los ajustes

mejoren sustancialmente.

5.-La ventaja que se ofrece en el ptmto anterior se toma en otra ventaja añadida
si se tiene en cuenta que, en general, los períodos de retomo que se manejan son
altos, y es por tanto en esa parte de la curva donde reside el interés de la estima,
justamente donde los datos escasean. Teniendo la seguridad de que la región es
homogénea, las estimas se podrán realizar con menos incertidumbre.

6.-ASÍ mismo, de la comparación entre ambas metodologías se puede concluir,

que el método de regionalización resulta mucho más robusto, esto es más
estable, ante la presencia/ausencia de un dato de la serie.

En la tercera parte del trabajo, que analiza y plantea vías alternativas para
extender los resultados obtenidos en estaciones con pluviógrafo a estaciones que
carezcan de él se puede concluir:

7.- Que la metodología propuesta en la presente Tesis ofrece xma mejora en las
estimas frente a la metodología actualmente utilizada por varios motivos:

7.1.- Porque la función g(d) aquí propuesta, si bien es de tipo potencial,

similar a la de la Instrucción 5.2-IC, incorpora un parámetro adicional - a -
que la dota de mayor flexibilidad y permite acomodarse mejor a la
variabihdad espacial observada.

7.2.- Porque en el trazado de los mapas iso-K e iso-a, se ha contado con un

mayor número de estaciones pluviográfícas, 63,frentea las 21 utilizadas en la
última versión de la Instrucción.

7.3.- Porque el número de registros en aquellas estaciones que también se

utilizaron en la Instrucción es mayor puesto que ha transcurrido un mayor
número de años, y el resto de las estaciones, utilizadas solamente en la
presente Tesis, cuentan con más de 15 afios.

190
 CONCLUSIONES FINALES

7.4.-Porque al incorporar las funciones HL (T) y hc(T), se aprovechan los

beneficios del proceso de regionalización- robustez y carácter conservador de
las estimas- en la estimación de cuantiles adimensionales para cortas
duraciones (d<l hora) y largas duraciones(d>l hora).

8.- Además, al suministrar en los mapas de iso-K e iso-a los valores puntuales
correspondientes a las estaciones con pluviógrafo, permite que el usuario, según el
conocimiento que disponga de las características pluviométricas, físiográfícas, y de
localización del punto donde se quiera realizar la estima de I(d,T), pueda decantarse
por:
- El uso de los mapas.
- La asignación de los valores de "K" y "a" a partir de la/las estaciones con
pluviógrafo próximas, ponderándolos con el procedimiento que estime más
oportuno (por ejemplo, el inverso del cuadrado de la distancia).

9.-Se podrá calcular la intensidad máxima para cualquier duración y período de retomo
en cualquier punto de la España Peninsular a partir de la lectura, en el mapa interactivo
que se presenta. Al marcar en el mapa el punto considerado, éste proporciona los
parámetros requeridos y calcula automáticamente la intensidad máxima- para cada
duración y período de retomo - con las ventajas que esto supone para el usuario.

191
8.-BIBLIOGRAFÍA
 BffiLIOGRAFIA

AGREMÁN, M.C. y SINCLAIR, C.D., 1986. Classification of drainage basins

according to their physical characteristícs: An application for flood frequency analysis
in Scotland. Journal ofHydrology, 84, pp 365-80.
ALVAREZ, M., PUERTAS, J., SOTO, B. , y DÍAZ FIERROS, F., 1999. Análisis
regional de las precipitaciones máximas en Galicia mediante el método del índice de
avenida. Ingeniería del Agua, vol 6,( 4), pp 379-385.
BAGHIRATHAN,V.R. y SHAW, G.M., 1975. Rainfall deph-duration-frequency
studies for Sri-Lanka. J. Hydrol, 37, pp 223-239.
BEDIENT,P.B. HUBER,W.C., 1992. Hydrology and Floodplain Analysis. Addison-
Wesley Publishing Company, 692 pp.
BERNARD, M.M., 1932. Formulas for rainfall intensities of long durations. Trans
^5C£,96,pp 592-624.
BEKNIER,1993. en U.S. National Report to lUGG, 1991-1994. Rev geoghys vol I.
BERGA, L., 1987. Las inundaciones: sistemas de alarma y previsión. En "Curso de
riesgos geológicos" celebrado en Madrid. Ed IGME.
BELL, F. C, 1969. Generalized rainfall-duration frequency relationship. Journal
Hydraulic Div. ASCE 95(1), pp 311-327.
BOES, D.C., HEO, J.H., y SALAS, J.D., 1989 Regional flood quantile estimation for a
WeibuU model. Water Resources Research, 22, pp 979-990.
BOUGHTON, W.C, 1980. A frequency distribution for annual floods. Water
Resources Research 16, pp 'iAl-SA.
BUISHAND,T.A., 1991. Extreme rainfall estimation by combining data from several
sites. Hydrological Sciences- Journal-des- Sciences Hydrologiques 36,4,8, pp 345-360.
BURN, D.H., 1990a. An appraisal of the 'región of influence' approach to flood
frequency analysis. Hydrol. Sci. J., 35(2), pp 149-165.
BURN, D.H., 1990b. Evaluation of regional flood frequency analysis with a región of
influence approach. Water Resour. Res., 2<5( 10), pp 2257-2265.
BURN, D.H. y GOEL, N.K. 2000. The formation of groups for regional flood
frequency analysis. Hydrological Sciences- Journal-des- Sciences Hydrologiques, 45
(l)pp97-112.
BURN, D.H., y BOORMAN, D.B., 1993. Estimation of hydrological para,meters at
engaged catchments. J.Hydrol. 143, pp 429-454.

192
 BIBLIOGRAFÍA

CANTERFORD, R.P., PESCOD, N.R PEARCCE, N.H. TURNER, L.H. y

ATKINSON, R.J., 1987. Frequency analysís of Australian rainfall data as used for
flood analysis and design. In regional flood Frequency and risk analysis: Proc.Int Symp
on Flood Frequency and Risk analysis, May 14-17, 1986, Lousiana State University,
Baten Rouge, Usa. Reidel Boston. MA, pp 293-302.
CAVADIAS, G., 1990. The canonical correlation approach to regional flood estimation,
in Regionalization inHydrology, lAHS, Publ. No. 191, pp. 171-178.
CHIANG, S-M, TSAY,T-K y NK, S., 2002a. Hydrologic Regionalization of
Watersheds.I: Methodology Development. Journal of Water Resources Planning and
Management. January/February 2002/3 pp 11-19.
CHIANG, S-M, TSAY,T-K AND NIX,S., 2002b. Hydrologic Regionalization of
Watersheds H: Methodology Development. Journal of Water Resources Planning and
Management. January/February 2002/3
CHOW V.T. , MAIDMENT, D. R.,y MAYS, L.W., 1994. Hidrología aplicada.
McGraw-Hill Interamericana, S.A. Santafé de Bogotá, Colombia, 584pp.
CHOW, K.C.A. y WATT, W.E., 1990. A knowledge-based expert system for flood
frequency analysis. Can. J. Civ. Eng., 17, pp 597-609.
CHOWDHURY, J.U., STEDINGER, J.R. y LU, L-H., 1989. Goodness-of-fit tests for
regional generalized extreme valué flood distribution. Water Resour. Res., 27{1\ pp
1765-1776.
COHN, T.A. y STEDINGER, J. R., 1987. Use of historical Information in a máximum
likelihood framework. Journal ofHydology, 96, pp 215-23.
CUNNANE, C, 1987. Review of statistical methods for flood frequency estimation.
Hydrologic Frequency Modeling, edited by V.P. Singh, pp. 49-95, D. Reidel,
Dordrecht.
CUNNANE, C, 1988. Methods and merits of regional flood frequency analysis, J.
Hydrol, 100, pp269-290.
DALRYMPLE, T. 1960. Flood Frequency analysis. U.S.G.S. Water Supply Paper,
1543-A.
DAVIAU, J-L., ADAMOWSKI, K. y PATRY, G. G., 2000. Regional flood frequency
analysis using GIS, L-Moment and geostatistical methods. Hydrological Processes 14,
pp 2731-2753.
DAVISON, A.C. y SMITlí R. L., 1990. Models for exceedances over high thresholds,
J.R. Statist. Soc. B., 52(3), pp 393-442.
DE COURSEY, D.G., 1973. Objetive regionalization of peak flow rates. Floods and
Draughts, Proceedings of the Second International Symposium in Hydrology, Fort
CoUins, Colorado, edited by E.L. Koelzer, E.L., Koelzer V.A., and Mahmood, Water
Resources Publications, pp395-405..

193
 BIBLIOGRAFÍA

ETOH, T. A. MUROTA, M. y NAKAMSHKI, M., 1986. SQRT-Exponential Type

Distribution of Máximum. Proceeding of International Symposium on Flood Frequency
and Risk Analysis, Lousiana, pp 253-265.
FERRERI, G.B. y FERRO, V., 1990. Short Duration Rainfalls in Sicily. Journal of
Hydraulic Engineering 116, 3, pp 430-435.
FERRER, F. J., 1991. Frequency analysis of daily rainfall annual máximum series in
Guadalhorce Basin. Proc. XXIV lAHR Congress. Madrid (España).Yol. A., pp 21-30.
FERRER, F. J., 1996 Métodos de regionalización. En Curso sobre : Métodos para el
cálculo hidrometeorológico de crecidas. CEDEX. MOPU. Madrid.
FERRER, F. J., y ARDILES, L., 1994. Análisis estadístico de las series anuales de
máximas lluvias diarias en España. Ingeniería Civil/95, pp 87-100.
FERRER, F. J., y MATEOS, C, 1999. Análisis de máximas lluvias diarias. Un nuevo
método regional de estimación de parámetros de la función de distribución SQRT-ET
máx. Ingeniería Civil 115/1999, pp 109-118.
FIORENTINO, M., GABRIELE, S. ROSSI, F. y VERSACE, P., 1987 Hierarchical
approach for regional flood frequency analysis, in Regional Flood Frequency Analysis,
edited by V.P Singh, pp. 35-49, D. Reidel, Norwell, Mass.
FRANCÉS, F., 1998 Utilización de la función de distribución TCEV con información
no sistemática dentro del análisis regional. Aplicación a los ríos Júcar y Tuna.
Ingeniería del Agua vol 5 n°l, pp 47-58.
FREDERICK R.H., MBYERS, V.A. y E.P. AUCIELLO., 1977. Five and sixty Minute
Precipitation Frequency for Eastem and Central United States. NOAA tech.
Memorándum Hyá-o-SS, Sílver spríngs, Md.
FREND, 1989. Flow Regimens from Expermental and Network Data. Institute of
Hydrology. Wallingford, U.K., en FERRER,J. Y ARDILES,L.1995., Análisis
estadístico de las series anuales de máximas lluvias diarias en España.
GABRIELE, S. y ARNELL, N., 1991. A hierarchical approach to regional flood
frequency analysis, Water Resour. Res., 27{6), pp 1281-1289.
GREENWOOD, J.A., LANDWEIHR J.M. MÁTALAS N.C., y WALLIS J. R., 1979.
Probability Weighted Moments: defínitions and relation to parameters of distributions
expressed in inverse form. Water Resouces Research 15 (5). pp 1049-1054.
GREIS, N. y WOOD, E.F., 1981. Regional flood frequency estimation and network
design. Water Resources Research, 17, pp 1167-77.
GUO, S.L. y CUNNANE, C, 1991. Evaluation of the usefulness of historical and
palaeological floods in quantile estimation, J. HydroL, 129, pp 245-262.
GUTTMAN, N.B,,1993. The use of L-Moments in the determination of regional
precipitation climates. Journal of Climate, 6, pp 2309-25.

194
 BIBLIOGRAFÍA

HABERLANDT, U., 1998. Stochastic Rainfall Synthesis Using Regionalized Model

Parameters. Journal ofHydrologic Engineering/jvHy, ppl60-168
HERSHENHORN, J. y WOOLISHER, D. A., 1987. Desagragations of daily rainfalls.
Journal ofHydrologic, 95 (3/4), pp 299-322.
HERSHFIELD, D.M., 1961. Rainfall frequency Atlas of the United States for durations
from 30 minutes to 24 hours and retum periods from 1 to 100 years. Tech. Paper 40,
U.S. Weather Bureau, Washington, D.C.

HOSKING, J.R.M., 1986. The theory of probability weighted moments, Research Rep.
RC12210, IBM Research División, Yorktown Heights, NY, 160 pp.

HOSKING, J.R.M., 1990. L-moments: Analysis and estimation of distributions using

linear combinations of order statistics. Journal of the Royal Statistics Socieíy, Series
B,52. pp 105-124.

HOSKING, J. R.M y WALLIS, J.R., 1986. The valué of historicalk data in flood
frequency analysis. Water Ressources Research, 24. pp 588-600.

HOSKING, J. R.M. y WALLIS, J.R., 1987. Parameter and quantile estimation for the
generalized Pareto distribution. Technometrics, 29(3), pp 339-349.

HOSKING, J. R.M. y WALLIS, J.R., 1988. The effect of intersite dependence on

regional flood frequency analysis. Water Resour. Res., 24(4), pp 588-600.

HOSKING, J. R.M y WALLIS, J.R., 1993. Some statistics useful in regional frequency
analysis. Water Resour. Res., 29(2), pp 271-281.
HOSKING, J. R.M. y WALLIS, J.R., 1997. Regional Frequency Analysis. Cambridge
University Press. 224 pp.
HOSKING, J.R., WALLIS, J.R. y WOOD, E. F., 1985. Estimation of the generalized
extreme valué distribution by the method of probability weighted moments.
Technometrics, 27 (3) pp 251
JAKOB, D., REED, D.W. y ROBSON,A. J., 1999. Choosing a pooling group, chapter
C6 in Flood Estimating Handbook, vol 3, Statistical Procedures for Flood Frequency
Estimation. Institute of Hydrology, Wallingford, U.K.

JIN, M. y STEDINGER, J. R., 1989. Flood frequency analysis with regional and
historical information. Water Resources Resources. 25 (5), 925-939.
KACHROO, R.K., MKHANDI, S. H. y PARIDA, B. P., 2000. Flood frequency
analysis of southem África: I Delineation of homogeneous regions. Hydrological
Sciences- Journal-des- Sciences Hydrologiques 45 (3), pp 437-447.
KOTHYARY, U. C. AND GARDE, R.J., 1992. Rainfall intensity-duration-frequency
formula for India. Journal ofHydraulic Engineering. Vol 118,(2), pp 323-335.
KOUTSOYIANNIS, D., 1994. A sthocastic disaggregation method for design storm
aand flood synthesis. Journal of Hydrology, 156. pp 193-225.

195
 BBLIOGRAFIA

KOUTSOYIANNIS, D., 1996. Statistical Hydrology. National Technical University

Press Athens (In Greek) en: A mathemamatical framework for studying rainfall
intensity -duration- frequency relationaships. KOUTSOYIANNIS, D. KOZONIS, D. y
MANETAS, A, 1998. JournalofHydrology 206 , ppll8-135.
KOUTSOYIANNIS, D. KOZONIS, D. y MANETAS, A., 1998. A mathematical
framework for studying rainfall intensity-diiration-frequency relationships. Journal of
Hydrology 206, ppll8-135.
LANDWEHR, J.M., MÁTALAS, N.C., y WALLIS, J.R., 1979. Probabilíty-weighted
moments compared with some traditional techniques in estimating Gximbel parameters
and quantiles. Water Resources Research 15, pp 1054-64.
LAURSEN, E.M., 1983. Comment on "Paleohydrology of southwestem Texas" by
KOCKEL,R.C. BAKER, V.R.AND PATTON P.C. Water Resources Research 21, pp
1339.
LEESE,M.N., 1973. Use of censored data in the estimation of of Gumbel distribution
parameters for annual máximum flood series. Water Reources Research, 9, pp 1534-42.
LETTENMAJER, D. P. y POTTER, K.W., 1985. Testing Flood frequency estimations
methods using a regional ñood generation model. Water Resources Research,21, pp
1903-1914.
LETTENMAIER, D. P. WALLIS, J.R. y WOOD, E.F., 1987. Effect of regional
heterogeneity on flood frequency estimation.Water Resources Research, 23, pp 313-
323.
LLASAT, M. C, 1998. Una clasificación de los episodios pluviométricos para su
utilización en hidrología. Aplicación a la serie de intensidad de lluvia en Barcelona.
Ingeniería Civil 112, pp 35-44.
LU, L.-H. y STEDINGER, J. R., 1992. Sampling variance of normalized GEV/PWM
quantile estimators and a regional homogeneity test. J. Hydrol, 138, pp 223-245.
MAIDMENT, D.R., 1993. Handbook of Hydrology. McGrawHill. Usa. 697 pp.
MÁTALAS, N.C., SLACK, J.R. y WALLIS, J.R., 1975. Regional skew in search of a
parent. Water Resources Research, 7/(6), pp 815-826.
MCMAHON, T. A. y SRIKANTHAN., 1982. Log-Pearson Type 3 distribution efíect of
dependence, distribution parameters and sample size on peak annual flood estimates.
Journal ofHydrology 52, ppl49-59.
MICHELE, C. y ROSSO, R., 2001. Uncertainty Assesmente of Regionalized Flood
Frequency Estimates. Journal of Hydrologic £'?7gz>7eerwg/November/December, pp
453-459.
MILLER, J. B.1997. Floods, People at Risk, Strategies for Prevention. United Nations
Publication, 92 pp.
MILLER, J.F., FREDERICK R.H., y TRACEY, R.J., 1973. Precipitation-Frequency
Atlas of the Conterminous Western United States (by States), NOAA, Atlas 2, National
Weather Service, Silver Spring, Md.

196
 BIBLIOGRAFÍA

MINISTERIO DE FOMENTO. DmECCION GENERAL DE CARRETERAS. 1999.

Máximas lluvias diarias en la España Peninsular. Serie monografías. Centro de
Publicaciones, pp28,2h., 25 h pleg de map.
MINISTERIO DE MEDIO AMBIENTE. DIRECCIÓN GENERAL DEL INSTITUTO
NACIONAL DE METEOROLOGÍA., 2003. Curvas de Intensidad-duración-frecuencia
(CD). Secretaría General Técnica. Centro de Publicaciones (M.M.A.).
MINISTERIO DE MEDIO AMBIENTE. DIRECCIÓN GENERAL DEL INSTITUTO
NACIONAL DE METEOROLOGÍA. 1999. Las precipitaciones máximas en 24 horas y
sus períodos de retomo en España. Un estudio por regiones. Vol.5 Cataluña. Secretaría
General Técnica. Centro de Publicaciones (M.M.A.).
MINISTERIO DE OBRAS PUBLICAS, TRANSPORTE Y MEDIO AMBIENTE.
DIRECCIÓN DE CARRETERAS., 1978. Cálculo hidrometeorológico de caudales
máximos en pequeñas cuencas naturales. Secretaria de Publicaciones, Madrid. 113 pp.
MINISTERIO DE OBRAS PUBLICAS, TRANSPORTE Y MEDIO AMBIENTE.
DIRECCIÓN DE CARRETERAS., 1987. Cálculo hidrometeorológico de caudales
máximos en pequeñas cuencas naturales. Alamner, Madrid, 123 pp.
MINISTERIO DE OBRAS PUBLICAS, TRANSPORTE Y MEDIO AMBIENTE.
DIRECCIÓN DE CARRETERAS. 1990. Instrucciones de construcción. Drenaje
superficial. Instrucción 5.2-IC. Ins. Centro de Publicaciones, 84 pp.
MKHANDI, S.H. y KACHROO, R. K., 2000. Flood frequency analysis of southem
África: n Delineation of homogeneous regions. Hydrological Sciences- Journal-des-
Sciences Hydrologiques 45 (3), pp 449-465.
MOSLEY,M.P., 1981. Delimitation of New Zeland hydrological regions. Journal of
Hydrology, 49, pp 173-92.

NATHAN, R.J. y MCMAHON,T.A., 1990. Identification of homogeneous regions for

the purpose of regionalisation. J. Hydrol, 121, pp 217-238.
NERC. 1975. Flood Studies Report. Nat. Environ Res. Council, London, vol 1-5. 1100
PP-
OMM (1983) en CHOW V.T. , MAIDMENT, D. R.,y MAYS, L.W. 1994. Hidrología
aplicada. McGraw-HíU Interamericana, S.A. Santafé de Bogotá, Colombia, 584pp.

PAGLIARA, S. y VITI, C , 1993. Discusión raínfall intensity-duration-frequency

formula for India, por KOTHYARI, U. C. AND GARDE, R.J., Journal of Hydraulic
Engineering. Vol 119 (8), pp 962-967.

PARroA,B.P., KACHROO,R.K. y SHRESTHA., 1998. Regional Flood Analysis of

Mahi-Sabarmati Basin (Subzone 3-1) using Index Flood Procedure with L-Moments.
Water Resources Management 12 pp 1-12.

PEARSON, K., 1902. On the systematic fítting of curves to observations and

measurements. Biometrika, voU No3, pp 265-303.

PEARSON, C. P., 1993. Application L-moment to máximum river flows. The New
Zeland stadistician 28(1), pp 2-10.

PILÓN, P.J. y ADAMOWSKI, K., 1992. The valué of regional information to flood
frequency analysis using the method of L-moments. Can. J. Civ. Eng., 19, pp 137-147.

197
 BIBLIOGRAFÍA

PILÓN, P.J. y ADAMOWSKI, K., 1993. Asympíotic variante of flood quantil in

logPearson type TU with historical information. J. Hydrol 143. pp 481-503.
PONCE, V .M., 1989. Engineering Hydrology. Principies and Practices.Ed Prentince
Hall, 640 pp.
PORRAS, P. J. y PORRAS, J., 2001. New Perspective on Rainfall Frequency Curves.
Journal ofHydrologic Engineering, January/February, pp82-85.
POTTER, K.W. y LETTENMAIER, D.P., 1990. A comparison of regional flood
frequency estimation methods using a resampling method. Water Resour. Res., 26(3),
pp 415-424.
REED, D., 1992. Regional frequency analysis for the flood design. Pre-proceeding of
the NATO ASI on Coping with Floods. E Mejorana Centre, Erice, Noviembre de 1992,
ppl-17 en FERRER,J. Y ARDILES,L.1995. Análisis estadístico de las series anuales de
máximas lluvias diarias en España.
RIBEIRO-CORREA, J. y ROUSSELLE, J., 1993. A hierarchical and empirical Bayes
approach for the regional Pearson type ni distribution. Water Resour. Res., 29(2), pp
435-444.
ROSBJERG, D., MADSEN H., y RASMUSSEN, P.F., 1992. Prediction in partial
duration series with generalized Pareto-distributed exceedances. Water Resour. Res.,
28(11), pp 3001-3010.
ROSSI, F. FIORENTINO, M. y VESACE, P., 1984. Two Component Extreme Valué
Distribution form Flood Frecuency Analysis. Water Resources Res.20(7), pp 847-856.
ROSSI, F. y VILLANI, P., 1992. Regional methods for flood estimation. Pre-Proc of
the NATO ASI on coping withfloods.Erice.
SAENZ DE ORMIJANA, F. HIDALGO CASTRO, F.J., y SANTA PÉREZ, A., 1991.
Estimación de precipitaciones máximas mediante el método regional del índice de
avenida. Revista de Obras Públicas, Feb, pp 9-22.
SCHAEFER, M.G., 1990. Regional Analysis of precipitationamiual máxima in
Washington State. Water Resources Research 26, pp 119-31.
STEDINGER, J.R., VOGEL, R. M. y FOUFOULA-GEORGIOU, E. 1993. Frequency
analysis of extreme events, in Handbook of Hydrology, chapter 18, edited by D.A.
Maidment, McGraw-Hill, New York, NY.
STEDINGER, J.R., 1983. Estimating a Regional Flood Frequency Distribution. Water
Resources Research, vol 19, no 2, pp 503-510.
THOMPSON, W.R., 1935. On a criterion for the rejection of observations and
distribution of the ratio of deviation to sample standard deviation. Biometrika, 32, pp
214-9, in HOSKING, J.R.M., WALLIS,J.R.1997. Regional Frequency Analysis.
Cambridge University Press, 224 pp.
U.S. INTERAGENCY ADVISORY COMMTTEE ON WATER DATA,
HYDROLOGY SUBCOMMITTEE., 1983. "Guidelines for Determining Flood Flow
Frecuency", BuUetin No 17B, issued 1981, revised 1983, Reston Virginia).

198
 BIBLIOGRAFÍA

U.S. WATER RESOURCES COUNCIL., 1981. Guidelines for determiningfloodflow

frequency. Bulletin 17B. Hydrology Committee, Washington D.C.
U.S. NATIONAL RESEARCH COUNCIL Committee on Techniques for Estimating
Probabilities of Extreme Floods.,1988. Estimating Probabilities of Extreme Floods.
Methods and Recommended. Research. National Academy Press. Washington D.C, in
MAIDMENT, D.R.(ed),1993. Handbook of Hydrology. McGrawHill. Usa pp 697.
U.S. WATER RESOURCES COUNCIL, .1981. en CHOW VEN TE,
MAIDMENTJ).R., MAYS, L.W. 1994. Hidrología aplicada. McGraw-Hill
Interamericana, S.A. Santafé de Bogotá, Colombia, 584pp.
VOGEL, R.M. y FENNESSEY,N.M., 1993. L moment diagrams should replace product
moment diagrams. Water Resources Research, 2P(6), ppl745-1752.
VOGEL, R.M., MCMAHON, T.A. y CHIEW, F. H. S. 1993. Floodflow frequency
model selection in Australia. J. Hydrol, 146, pp 421-449
WALLIS, J.R., MÁTALAS, N.C., y SLACJ, J. R., 1974. Just a moment¡ Water
Resources Research,lO, 211-9 en HOSKING, J.R.M., WALLIS,J.R.1997 Regional
Frequency Analysís.
WALLIS, J.R. y WOOD, E. F., 1985. Relative accuracy of log-Pearson m procedures.
Journal ofHydraulic Engineering 111, pp 1043-56.
WHKS, S.S., 1963. Multivariate statistical outliers. Sankhyá 25, pp 407-26.
WILTSHIRE, S.E., 1986 Identification of homogeneous regions for flood frequency
analysis. Journal ofHydrology 84, pp 287-302.
WMO, 1989. Statistical distributions for flood frequency analysis. Operational
Hydrology Report No. 33, World Meteorológica! Organization 718, Geneva,
Switzerland.
YUN, P., y CHEN, C, 1998. Incorporating uncertainty analysis into a regional IDF
formula. Hydrological Process. 12, pp 713-726
ZRINJI, Z. y BURN, D.H., 1993. Hydrologic regionalization using a homogeneity test.
Engineering Hydrology, edited by C.Y. Kuo, Am. Soc. Civ. Eng. pp. 641-646.
ZRINJI, Z. y BURN, D.H., 1994. Flood frequency analysis for imguaged sites using a
región of influence approach. J. Hydrol, 153, pp 1-21

199
 BIBLIOGRAFÍA

8.1.-REFERENCIAS INTERNET.

[Wl] http://www.agu.Org/jouraals/rg/rg9504S/contents.html#hydroIogy
Hidrología

fW21 http://www.bwk.kuleuven.ac.be/hydr/temprain.htm
Variabilidad temporal de la lluvia

|W3] http://www.kuleuven.ac.be/hydr/willems.htm
Patrick Willems

fW4] http://www.kuleuven.ac.be/hvdr/idf.htm
IDF relationships

fW5] http://www.nws.noaa.gov/oh/index.html
Office of Hydrologic Developement

[W6] http://www.bom.gov.au/hydro/wr/
Hydrological Service program

fW?] http://www.spc.noaa.gov
Búsqueda idf curves

[W81 http ://vyvyw. copemicus. org/EGU/hess/hess.html

Hydrology and earth system sciences

\\N9] http://betafm.ceríde.gov.ar/
Catálogo interactivo. Universidad Nacional del Litoral

[W10] fattp://www.unesco.org.uy/documentos.shtml
Documentación regionalización de precipitaciones

[W11] http://www.corebe.org.ar/
Portal del agua. Comisión Regional del Rio Bermejo. Acceso a biblioteca.

{W12] http://random.mat.sbg.ac.at/linksAmdex.html
Página web de la WWW Virtual Library dedicada a números aleatorios y simulación MC

[W13] http://biblioteca2.uclm.es/biblioteca/sumarios/pi.pdf
Biblioteca de la Universidad de Castilla-la Mancha

[W14] http://viww.mcu.es/REBECA/que.html
Registros Bibliográficos para Bibliotecas Públicas Españolas (Rebeca)

[W15] http://www.csa.com/csa/factsheets
Library and Information Science Abstracts (Lisa)

[W16] http://wwwhh.lyon. cemagreffr/floodcare/upv/chap.htm

Trabajos de Investigación de Cemagref.

[W17] http://www.ntis.gov/fcpc/cpn5283.htm
Programas de análisis de datos de lluvias.

[W18] http://msstate.edu/org/MAS/octjoumal/rain.htm
Artículo sobre valores extremos de la lluvia en Mississippi.

[W19] http://www.bom.au/hydro/has/idf.shtml
Diseño de curvas IDF.

200
APÉNDICES
 APÉNDICE I.PRUEBA DE DATOS DUDOSOS

APÉNDICE I.- PRUEBA DE DATOS DUDOSOS.

Al analizar las series de intensidades máximas, se identificaron una serie de

estaciones, Sondica (1082), Guadalhorce(6120), Figueras (0429), Alicante (8025) y
Murcia (7031), Almeria(63250), con unos valores muy altos respecto a los valores
usuales, y que convenía analizar con más detalle.

En estas estaciones se aplicó el método del Water Resources Council para datos
dudosos, y además de comprobar si superaban o no el umbral a partir del cual puede
considerarse un dato como dudoso se intentó contrastar estos valores con otras fuentes
de información. Si el valor extraordinario procede de la serie de intensidades máximas
en 24 horas se puede comparar con la precipitación máxima diaria procedente de un
pluviómetro situado en la misma estación. Si el valor extraordinario proviene de una
serie con una duración distinta a 24 horas no es posible comprobar si se debe a un error
o si realmente se ha producido. Ante la duda se prefiere mantener dicho dato.

El objetivo de este análisis es saber si los datos extraordinarios se deben a un

error o por el contrario se han podido producir. En el momento que hay una duda
razonable de que sí se han podido dar, ese dato se manejará, pues jugará un papel muy
importante en la estimación de cuantiles para altos períodos de retomo.

Sondica (1082).

En la estación de Sondica (1082), en 1983 se recoge como intensidad máxima en

24 horas im valor de 11,9 mm/h (que implicarían una precipitación máxima en 24 horas
de 285,6 mm, suponiendo dicha intensidad constante), ver tabla AI.I.

AI-I
 APÉNDICE I.PRUEBA DE DATOS DUDOSOS

Duración (minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1947 48 48 33,6 26,4 19,2 17,5 10,4 7,5 5 3,1 2,2
1948 56,4 50,4 37,6 31,2 22,8 13,3 7,4 5,3 4 2,9 2,5
1949 79,2 50,4 37,6 29,4 21,6 13,5 11,1 9,2 6,2 4,3 3,2
1950 91,2 48 33,6 26,7 19 10,4 8 6,5 3,6 2 1,3
1951 87,6 81 72,4 61,8 54,2 41,9 32,3 25,1 13,6 6,9 3,4
1952 60 48,6 35,6 28,5 21,6 19,3 10,2 7,8 5,2 2,8 1,5
1953 55,2 31,8 26,8 21,9 18,2 13,6 9,1 7,3 4,6 3,6 2,5
1954 159,6 121,8 92,8 72,6 60,2 30,1 15,1 10,2 5,8 4,3 3,6
1955 36 24,6 19,6 17,1 13,4 8,7 6,8 5,3 4,8 3,9 2
1964 36 36 29,6 23,4 18,4 12,6 9,2 7,8 4,2 2,6 1,8
1965 54 45,6 41,2 34,2 30 19,2 16,1 12,3 10,2 5,3 2,9
1966 48 34,2 30,4 28,2 26,6 22 17,1 14,6 9,8 6,2 3,5
1967 109,2 73,2 56,8 44,4 31,8 16,3 10,9 9,5 7 4,8 2,9
1968 69,6 41,4 33,6 30,3 25 23,7 15,9 11 5,8 4,6 3,2
1969 43,2 42,6 38,4 35,4 27,8 16 10,9 7,9 4,5 3,1 2,4
1970 76,8 65,4 59,2 51,9 41,2 27,4 18,5 13,3 9,1 6,2 3,4
1971 85,2 53,4 38,8 32,4 26,6 18,2 11,9 9,2 5,4 4,1 2,5
1972 38,4 37,8 34,8 26,1 18 10,7 7,1 4,9 3,2 2 1,5
1973 55,2 54,6 45,2 35,7 25,6 19 12,7 11,3 8,5 5,4 2,8
1974 48 37,8 28 23,7 20,8 15,8 10,5 9 5,9 4,5 2,9
1975 49,2 38,4 32,4 27,6 25,4 15,4 7,9 7,1 6 4,2 2,6
1976 144 107,4 76,4 74,1 53,6 27,6 13,9 9,2 5,4 3,3 2,2
1977 51,6 46,2 39,2 38,1 29 21,7 17,6 14,5 11,2 7,1 4,3
1978 63,6 49,2 43,6 39,9 37 28,5 16,3 11,5 7,3 4,5 2,4
1979 67,2 46,8 40 34,8 28,8 18,8 10,6 7,1 4,7 3,9 2,9
1980 32,4 31,8 24,8 24 21,2 14,4 8,7 7 4,2 3 2,3
1981 19,2 19,2 15,2 14,1 12,6 10,6 7,5 6,3 4,7 2,6 1,7
1982 40,8 37,8 32,8 24,6 16,6 9,3 5,8 5,3 3,3 2 1,6
1983 126 99,6 89,6 83,1 83,2 66,3 55,4 43,1 27,3 14,9 11,9

1984 76,8 54 37,2 27,9 19,6 11 5,9 5 3,6 2,8 2,1

Tabla ALL- Intensidades máximas para cada duración en la estación de Sondica (1082).

Aplicando la ecuación del Water Resources Council, se obtienen los siguientes

umbrales de Intensidades máximas, Al.n.

Ai-n
 APÉNDICE I.PRUEBA DE DATOS DUDOSOS

30 años K=2,563

Duración (minutos)
-'S':/ 10 15 20 30 60 120 180 360 720 1440
Yh 2,30 2,13 2,04 1,97 1,90 1,75 1,61 1,48 1,30 1,08 0,87
üi 197,32 134,44 108,69 93,63 80,07 56,40 40,37 30,43 19,78 11,94 7,40

Tabla AI.II.- Resultados de aplicar el método de Water Resources para datos dudosos en Sondica
(1082)

Donde:
Yh (umbral de datos dudosos en unidades logarítmicas),
k (obtenido en la tabla 6, página 61, en función de el número de años
disponible)
Ih (umbral de intensidad máxima).

El umbral de intensidad máxima, para cada duración, que define el método del
Water Resources Council permite concluir que dicho dato puede ser dudoso, y aparece
sombreado en amarillo en la tabla AI. I.

Por otra parte, los datos precipitación máxima que proporciona el pluviómetro
en dicha estación indican que en 1983 fue de 252,6 mm, tabla AI.III, que si bien no
coincide exactamente, sí es extraordinaria respecto a los valores recogidos en él.
Además, analizando el resto de años, tabla AI.XTV al final del Apéndice I, se ve que se
han producido precipitaciones incluso mayores. Ante la certeza de que se ha podido
producir, aunque sea en otro año se decide mantener ese dato.

Estación Año Mes Pmáx Estación Año Mes Pmáx

PR1082 83 1 80 PR1082 83 7 514
PR1082 83 2 200 PR1082 83 8 2526
PR1082 83 3 176 PR1082 83 9 100
PR1082 83 4 297 PR1082 83 10 155
PR1082 83 5 102 ,PR1082 83 11 149
PR1082 83 6 134 PR1082 83 12 201

Tabla ALIO.- Precipitación máxima diaria, en décimas de mm, en Sondica (1082) en el año 1983.

Ai-m
 APÉNDICE I.-PRÜEBA DE DATOS DUDOSOS

Guadalhorce (6120).

En la estación de Guadalhorce (6120) se recogen, en la tabla AI.IV. dos años

extraordinarios, 1969 con una intensidad máxima en 24 horas de 6,1 mm/h (146 mm
diarios suponiendo dicha intensidad constante en las 24 horas) y en 1979, con 6.7mm/h.

Duración (minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1964 104,4 54,6 38 30,9 31,6 25,6 19 15,7 9,3 5,8 3,1
1965 58,8 48 33,2 26,7 19,4 10,1 6,1 4,9 3,4 2,5 1,4
1966 26,4 23,4 19,2 17,7 15,8 10,8 10,3 7 3,5 2,2 1,9
1967 73,2 42 30 24 18 12,7 8,7 6,6 4,8 3 2,4
1968 21,6 21 17,6 14,7 11,8 9,2 7,6 6,7 5 2,8 1,7
1969 74,4 48 39,6 33,6 34,2 26,8 20 15,5 11,4 9,1
1970 27,6 18 17,6 17,7 17,4 12,8 7 4,8 3,6 2,3 1,5
1971 10,8 10,2 9,6 8,7 7,8 6,3 5 3,6 2,5 1,7 1,1
1972 18 18 18 14,7 11,4 7,5 6 4,7 4,2 2,9 1,7
1973 20,4 19,8 17,2 14,7 12,6 11,3 8,3 6,5 3,4 1,9 1,2
1974 14,4 13,8 13,6 13,5 12,2 10 7,3 6,2 4,3 2,5 1,4
1

1975 10,8 10,8 10,4 10,5 10,4 8,3 5,3 4,9 3,3 2,3 1,2
1976 63,6 58,2 46,8 47,7 38,6 31,4 26 18,7 13,9 7,3 3,7
1977 61,2 49,2 35,6 27,6 22,4 11,6 9,1 7,8 4,4 2,3 1,3
1978 51,6 35,4 26,4 20,7 17,2 11,4 7,4 7,1 4,4 2,9 1,5
1979 96 87,6 78,8 73,5 63,4 44,8 30,6 24,7 13,4 6,7
1980 111,6
1981 97,2
63,6
76,8
46
62,8
36,6
56,1
24,4
47,2
12,3
31,1
6,2
17,4
•i4,7
12
2,8
6
2,3
3,6
1,3
1,8
1982 48 45 43,2 38,7 28,8 15,7 9,8 8,2 5,4 3,3 2,7
1983 79,2 51 52 43,8 35,8 25,1 12,6 8,5 4,3 2,1 1,3
1984 28,8 20,4 18,8 18 15,4 12,3 11,6 9,7 7,1 4,3 2,5
1985 34,8 22,8 20,8 17,7 16,6 10,1 5,8 4,2 3,4 2,1 1,2
1986 20,4 15 12,8 11,7 9,6 6,5 3,9 3,7 3,1 1,7 1,1

Tabla AI.IV.- Intensidades máximas para cada duración en Guadalhorce (6120)

Aplicando el método del Water Resources se obtienen los resultados que

aparecen en la tabla AI.V. Teniendo en cuenta los umbrales definidos por este método

AI-IV
 APÉNDICE I.-PRUEBA DE DATOS DUDOSOS

se sombrearon en amarillo, en la tabla AI.IV, los valores que los superan, y en azul
aparece marcado un dato, que si bien no supera el umbral, sí es muy alto.

23 años k=2,448

Duración(minutos)
5 10 15 20 30 60 120 180 360 720 1440
Yb 2,39 2,17 2,04 1,96 1,87 1,71 1,55 1,44 1,29 1,06 0,82
Ih 244,85 148,17 109,73 91,97 74,80 50,79 35,57 27,58 19,47 11,55 6,57

Tabla AI.V.- Resultados de aplicar el método de Water Resources para datos dudosos en Guadalhorce
(6120)

Estos años son también extraordinarios en los datos de pluviómetro, aunque no

se obtienen irnos valores tan altos como los registrados en el pluviógrafo. Analizando la
serie de precipitaciones máximas recogidas en dicho pluviómetro, tabla AI.XV al final
del apéndice I, se encuentra otro año extraordinario, 1963, con una precipitación
máxima en 24 horas incluso mayor, de 308 mm, aunque dicho año no se encuentra
registrado en el pluviógrafo, por lo tanto, se decide mantener los datos de intensidades
máximas en 24 horas, porque se ha registrado una precipitación similar aunque sea en
otro año.

Alicante (8025).

En la estación de Alicante, ver tabla AI.VI, se producen dos posibles años

extraordinarios, 1962 y 1982.

Duración(minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1959 117,6 84,6 78 66,6 56,2 40,2 23,9 17,1 9,3 4,7 2,4
1960 22,8 22,2 22,4 22,2 19,8 13,2 6,8 5,8 4,4 3,1 1,7
1961 55,2 54,6 43,6 45 41,4 24,4 12,3 8,3 4,2 2,1 1,1
1962 46,8 46,2 40 30,3 26,2 16,8 13,4 12,3 9,2 6,5 4,9
1963 79,2 53,4 41,6 37,2 37,8 24,8 15,4 10,4 5,5 2,8 1,4
1964 32,4 25,2 20 19,2 18,4 14,6 8,3 7 3,6 2,1 1,2

AI-V
 APÉNDICE I-PRUEBA DE DATOS DUDOSOS

Duración(minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1965 43,2 38,4 29,6 25,5 21,6 15,9 8,7 6,4 4 2,8 1,4
1966 97,2 75,6 70 66,9 60,4 53,4 34,4 28,8 14,8 7,4 3,7
1967 20,4 19,8 19,6 19,5 17,8 10,1 6,3 4,8 3 1,7 1
1968 54 54 41,6 34,8 26,2 18 10,8 7,4 4,6 2,9 1,8
1969 157,2 118,2 101,6 91,5 78,8 52,1 27,6 19,6 9,9 6,4 3,5
1970 74,4 63 50,4 44,4 37,8 24,6 24,1 17 8,6 4,3 2,2
1971 98,4 93 81,6 71,7 59,8 36,8 22,8 16,1 9,2 5,2 3,6
1972 120 85,8 80 69,3 61 38,6 19,3 12,9 6,5 3,2 1,7
1973 60 59,4 49,2 48,9 45 38 21,4 14,4 7,2 3,7 1,9
1974 70,8 59,4 43,6 47,4 41,6 24,1 12,2 8,2 4,2 2,4 1,5
1975 40,8 40,2 40 30 24,2 19,6 10,2 6,8 3,5 1,9 1
1976 66 60 58 51 39,8 24,5 15,8 15 7.7 3,8 1,9
1977 99,6 60 47,6 45 35,8 19,8 10 9,2 5 2,5 1,3
1978 120 60 48,8 54,9 42,6 31,3 19,9 13,5 8,7 6,1 3,1
1979 120 100,2 100 91,8 69,6 44,3 25,3 18,1 9,3 4,6 2,4
1980 45,6 43,2 42,4 42 34,8 20 10 6,7 4 2,2 1,4
1981 22,8 22,2 21,2 20,1 17,6 13,9 9,8 6,6 3,3 1,7 0,9
1982 133,2 99 83,2 78,6 73,6 67,2 { • • 47 28,1 15,5 8,6
1983 74,4 51,6 48 46,2 34 25,3 22,1 18,3 9,2 4,6 2,3

Tabla Al.VI.- Intensidades máximas para cada duración en la estación de Alicante (8025).

AI aplicar el método del Water Resources, tabla AI. VII, solo uno aparece como
extraordinario, con unas intensidades máximas para varias duraciones por encima del
umbral, y que aparecen sombreados en la tabla AI. VI, y en azul aquél que casi lo
supera.
25 años k=2,486

Año 5mín lOmin I5rran 20min 30min 60min 120min iSOmin 360min 720min 24h
yh 2,44 2,26 2,19 2,15 2,07 1,93 1,78 1,66 1,38 1,13 0,88
Ih 274,02 180,52 154,79 140,76 116,67 85,20 60,17 45,35 24,12 13,45 7,65

Tabla Al.Vil, - Resultados de aplicar el método de Water Resources para datos dudosos en Alicante
(8025)

AI-VI
 APÉNDICE I-PRUEBA DE DATOS DUDOSOS

En el pluviómetro de la estación de Alicante (8025) el dato dudoso registrado en

1982 coincide con el registro del pluviómetro, ver tabla AI.XVI al final de este
apéndice, por lo que se acepta y se utilizará en la presente investigación.

Figueras(0429)
Los datos de intensidad máxima anual, para las duraciones correspondientes se
encuentran en tabla AI. VIÍI.

Duración {minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440

1945 39,6 39,6 32,8 26,1 20,4 15,2 8,9 7,4 4,7 2,8 1,6
1946 88,8 61,2 57,2 52,8 43,2 35,5 26,8 19,3 10,9 7,7 4,5
1947 117,6 82,2 71,2 65,4 54,6 27,4 13,9 9,2 4,7 2,6 2
1948 38,4 25,8 22,4 17,7 14,8 11,9 10,9 10,9 10 8,3 5,8
1949 80,4 49,2 41,2 33 25 14,2 9,5 9,4 7 3,9 2
1950 84 61,2 51,2 47,1 40,4 24,3 16,4 13,3 12,6 7,8 4,6
1951 105,6 63 72 60,3 55 37,6 22,7 16,6 8,7 4,5 2,8
1952 57,6 54 40,4 34,8 35 23,7 12,4 9,2 4,7 2,5 1,4
1953 51,6 36,6 31,6 28,2 24,6 15,9 11,1 9,3 5,9 3,7 2,2
1954 67,2 45,6 34 28,2 19,4 9,8 5 3,4 2 1,3 0,8
1955 128,4 111 80 72,3 57,4 40 20,4 13,6 6,8 4,1 2,1
1956 48 46,2 36,8 28,5 19 14,2 10,4 7.6 4,1 2,5 1,3
1957 171,6 91,8 75,6 65,1 47 24,9 14,3 9,8 5 3,6 1,9
1958 111,6 63,6 46,4 39,6 31,8 18,3 12,3 8,2 4,2 3 1,9
1959 122,4 90,6 80,4 68,7 69 39,4 19,9 13,4 7,5 4,3 3,4
1960 85,2 51 39,6 32,7 27,8 17,8 10,9 7,5 4,2 2,3 1,5
1961 94,8 60 47,2 47,4 45,4 32,1 20,2 14 7,3 3,6 1,8
1962 99,6 55,8 48,8 45,3 43,8 27,8 15,4 11,3 9,4 5,6 3,4
1963 106,8 69,6 61,6 59,4 50,2 36,8 25,6 19,3 10,3 5,7 4
1964 61,2 34,2 30,8 31,2 26,6 19,8 12,4 11,5 7,4 4,4 2,8
1965 82,8 60,6 56,8 48,3 43,8 34 18,4 14,2 9,4 6,6 3,3
1966 80,4 54,6 42 32,7 28,8 17,2 10,1 8 5 2,8 1.4
1967 78 54 47,6 42,6 33,8 22,3 11,9 9,9 7,7 4,7 2,5
1968 116,4 99 90,4 80,7 66,8 48,1 31,9 23,4 14,2 8,8 4,4
1969 49,2 35,4 35,6 33 31,4 20,1 12,2 9,6 7 5,6 4,7
1970 37,2 34,2 29,2 24 18 10,7 6,8 5,9 4,2 2,2 1,1
1971 160,8 132,6 122,8 105,6 100,4 85 70,3 66,9 46,1 25,6 17

1972 57,6 40,2 37,6 35,7 28 16 12,9 10,9 5,5 3,1 1,8

AJ-VII
 APÉNDICE I.-PRUEBA DE DATOS DUDOSOS

Duración (minutos)
i^ñb:,:%m:;. \^^m^:';v'is;,;. 20 30 60- 120 180 360 720 1440
1973 62,4 49,8 41,6 35,4 26 14,5 10 8,1 5,6 3,9 2
1974 120 104,4 92,8 94,8 67,6 34,9 17,6 11,8 5,9 4,8 2,9
1975 87,6 56,4 45,2 47,4 41 27,5 14,4 9,6 5,2 3 1,7
1976 109,2 97,2 84 70,8 57,2 31,7 15,9 10,6 6,3 3,8 1,9
1977 96 66,6 49,2 47,7 43,8 29,9 20 15 8,8 5,2 4,5
1978 98,4 52,8 37,2 28,8 19,2 10,2 8,4 8 5 2,5 1,3
1979 52,8 38,4 27,6 23,1 16,2 9,1 7,1 5,6 4,3 3,1 1,7
1980 108 54,6 36,4 27,3 18,2 9,2 4,7 3,6 3,4 2,5 1,2
1981 100,8 55,8 41,6 42,6 34,4 21,4 15,9 12 7,8 5 2,9
1982 172,8 103,2 80 69,9 58,8 37,1 20,3 14,7 7,9 4 2
1983 73,2 53,4 37,6 29,4 20 10 5 3,3 1,7 1,2 0,7
1984 45,6 34,8 29,6 26,1 22,8 17,9 9,3 6,2 3,3 2,4 1,5
1985 61,2 39 28,4 22,5 16,2 8,8 4,4 3,3 1,7 1,1 0,8

Tabla ALVin.- Intensidades máximas para cada duración en la estación de Figueras (0429).

Tras aplicar el método del Water Resources Council para datos dudosos, tabla
AI.IX, se obtiene un dato dudoso en todas las series de larga duración (desde 120
minutos hasta 24 horas), en el año 1971, que se corresponde con ima precipitación en 24
horas de 408 mm. Al comprobar con los datos de pluviómetro de dicha estación no
coincide. No obstante en la estación de Cadaqués (0430), próxima a Figueras, consta un
registro en 1986 de 430 mm como valor máximo anual, que se recoge en la tabla
AI.XVn. Ante este hecho, se decide mantener ese dato, porque en dicha estación
próxima se han registrado valores mayores que los que en principio se podrían
considerar como outliers. Como el objetivo de la investigación es aplicar im proceso de
regionalización, está asegurado que estos valores pueden producirse en ese área.

•41 años K=2.692:

•&V¡:r&;ti^^^^

i|s|5 WPM '9W:r.wm.^: •Í;30;-'- 60 02O:V : 180 : 360 720 1440

yh 2,38 2,20 2,14 2,12 2,09 1,95 1,76 1,65 1,46 1,25 1,06

Ih 240,65 157,19 137,24 130,84 122,77 89,04 56,90 44,34 29,06 17,60 11,42

Tabla AI.IX - Resultados de aplicar el método de Water Resources para datos dudosos en
Figueras(0429)

Ai-vín
 APÉNDICE I-PRUEBA DE DATOS DUDOSOS

Murcia- San Javier (7031).

Los datos de Murcia-San Javier (7031) son los siguientes, tabla AI.X.

Duración (horas)
Año 5 10 15 20 30 60 120 180 360 720 1440
1961 73,2 64,2 51,6 38,7 25,8 12,9 6,5 4,3 2,9 1,4 0,8
1962 52,8 40,2 35,2 30,9 25 14,6 9,4 8,7 7,4 5,2 3
1963 103,2 74,4 60,8 54,6 47,2 26,3 13,3 8,9 4,5 2,2 1,2
1964 42 27 18,8 15 10,8 5,5 3,9 3 2,4 1,4 0,7
1965 120 100,2 100 97,5 92 69,8 42,2 29,2 14,6 7,3 3,7
1966 66 51 46,4 40,2 31 23 13,4 11,2 5,9 3,2 1,6
1967 85,2 51 35,2 27,6 24,8 23,2 18,9 16,5 10,8 5,8 2,9
1968 92,4 59,4 61,6 47,1 31,8 26 16,2 13,4 11,4 8,3 4,6
1969 73,2 54 38,4 29,7 20 10 5,1 3,4 2,1 1,3 0,9
1970 32,4 22,2 17,2 17,1 16 9,1 5 3,6 2,7 1,5 0,7
1971 110,4 91,8 68,4 57 46,2 23,3 H,8 7,9 4 2 1
1972 51,6 40,8 31,6 27 22,4 16 12,1 10 5,7 2,8 1,4
1973 56,4 29,4 20,8 16,2 12,2 7,5 4,3 3 1,8 i 0,7
1974 68,4 50,4 34,8 26,7 18,8 18 11,2 9,4 7,4 6,3 3,7
1975 78 72 69,2 57,3 55,6 34,2 17,9 11,9 6,2 3,1 1,6
1976 110,4 88,2 84,8 85,5 71,4 42,8 25 16,7 8,3 4,3 2,2
1977 114 96,6 76,8 65,1 51,6 29 15,4 10,5 5,4 2,9 1,5
1978 55,2 46,8 33,6 27 19,2 11,1 7 4,7 2,4 1,6 0,8
1979 133,2 98,4 77,6 66 44,4 22,4 11,2 7,5 3,8 2 1
1980 103,2 67,2 67,6 61,8 44,8 25,9 15,4 10,7 7,3 4,1 2,1
1981 16,8 15 14 13,8 13 8,7 5,8 4,5 2,3 1,2 0,8
1982 54 51 44 42,9 40 24,1 14,4 9,8 5 2,5 1,9
1983 45,6 39,6 37,6 34,2 28 14,1 8 5,5 3,3 1,7 0,9
1984 32,4 28,2 26 22,8 17,4 11 6,1 4,2 2,3 1,2 0,9
1985 40,8 23,4 23,6 23,4 23,2 13,8 7,2 5,3 4,4 3,5 2,6
1986 45,6 42,6 32,8 25,8 18,4 11 8,9 7,4 4,5 2,7 2,2
1987 28,8 21 17,2 14,1 13 7,6 5,2 4,1 2,2 1,3 0,7
1988 75,6 62,4 46 43,2 39,8 34,1 19 15,9 8,4 4,2 2,1
1989 121,2 94,8 83,2 74,1 58,8 36,3 19 12,9 8,3 4,4 2,2
1990 56,4 46,8 43,2 39,6 30,8 16,6 8,3 5,5 2,8 1,4 0,8

Tabla AI.X.- Intensidades máximas para cada duración en Murcia -San Javier (7031).

AI-IX
 APÉNDICE I.-PRUEBA DE DATOS DUDOSOS

Al aplicar el método de Water Resources se obtienen los siguientes resultados,

tabla A1.XI,

30 años K==2,563

Duración (minutos)
5 10 15 20 30 60 120 180 360 720 1440
yh 2,36 2,26 2,21 2,16 2,07 1,90 1,65 1,53 1,30 1,08 0,81
Ih 228,9 181,8 161,3 143,8 118,3 80,30 44,94 33.85 19,91 12,01 6,43

Tabla AI.XI.- Resultados de aplicar el método de Water Resources para datos dudosos en Murcia
(7031)

AI superar el umbral de intensidades máximas para duraciones inferiorres a 24

horas, no hay medio de saber sí se han producido o no, por lo que ante la duda se decide
aceptar dichos datos.

Almería (63250).

Los datos disponibles en la estación de Almería (63250) se ofrecen en la tabla AI.XII

Duración (minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1971 60 34,2 25,2 21 16,6 9,7 4,8 3,4 1,8 1,5 0,8
1972 100,8 57 60,4 54,3 49,6 32,8 20,1 14,2 10,6
1973 28,8 24,6 17,6 13,8 9,8 7 5,2 3,4 1,7 1,3 0,8
1974 67,2 52,2 55,2 44,7 30,8 18,2 9,1 6,1 3 1,5 0,8
1975 28,8 24 21,6 19,5 16,8 9,5 6,1 4,8 4,5 2,5 1,3
1976 66 59,4 48,4 42 29,8 16,9 10,4 7,8 4,3 2,2 1.2
1977 62,4 45 32 29,1 27,2 17,1 9,9 6,6 3,3 1,7 0,8
1978 48 36 31,6 28,8 23 13,7 7,5 5 2,7 1,5 0,8
1979 30 26,4 22 22,5 20,4 16,9 9 7,1 3,9 2 1
1980 40,8 36 32 25,8 18,8 12,4 6,7 5,4 3,4 2,4 1,4
1981 20,4 15 12,8 11,4 9,4 6,2 3,4 2,3 1,4 0,7 0,4
1982 10,8 10,2 9,6 9,6 9 6,9 4,4 3 2,4 1,6 0,9
1983 16,8 16,8 16 14,4 11,6 7,4 5,2 3,8 2,2 1,1 0,6
1984 12 8,4 6,8 6,6 5,6 4 3,4 2,6 1,3 0,8 0,4

AI-X
 APÉNDICE I-PRUEBA DE DATOS DUDOSOS

Duración (minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
1985 15,6 12 11,6 9,9 8 5,7 5,1 3,8 2 1,3 0,9
1986 49,2 34,8 26 20,1 13,6 7,3 5,3 4 2,4 1,6 0,8
1987 78 49,8 40 35,1 30,4 21,7 12,6 S,7 4,4 2,2 1,1
1988 93,6 78 66 50,7 34,2 23,6 12 8,2 5,3 2,6 1,3
1989 123,6 87,6 75,2 68,1 60,8 53,3 35.1 23.5 11,8 5,9 2,9
1990 33,6 25,8 22 18,6 17 15,5 7,9 5,3 2,6 1,3 0,9

Tabla AI.Xn.- Intensidades máximas anuales para cada duración en Almería (63250).

Los resultados obtenidos al aplicar el método de Water Resources se reflejan en

la tabla AL XIH.

En Almería los datos de las series que superan el umbral a partir del cual puede
aceptarse un dato como dudoso se producen en diiraciones inferiores a 24 horas en el
año 1989, pero no han dado lugar a una intensidad máxima en 24 horas extraordinarias;
El valor en ese año es de 2.9 mm/h, por lo tanto no se tienen criterios para eliminar o
aceptar ese dato. En 1972 casi se superan esos umbrales, y aparecen resaltados en la
tabla de color azul.

20 años K =2,385

Duración (minutos)
Año 5 10 15 20 30 60 120 180 360 720 1440
yh 2,34 2,17 2,10 2,02 1,92 1,77 1,48 1,32 1,10 0,82 0,52
Ih 219,56 147,29 126,71 104,01 82,68 58,26 30,33 20,97 12,64 6,62 3,31

Tabla ALXIII.- Resultados de aplicar el método de Water Resources para datos dudosos en Almería
(63250).

AI-XI
 APÉNDICE I.-PRUEBA DE DATOS DUDOSOS

- En las estaciones de: Sondica (1082), Guadalhorce(6120), Figueras (0429),

Alicante (8025) y Murcia (7031), Almeria(63250), se han producido valores
muy altos de intensidades máximas, pero no hay un criterio definitivo para
eliminarlos de las series correspondientes, por lo que se utilizarán en la presente
investigación.

- Estos valores dan lugar a un coeficiente de variación más alto, pero es

preferible asumir esa heterogeneidad al no haber un argumento hidrológico para
eliminarlo. Estos valores tendrán gran influencia en la estimación de cuantiles,
ya que elevarán el valor del mismo. En este caso, el hecho tiene una mayor
trascendencia ya que, como se analizará posteriormente, se va a aplicar un
proceso de regionalización, y por lo tanto se estará asumiendo la posibilidad de
que pueda producirse esta situación en la totalidad de la región.

- Otro argumento a favor de la utilización de todos los datos fue saber que
estas series habían sido manejadas anteriormente por el Instituto Nacional de
Meteorológico para su estudio y publicación, por lo tanto, cabe esperar que estos
valores extremos ya hubieran sido contrastados y no deberían presentar errores
importantes.

Ai-xn
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

Tabla AI.XrV.- Precipitación máxima diaria, en décimas de mm, en Sondica (1082)

Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx
47 1 51 4 739 55 7 620 59 10 1690 64 1 394 68 4 939
47 2 51 5 1456 55 8 60 59 11 1461 64 2 1055 68 5 1323
47 3 559 51 6 756 55 9 1654 59 12 2686 64 3 1111 68 6 675
47 4 207 51 7 501 55 10 2117 60 1 1491 64 4 2454 68 7 159
47 5 1140 51 8 1081 55 11 256 60 2 340 64 5 671 68 8 1366
47 6 321 51 9 495 55 12 1102 60 3 905 64 6 128 68 9 1146
47 7 144 51 10 1952 56 1 1499 60 4 599 64 7 177 68 10 173
47 8 967 51 11 906 56 2 1487 60 5 539 64 8 708 68 11 602
47 9 1362 51 12 821 56 3 393 60 6 902 64 9 353 68 12 2437
47 10 941 52 1 1879 56 4 1756 60 7 454 64 10 1910 69 1 457
47 11 1154 52 2 1028 56 5 951 60 8 691 64 11 1554 69 2 939
47 12 1746 52 3 751 56 6 591 60 9 1243 64 12 1535 69 3 1143
48 1 2058 52 4 1233 56 7 434 60 10 2125 65 1 1683 69 4 1270
48 2 355 52 5 140 56 8 752 60 11 1036 65 2 533 69 5 910
48 3 117 52 6 504 56 9 231 60 12 4139 65 3 1173 69 6 406
48 4 1171 52 7 1252 56 10 1583 61 1 1491 65 4 2197 69 7 90
48 5 799 52 8 512 56 11 2469 61 2 379 65 5 812 69 8 672
48 6 354 52 9 791 56 12 396 61 3 38 65 6 376 69 9 1961
48 7 378 52 10 2186 57 1 997 61 4 1673 65 7 294 69 10 44
48 8 890 52 11 1732 57 2 419 61 5 338 65 8 1041 69 11 1023
48 9 889 52 12 1546 57 3 434 61 6 1001 65 9 1178 69 12 2792
48 10 931 53 1 921 57 4 371 61 7 415 65 10 889 70 1 941
48 11 622 53 2 1707 57 5 1056 61 8 343 65 11 2119 70 2 1615
48 12 292 53 3 161 57 6 1595 61 9 948 65 12 2326 70 3 1205
49 1 1234 53 4 922 57 7 542 61 10 2121 66 1 504 70 4 1207
49 2 147 53 5 581 57 8 77 61 11 2403 66 2 1151 70 5 399
49 3 1865 53 6 2005 57 9 884 61 12 516 66 3 890 70 6 556
49 4 668 53 7 371 57 10 435 62 1 1637 66 4 450 70 7 372
49 5 1398 53 8 632 57 11 1414 62 2 1325 66 5 1112 70 8 1502
49 6 166 53 9 2722 57 12 1459 62 3 743 66 6 1409 70 9 492
49 7 178 53 10 2636 58 1 1375 62 4 1265 66 7 657 70 10 1094
49 8 182 53 11 449 58 2 503 62 5 1179 66 8 79 70 11 1213
49 9 1994 53 12 609 58 3 1910 62 6 262 66 9 220 70 12 999
49 10 655 54 1 2325 58 4 1140 62 7 305 66 10 2275 71 1 862
49 11 2257 54 2 1902 58 5 794 62 8 369 66 11 3499 71 2 859
49 12 1635 54 3 925 58 6 901 62 9 265 66 12 1517 71 3 1267
50 1 556 54 4 666 58 7 556 62 10 976 67 1 1029 71 4 1174
50 2 951 54 5 1069 58 8 185 62 11 2101 67 2 177 71 5 1680
50 3 686 54 6 753 58 9 558 62 12 1809 67 3 708 71 6 1150
50 4 1717 54 7 629 58 10 1163 63 1 621 67 4 789 71 7 970
50 5 654 54 8 1487 58 11 1784 63 2 1757 67 5 945 71 8 635
50 6 593 54 9 1845 58 12 1850 63 3 1219 67 6 754 71 9 780
50 7 233 54 10 672 59 1 1037 63 4 774 67 7 568 71 10 480
50 8 877 54 11 935 59 2 236 63 5 581 67 8 514 71 11 3407
50 9 517 54 12 1075 59 3 1255 63 6 690 67 9 859 71 12 1146
50 10 886 55 1 1216 59 4 481 63 7 486 67 10 934 72 1 2155
50 11 1106 55 2 1441 59 5 790 63 8 2150 67 11 2245 72 2 1725
50 12 4644 55 3 913 59 6 767 63 9 2394 67 12 3125 72 3 719
51 1 1614 55 4 158 59 7 451 63 10 858 68 1 1546 72 4 1646
51 2 1837 55 5 522 59 8 857 63 11 900 68 2 667 72 5 1564
51 3 905 55 6 556 59 9 2792 63 12 694 68 3 1209 72 6 715

Ai-xm
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx
72 7 362 76 11 989 81 3 1228 85 7 565 89 11 1594 94 3 405
72 8 830 76 12 1175 81 4 1038 85 8 340 89 12 140 94 4 2200
72 9 799 77 1 817 81 5 438 85 9 4 90 1 870 94 5 957
72 10 303 77 2 669 81 6 230 85 10 498 90 2 393 94 6 552
72 11 724 77 3 815 81 7 505 85 11 1966 90 3 325 94 7 703
72 12 978 77 4 907 81 8 91 85 12 677 90 4 2163 94 8 462
73 1 1623 77 5 2147 81 9 548 86 1 3121 90 5 466 94 9 1997
73 2 2383 77 6 1965 81 10 1358 86 2 1122 90 6 688 94 10 1180
73 3 461 77 7 1925 81 11 254 86 3 939 90 7 411 94 11 1083
73 4 1092 77 8 957 81 12 1727 86 4 1712 90 8 465 94 12 1355
73 5 804 77 9 48 82 1 1169 86 5 345 90 9 257 95 1 2457
73 6 936 77 10 457 82 2 1022 86 6 720 90 10 1177 95 2 1215
73 7 556 77 11 1432 82 3 1129 86 7 136 90 11 1671 95 3 1416
73 S 999 77 12 1096 82 4 104 86 8 461 90 12 1362 95 4 884
73 9 1621 78 1 3267 82 5 526 86 9 855 91 1 882 95 5 674
73 10 569 78 2 1071 82 6 658 86 10 450 91 2 537 95 6 205
73 11 502 78 3 1166 82 7 385 86 11 991 91 3 1321 95 7 454
73 12 1485 78 4 1936 82 8 700 86 12 1409 91 4 1285 95 8 263
74 1 539 78 5 1446 82 9 394 87 1 1063 91 5 1514 95 9 756
74 2 1619 78 6 750 82 10 1999 87 2 1317 91 6 165 95 10 306
74 3 1389 78 7 265 82 11 1564 87 3 735 91 7 493 95 11 845
74 4 843 78 8 476 82 12 2238 87 4 579 91 8 243 95 12 855
74 5 863 78 9 478 83 1 289 87 5 266 91 9 1444 96 1 597
74 6 421 78 10 582 83 2 1411 87 6 1079 91 10 1152 96 2 2106
74 7 1039 78 11 864 83 3 1038 87 7 418 91 11 1541 96 3 410
74 8 687 78 12 753 83 4 1094 87 8 305 91 12 157 96 4 524
74 9 998 79 1 2325 83 5 666 87 9 495 92 1 334 96 5 675
74 10 3834 79 2 1239 83 6 291 87 10 1187 92 2 220 96 6 638
74 11 1706 79 3 1303 83 7 834 87 11 2056 92 3 1080 96 7 941
74 12 551 79 4 1857 83 8 6269 87 12 318 92 4 677 96 8 1302
75 1 864 79 5 614 83 9 158 88 1 1519 92 5 389 96 9 768
75 2 355 79 6 378 83 10 432 88 2 1331 92 6 1620 96 10 894
75 3 2108 79 7 381 83 11 222 88 3 1156 92 7 549 % 11 2482
75 4 1916 79 8 815 83 12 449 88 4 1717 92 8 1059 96 12 1556
75 5 860 79 9 780 84 1 2448 88 5 698 92 9 1002 97 1 1635
75 6 430 79 10 1909 84 2 1248 88 6 806 92 10 4322 97 2 202
75 7 95 79 11 2207 84 3 482 88 7 995 92 11 921 97 3 117
75 8 663 79 12 1903 84 4 449 88 8 670 92 12 1323 97 4 373
75 9 910 80 1 966 84 5 1650 88 9 740 93 1 64 97 5 774
75 10 1272 SO 2 307 84 6 510 88 10 126 93 2 536 97 6 913
75 11 2610 80 3 1158 84 7 59 88 11 101 93 3 557 97 7 1172
75 12 996 80 4 617 84 8 1194 88 12 821 93 4 1941 97 8 895
76 1 1132 80 5 1789 84 9 1468 89 1 452 93 5 443 97 9 464
76 2 740 80 6 755 84 10 1060 89 2 1137 93 6 681 97 10 390
76 3 864 80 7 538 84 11 1788 89 3 540 93 7 791 97 11 1856
76 4 1786 80 8 266 84 12 1500 89 4 2599 93 8 1114 97 12 1440
76 5 288 80 9 82 85 1 1515 89 5 421 93 9 866 98 1 657
76 6 49 80 10 2504 85 2 462 89 6 273 93 10 839 98 2 433
76 7 1107 80 11 1309 85 3 1754 89 7 170 93 11 744 98 3 433
76 S 781 80 12 1975 85 4 434 89 8 329 93 12 2089 98 4 1774
76 9 887 81 1 1653 85 5 1739 89 9 353 94 1 891 98 5 905
76 10 1584 81 2 624 85 6 502 89 10 240 94 2 796 98 6 382

AI-XIV
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

Afio Mes Pmáx Año Mes Pmáx Año Mes Pmáx Afio Mes Pmáx Año Mes Pmáx Año Mes Pmáx
98 7 391 99 5 842 0 3 636 4 911 2 2 671 2 12 2451
98 8 624 99 6 210 0 4 1304 5 280 2 3 205 3 1 1692
98 9 1098 99 7 192 0 5 531 6 382 2 4 672 3 2 974
98 10 3113 99 8 198 0 6 560 7 641 2 5 957 3 3 382
98 11 1736 99 9 492 0 7 1151 8 255 2 6 337 3 4 491
98 12 577 99 10 372 0 8 478 9 324 2 7 499
99 1 1146 99 11 1667 0 9 606 10 497 2 8 1024
99 2 1425 99 12 1642 0 10 1711 11 1590 2 9 420
99 3 1119 0 1 338 1 2 393 12 538 2 10 852
99 4 699 0 2 719 1 3 872 2 1 583 2 11 1663

Tabla AIJÍV.- Precipitación máxima diaria, en décimas de mm, en Guadalhorce (6120)

Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Afio Mes Pmáx Afio Mes Pmáx
61 1 156 64 2 320 67 4 267 70 224
5 73 7 0 76 8 6
61 2 0 64 3 510 67 5 143 70 6
340 73 8 0 76 9 213
61 3 657 64 4 238 67 6 343 70 7
0 73 9 0 76 10 1264
61 4 96 64 5 0 67 7 0 70 8 0 73 10 130 76 11 174
61 5 468 64 6 239 67 8 0 70 9 0 73 11 253 76 12 1200
61 6 0 64 7 0 67 9 0 70 10 21 73 12 733 77 1 1264
61 7 0 64 9 24 67 10 676 70 11 391 74 1 126 77 2 489
61 8 0 64 10 8 67 11 1570 70 12 1330 74 2 303 77 3 345
61 9 340 64 11 634 67 12 238 71 1 706 74 3 607 77 4 75
61 10 170 64 12 1387 68 1 0 71 2 28 74 4 816 77 5 58
61 11 2352 65 1 569 68 2 958 71 3 774 74 5 31 77 6 110
61 12 749 65 2 413 68 3 368 71 4 1346 74 6 502 77 7 185
62 1 360 65 3 476 68 4 183 71 5 637 74 7 0 77 8 13
62 2 128 65 4 395 68 5 118 71 6 72 74 8 0 77 9 0
62 3 1268 65 5 5 68 6 4 71 7 0 74 9 0 77 10 519
62 4 1268 65 6 79 68 7 0 71 8 24 74 10 73 77 11 815
62 5 244 65 7 0 68 8 191 71 9 68 74 11 56 77 12 723
62 6 120 65 8 0 68 9 0 71 10 17 74 12 5 78 1 102
62 7 0 65 9 465 68 10 0 71 11 475 75 1 378 78 2 828
62 8 0 65 10 1089 68 11
1124 71 12 753 75 2 464 78 3 396
62 9 33 65 11 454 68 12668 72 1 807 75 3 1126 78 4 561
62 10 1233 65 12 283 69 1
1038 72 2 390 75 4 529 78 5 154
62 11 570 66 1 467 69 2
1219 72 3 962 75 5 283 78 6 322
62 12 1499 66 2 885 69 3740 72 4 118 75 6 131 78 7 0
63 1 1352 66 3 56 69 4159 72 5 186 75 7 0 78 8 0
63 2 970 66 4 417 69 5 76 72 6 154 75 8 0 78 9 10
63 3 547 66 5 97 69 6291 72 7 8 75 9 23 78 10 352
63 4 348 66 6 214 69 7 0 72 8 38 75 10 10 78 11 110
63 5 657 66 7 0 69 8 1970 72 9 521 75 11 118 78 12 853
63 6 129 66 8 0 69 9 1160 72 10 1410 75 12 1098 79 1 1387
63 7 0 66 9 487 69 10 1389 72 11 439 76 1 297 79 2 1138
63 8 0 66 10 562 69 11 1326 73 1 288 76 2 931 79 3 428
63 9 460 66 11 479 69 12 625 73 2 119 76 3 392 79 4 202
63 10 2 66 12 115 70 1 2089 73 3 397 76 4 693 79 5 13
63 11 1065 67 1 384 70 2 50 73 4 170 76 5 582 79 6 17
63 12 4385 67 2 1312 70 3 738 73 5 564 76 6 0 79 7 450
64 1 32 67 3 160 70 4 250 73 6 409 76 7 0 79 8 0

AI-XV
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

ABO Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx
79 9 222 83 12 600 87 11 756 92 3 360 96 3 242 0 1 700
79 10 2394 84 1 52 87 12 1402 92 4 436 96 4 60 0 2 0
79 11 39 84 2 874 88 1 1105 92 5 65 96 5 848 0 3 465
79 12 84 84 3 658 88 2 649 92 6 684 96 6 0 0 4 1213
80 I 499 84 4 300 88 3 197 92 9 134 96 7 43 0 5 521
80 2 868 84 5 515 88 4 243 92 10 668 96 8 952 0 6 0
80 3 482 84 6 22 88 5 298 92 11 133 96 9 269 0 7 0
80 4 88 84 7 0 88 6 226 92 12 120 96 10 338 0 8 0
80 5 406 84 8 0 88 7 8 93 1 719 96 11 443 0 9 95
80 6 78 84 9 16 88 8 0 93 2 249 96 12 2476 0 10 407
80 7 0 84 10 47 88 9 358 93 3 302 97 1 1478 0 11 555
80 8 0 84 11 1088 88 10 1069 93 4 482 97 2 0 0 12 1597
80 9 75 84 12 927 88 11 699 93 5 416 97 3 0 1 436
80 10 404 85 1 371 88 12 25 93 6 315 97 4 367 2 311
80 11 809 85 2 599 89 1 886 93 7 0 97 5 1248 3 406
80 12 10 85 3 50 89 2 895 93 8 0 97 6 120 4 35
81 1 0 85 4 146 89 3 352 93 9 53 97 7 7 5 326
81 2 94 85 5 352 89 4 458 93 10 1403 97 8 55 6 0
81 3 149 85 6 107 89 5 130 93 11 884 97 9 1180 7 14
81 7 0 85 7 0 89 6 0 93 12 0 97 10 232 8 0
81 9 79 85 9 0 89 9 355 94 1 414 97 11 1139 9 490
81 10 21 85 10 8 89 10 2102 94 2 520 97 12 1092 10 923
81 11 0 85 11 898 89 11 4194 94 3 60 98 1 392 11 580
81 12 1073 85 12 717 89 12 1916 94 4 543 98 2 682 12 566
82 1 1205 86 1 345 90 1 713 94 5 162 98 3 51 2 1 239
82 2 442 86 2 525 90 3 370 94 6 0 98 4 111 2 2 141
82 3 209 86 3 592 90 4 1193 94 7 0 98 5 912 2 3 542
82 4 338 86 4 370 90 5 145 94 8 0 98 6 243 2 4 692
82 5 280 86 5 39 90 6 0 94 9 0 98 7 0 2 5 78
82 7 143 86 6 45 90 8 4 94 10 375 98 8 0 2 6 0
82 8 0 86 7 0 90 9 1076 94 11 550 98 9 371 2 7 0
82 9 14 86 8 0 90 10 773 94 12 70 98 10 0 2 8 0
82 10 117 86 9 137 90 11 464 95 1 164 98 11 71 2 9 222
82 11 808 86 10 1021 90 12 192 95 2 93 98 12 396 2 10 191
82 12 297 86 11 485 91 1 68 95 3 449 99 1 233 2 11 974
83 1 0 86 12 115 91 2 1521 95 4 54 99 2 245 2 12 521
83 2 185 87 1 1165 91 3 1093 95 5 0 99 3 310 3 1 379
83 3 235 87 2 532 91 4 330 95 6 263 99 4 201 3 2 581
83 4 201 87 3 0 91 5 57 95 7 13 99 5 177
83 5 2 87 4 213 91 6 266 95 8 65 99 6 20
83 6 0 87 5 10 91 9 324 95 9 27 99 7 10
83 7 0 87 6 0 91 10 1521 95 10 3 99 8 0
83 8 367 87 7 42 91 11 222 95 11 1023 99 9 180
83 9 0 87 8 1405 91 12 375 95 12 2054 99 10 882
83 10 60 87 9 333 92 1 105 96 I 2096 99 11 325
83 11 1690 87 10 880 92 2 850 96 2 844 99 12 231

AI-XVI
 APÉNDICE I PRUEBA DE DATOS DUDOSOS

Tabla AI.XVI.- Precipitación máxima diaria, en décimas de m m , en Alicante (8025).

AiSo Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx
38 10 467 43 1 18 47 3 174 51 5 447 55 7 0 59 9 2086
38 11 2 43 2 853 47 4 140 51 6 63 55 8 104 59 10 637
38 12 509 43 3 345 47 5 907 51 7 7 55 9 231 59 11 785
39 1 35 43 4 140 47 6 0 51 8 295 55 10 200 59 12 70
39 2 118 43 5 8 47 7 7 51 9 645 55 11 624 60 1 286
39 3 303 43 6 9 47 8 115 51 10 978 55 12 402 60 2 275
39 4 143 43 7 82 47 9 488 51 11 235 56 1 292 60 3 262
39 5 155 43 8 6 47 10 389 51 12 620 56 2 231 60 4 662
39 6 178 43 9 534 47 11 85 52 1 19 56 3 162 60 5 91
39 7 0 43 10 984 47 12 30 52 2 64 56 4 514 60 6 531
39 8 140 43 11 51 48 1 270 52 3 151 56 5 182 60 7 139
39 9 74 43 12 849 48 2 272 52 4 219 56 6 9 60 8 0
39 10 487 44 1 3 48 3 248 52 5 139 56 7 29 60 9 76
39 11 12 44 2 138 48 4 626 52 6 8 56 8 12 60 10 332
39 12 85 44 3 8 48 5 830 52 7 35 56 9 116 60 11 60
40 1 2127 44 4 70 48 6 28 52 8 80 56 10 1000 60 12 404
40 2 225 44 5 199 48 7 257 52 9 847 56 11 644 61 1 106
40 3 89 44 6 52 48 8 0 52 10 842 56 12 15 61 2 127
40 4 85 44 7 92 48 9 38 52 11 92 57 1 371 61 3 11
40 5 4 44 8 43 48 10 1002 52 12 51 57 2 4 61 4 56
40 6 63 44 9 1065 48 11 0 53 1 82 57 3 53 61 5 120
40 7 0 44 10 222 48 12 522 53 2 167 57 4 609 61 6 105
40 8 68 44 11 159 49 1 700 53 3 59 57 5 295 61 7 4
40 9 143 44 12 671 49 2 688 53 4 449 57 6 112 61 8 183
40 10 512 45 1 320 49 3 458 53 5 7 57 7 0 61 9 415
40 11 91 45 2 138 49 4 443 53 6 899 57 8 293 61 10 202
40 12 14 45 3 111 49 5 415 53 7 94 57 9 611 61 11 264
41 1 318 45 4 26 49 6 208 53 8 5 57 10 622 61 12 90
41 2 93 45 5 114 49 7 3 53 9 132 57 11 589 62 1 17
41 3 67 45 6 102 49 8 336 53 10 1384 57 12 145 62 2 557
41 4 374 45 7 151 49 9 401 53 11 325 58 1 155 62 3 508
41 5 241 45 8 1017 49 10 24 53 12 142 58 2 1 62 4 215
41 6 44 45 9 0 49 11 609 54 1 33 58 3 56 62 5 467
41 7 17 45 10 66 49 12 719 54 2 257 58 4 245 62 6 445
41 8 84 45 11 763 50 1 545 54 3 595 58 5 63 62 7 0
41 10 159 45 12 41 50 2 60 54 4 1280 58 6 308 62 8 0
41 11 225 46 1 529 50 3 16 54 5 127 58 7 0 62 9 189
41 12 58 46 2 0 50 4 150 54 6 230 58 8 131 62 10 1834
42 1 30 46 3 232 50 5 468 54 7 125 58 9 104 62 11 378
42 2 406 46 4 1444 50 6 0 54 8 0 58 10 1316 62 12 300
42 3 86 46 5 308 50 7 0 54 9 83 58 11 451 63 1 188
42 4 532 46 6 1 50 8 196 54 10 197 58 12 190 63 2 85
42 5 23 46 7 0 50 9 420 54 11 88 59 1 291 63 3 0
42 6 120 46 8 0 50 10 375 54 12 317 59 2 553 63 4 284
42 7 0 46 9 7 50 11 4 55 1 74 59 3 280 63 5 405
42 g 155 46 10 213 50 12 55 55 2 139 59 4 238 63 6 78
42 9 828 46 11 1234 51 1 241 55 3 205 59 5 1042 63 7 84
42 10 170 46 12 467 51 2 158 55 4 17 59 6 60 63 8 114
42 11 508 47 1 506 51 3 168 55 5 72 59 7 74 63 9 1614
42 12 131 47 2 172 51 4 901 55 6 68 59 8 0 63 10 200

Ai-xvn
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx Año Mes Pmáx
63 11 87 68 2 311 72 5 223 76 8 587 80 11 472 85 2 228
63 12 512 68 3 421 72 6 160 76 9 587 80 12 134 85 3 244
64 1 178 68 4 192 72 7 0 76 10 318 81 1 63 85 4 315
64 2 103 68 5 307 72 8 241 76 11 30 81 2 383 85 5 282
64 3 205 68 6 586 72 9 782 76 12 605 81 3 149 85 6 4
64 4 310 68 7 0 72 10 1242 77 1 335 81 4 693 85 7 6
64 5 10 68 8 16 72 11 1476 77 2 11 81 5 184 85 8 17
64 6 50 68 9 31 72 12 98 77 3 58 81 6 472 85 9 981
64 7 0 68 10 8 73 1 133 77 4 379 81 7 3 85 10 339
64 8 42 68 11 417 73 2 63 77 5 595 81 8 46 85 11 534
64 9 163 68 12 743 73 3 423 77 6 35 81 9 55 85 12 230
64 10 74 69 1 239 73 4 64 77 7 381 81 10 121 86 1 71
64 11 299 69 2 296 73 5 9 77 8 14 81 11 0 86 2 94
64 12 1358 69 3 300 73 6 561 77 9 356 81 12 18 86 3 102
65 1 210 69 4 357 73 7 3 77 10 76 82 1 570 86 4 242
65 2 200 69 5 78 73 8 0 77 11 688 82 2 91 86 5 140
65 3 235 69 6 204 73 9 571 77 12 143 82 3 516 86 6 24
65 4 398 69 7 3 73 10 286 78 1 43 82 4 917 86 7 54
65 5 85 69 8 62 73 11 99 78 2 166 82 5 887 86 8 126
65 6 307 69 9 80 73 12 666 78 3 181 82 6 0 86 9 1172
65 7 5 69 10 2020 74 1 28 78 4 271 82 7 0 86 10 1580
65 8 26 69 11 189 74 2 613 78 5 245 82 8 0 86 11 153
65 9 101 69 12 70 74 3 677 78 6 360 82 9 76 86 12 44
65 10 992 70 1 198 74 4 766 78 7 12 82 10 2711 87 1 181
65 11 136 70 2 0 74 5 72 78 8 4 82 11 225 87 2 407
65 12 423 70 3 268 74 6 100 78 9 32 82 12 11 87 3 5
66 1 70 70 4 186 74 7 252 78 10 183 83 1 1 87 4 12
66 2 109 70 5 114 74 8 329 78 11 1068 83 2 230 87 5 307
66 3 6 70 6 294 74 9 79 78 12 176 83 3 15 87 6 6
66 4 323 70 7 0 74 10 890 79 1 693 83 4 65 87 7 183
66 5 173 70 8 1 74 11 18 79 2 93 83 5 18 87 8 2
66 6 413 70 9 16 74 12 14 79 3 3 83 6 286 87 9 187
66 7 0 70 10 722 75 1 42 79 4 104 83 7 1 87 10 378
66 8 6 70 11 6 75 2 324 79 5 440 83 8 46 87 11 1015
66 9 326 70 12 1132 75 3 615 79 6 228 83 9 0 87 12 255
66 10 1493 71 1 239 75 4 390 79 7 120 83 10 867 88 1 330
66 11 52 71 2 52 75 5 660 79 8 0 83 11 1170 88 2 455
66 12 0 71 3 925 75 6 427 79 9 1121 83 12 128 88 3 37
67 1 180 71 4 599 75 7 0 79 10 353 84 1 63 88 4 577
67 2 1050 71 5 326 75 8 151 79 11 76 84 2 221 88 5 306
67 3 113 71 6 75 75 9 173 79 12 19 84 3 121 88 6 562
67 4 392 71 7 14 75 10 133 80 1 480 84 4 200 88 7 22
67 5 32 71 8 0 75 11 18 80 2 1554 84 5 279 88 8 0
67 6 375 71 9 569 75 12 338 80 3 166 84 6 60 88 9 233
67 7 0 71 10 1431 76 1 16 80 4 541 84 7 0 88 10 668
67 S 143 71 11 1342 76 2 72 80 5 1154 84 8 73 88 11 452
67 9 62 71 12 706 76 3 18 80 6 121 84 9 94 88 12 6
67 10 5 72 1 152 76 4 253 80 7 8 84 10 186 89 1 299
67 11 550 72 2 40 76 5 994 80 8 35 84 11 983 89 2 129
67 12 22 72 3 338 76 6 287 80 9 5 84 12 22 89 3 797
68 1 428 72 4 363 76 7 0 80 10 0 85 1 112 89 4 268

Ai-xvni
 APÉNDICE I. PRUEBA DE DATOS DUDOSOS

Añc ^ ^ • s Pmáx Añc Mes Pmáx M e Mes Pmáx Afic Mes Pmáx Año Mes Pmáx Afio Mes Pmáx
89 5 614 91 10 307 94 3 2 96 8 13 99 1 110 1 6 73
89 6 178 91 11 128 94 4 378 96 9 558 99 2 50 1 7 6
89 7 18 91 12 36 94 5 95 96 10 447 99 3 331 1 8 6
89 8 36 92 1 18 94 6 29 96 11 674 99 4 39 1 9 957
89 9 2025 92 2 879 94 7 0 96 12 284 99 5 357 1 10 461
89 10 111 92 3 223 94 8 1 97 1 435 99 6 1 1 11 374
89 11 347 92 4 48 94 9 435 97 2 29 99 7 54 1 12 693
89 12 1709 92 5 196 94 10 411 97 3 258 99 8 18 2 1 76
90 1 376 92 6 568 94 11 157 97 4 439 99 9 356 2 2 0
90 2 0 92 7 5 94 12 64 97 5 184 99 10 373 2 3 196
90 3 207 92 8 0 95 I 3 97 6 167 99 11 79 2 4 520
90 4 407 92 9 19 95 2 29 97 7 145 99 12 128 2 5 518
90 524 92 10 203 95 3 129 97 8 395 0 1 349
' 2 6 116
90 6 24 92 11 127 95 4 95 97 9 2811 0 2 0 2 7 27
90 7 29 92 12 126 95 5 0 97 10 381 0 3 203 2 8 368
90 8 161 93 1 0 95 6 115 97 11 104 0 4 45 2 9 308
90 9 304 93 2 951 95 7 0 97 12 337 0 5 80 2 10 85
90 10 472 93 3 327 95 8 77 98 1 212 0 6 67 2 11 249
90 11 102 93 4 65 95 9 74 98 2 113 0 7 0 2 12 164
90 12 126 93 5 152 95 10 106 98 3 31 0 8 32 3 1 91
91 1 738 93 6 25 95 11 121 98 4 63 0 9 101 3 2 169
91 2 281 93 7 413 95 12 340 98 5 266 0 10 895 3 180
91 624 93 8 46 96
'
3 1 359 98 6 2 0 11 59
91 4 75 93 9 115 96 2 252 98 7 0 0 12 89
91 5 99 93 10 272 96 3 219 98 8 30 1 1 320
91 6 84 93 11 665 96 4 204 98 9 120 1 2 447
91 7 6 93 12 222 96 5 225 98 10 1 1 3 18
91 8 0 94 1 35 96 6 5 98 11 253 1 4 488
91 115 94 2 52 96 7 120 98 12 708 1 5

..i
212

Tabla AIXVII- Precipitación máxima diaria, en décimas de mm, en Cadaqués (0433)

Provincia: Girona Estación; CADAQUÉS Indicativo; 0-433

Periodo; I96IV1989 Longitud: 03' 16'1 Latitud: 42» 17fN Altitud: 45 m

SERIE C R G N O L Ó G I G A
1969 118,7 1980 60.7
1970 86,5 ' 1981 92,0*
1971 285,0 • 1982 ; 33,0
1972 62,5 1983 10&.5
1973 44,5: 1984 50,0
1974 683 198S 84,2
1975 V 57,5 1986 430,0
1976; , ::>34,4 : 1987 , : 87,7 :
1977 ; 276,0 :: 1988 36,0
1978 : 53,3*. :: 1989 35;0^
1979 • • 57.7: :
VALOR MÁXIMO: 430,0 (año 1986)

Goeficiehte <ie correlación; Ó,8S5

AI-XIX
 APÉNDICE n. MODELOS ANALIZADOS

APÉNDICE n .-MODELOS I-D ANALIZADOS.

1.-Selección de modelos
De la bibliografía consultada, se han seleccionado tres modelos para su estudio:
* Modelo general de tres parámetros
- Modelo 1.-. (Koutsoyiannis et al, 1998):

/24 {d + aT
Donde "a", "b" y "m" son parámetros y "d" la duración.
* Modelos de dos parámetros

Modelo 2.- Propuesto por Yamell y Hathaway (1965):

£ a
'""-J:. '24 .'
Donde "a", y "b" son parámetros y "d" la duración.

• Modelo 3.- Generalización del modelo utilizado en la Instrucción 5.2-IC (1990)

1-24

Donde "a",y "b" son parámetros y "d" la duración.

2. -Condicionantes.
Para los tres modelos seleccionados, se han establecido como puntos de paso
obligado:

• 24 horas: g(24) = £ ^ = l

• Ihora: g(l) = ^i^=K

lu
Siendo: I^ = Intensidad máxima anual media en 1 hora.
724 = Intensidad máxima anual media en 24 horas

An-i
 APÉNDICE II. MODELOS ANALIZADOS

Este segiindo punto de paso obligado,- g(l)= =Lr - , sólo sería conocido en

estaciones con pluviógrafo, pero esta decisión se adopta por varios motivos:

- Es \m parámetro utilizado en la Instrucción 5.2-IC, que tiene sentido físico, y

representa el porcentaje, en tanto por imo, de la intensidad máxima media
horaria respecto a la de 24 horas.
El hecho de tener un sentido físico, facilitará el diseño del mapa de isolíneas
de "K"

3.- Aplicación.
A continuación se analiza cada caso:

Modelo L- Modelo general de tres parámetros

A partir de la expresión general: g(d)= ^

ITA {d + af

• Siendo punto de paso obligado g ( 2 4 ) = = = 1

-^24

"b" debería adoptar la expresión:

b=(24+ar
Y sustituyendo en la expresión general:

a+a
• Además estableciendo el segundo punto de paso obligado, debería
cumplirse que:

gil) = ( ^ ) n ^ g(i) = ^ = ^ = ( ^ y
1+a I^A l+«
Tomando logaritmos en la expresión anterior y despejando "m":
lM{K)
m = Ln((24 + ¿í)/(l + fi())

AH-n
 APÉNDICE II. MODELOS ANALIZADOS

La ecuación g(d) quedaría de la siguiente manera:

_ Ln(I,/Iz4)
QÍd) = /-^^^"\Ln((24+a)/(l+a))
¿/ + tí!

Conclusión.- La expresión, que en un principio dependía de tres parámetros, al

obligar a dos puntos de paso, queda reducida a una expresión que sólo depende de dos

parámetros " K " - i l ^ - , y "a".

- En las estaciones que disponen de pluviógrafo, se conoce = ,(=K),

-'24

y por lo tanto, se podrá estimar "a" en cada estación, y luego se

estudiaría la varíabilidad espacial de ambos parámetros trazando
mapas de isolíneas.

• Modelo 2.- Modelo de dos parámetros propuesto por Yarnell y Hathaway.

Partiendo de la expresión general:

/24 d

• De la condición de paso obligado g(24) =1, "a" adoptaría la expresión:

^ = 24'
y por tanto la función g(d):

• La segunda condición, g(l)= = , se puede deducir:

-'24

Í L = 24* ¿L = K = 24'
-'24 -'24

Y por lo tanto, tomando logaritmos,

Ln(Í.) = b*Ln(24)

Despejando "b":

AH-ni
 APÉNDICE n. MODELOS ANALIZADOS

Ln(i)
••24
b=
Ln(24)
La función g(d) adoptaría la expresión:

24 ¥^
a

Conclusión.- El modelo 2 de dos parámetros, al obligar a dos puntos de

paso, depende de un solo parámetro, "K", cuyo valor viene dado por=L,
'24

por lo que no cabría plantear ningún ajuste, y se desecha este modelo.

Modelo 3.- Generalización del modelo utilizado en la Instrucción 5.2-IC

El modelo es el siguiente:

•^24

• g(24)=l se cumple siempre

• El segundo punto de paso obligado, g(l) = =

^24

g(l) = i = b''''-''\... g(l) = i = ^ = 6(^^-'^>

I24 I 24

Para obtener "b" se despeja de la expresión anterior

í- 1
¿ = (ÍL)24'-I
1 24

Y por lo tanto, la función quedaría de la forma:

24"--d' 24"--d"
Id \ 24" -1
= K 24" -1
= ^ ^
•'•24 i«

AH-IV
 APÉNDICE II. MODELOS ANALIZADOS

Conclusión.- La expresión general para calcular g(d) depende de "K"- ~ - y "a".

-'24

- En las estaciones que disponen de pluviógrafo, se conoce = , por lo tanto,

-'24

se podrá estimar "a" en cada estación, y luego se estudiaría la variabilidad

espacial de ambos parámetros trazando mapas de isolíneas..

3.- Comparación de los modelos 1 y 3.

Los modelos 1 y 3 serían válidos, tendrían dos puntos de paso obligado, y la

solución a adoptar sería la misma en ambos casos, utilizar las estaciones con

pluviógrafo para, conociendo en cada una de ellas = , estimar el otro parámetro "a".
•'24

Para comparar ambos modelos y ver con cual se consiguen mejores ajustes, se
utilizaron varias estaciones repartidas por todo el territorio peninsular, y se estimó en
cada una de ellas el parámetro "a". Los ajustes fueron muy buenos, con coeficientes de
correlación muy altos. Como ambos son válidos, se decide:

Utilizar él modelo 3 por dos motivos

- Su expresión es más sencilla de aplicar que el modelo i.
- Es urí modelo similar al utilizado actualmente, pero presentando como ventaja
frente a la aplicación actual:
- Ofrecer dos mapas,tón7K«/?a<iewo-^

La aplicación utilizada actualmente considera un valor fijo en toda la

Península de "a" y utiliza de un mapa de isolíneas del parámetro "K". Con
la solución que se propone, se conseguirán mejores ajustes ya que al
realizar dos mapas, se paliará en cierta medidálos errores derivados de no
tener una red abundante de estaciones con pluviógrafo.

AII-V
 APÉNDICE m . ANÁLISIS DE SENSIBILIDAD

APÉNDICE m.- ANÁLISIS DE SENSIBILIDAD DEL MODELO IDF

ELEGIDO.

Una vez aceptada como adecuada lafimciónque relaciona la intensidad máxima

media en 24 horas con la intensidad máxima media para cualquier duración mediante la
expresión:

24"-á"

donde: "a" y "K" (= =L ) son parámetros,

-'24

"d" duración (horas).

7i =Intensidad máxima media para ima duración de 1 hora.
724=Intensidad máxima media para una duración de 24 horas.

24' -d"
Sí al exponente se le llama "<p(a)", ^(a) = ,

La función, g(d), que depende de los parámetros "K" y "a" adoptaría la siguiente
expresión:

g(d) = f(K,a) = K^^''^

Se debería analizar la sensibilidad de lafimción"g(d)" a pequeños incrementos

de "K" y a pequeños incrementos de "a", y así evaluar el error cometido al leer de
manera incorrecta en los mapas de iso-K e iso-a.

Para ello se calculará la derivada parcial de la función respecto a cada una de las
variables, la variable "K" y la variable "a".

Ain.-i
 APÉNDICE ni. ANÁLISIS DE SENSIBILIDAD

A) Sensibilidad relativa respecto de K

Derivando respecto de K

Al depender "(p(a)" de la duración, d, se podrán distinguir cuatro casos:

• d<l =^ <p(a)<l -^>1

dK
• d=l => (p(aH -^ =1
dK

• d>i => q)(a)>l ^<1

^ ^ dK
df
• d=24 =?> 9(a)=0 -^^ = 0 = cte....NodependedeK
Y si se quiere expresar en términos relativos, en qué medida se incrementa f
cuando K varía en una pequeña proporción, o dicho de otra manera, la variación unitaria
de " f respecto a una variación unitaria de "K":

/ ^df ^K ^(pjarK^'^^'-K^
a^ dK f K'^"^ ^^ ^'
K

y por tanto un error en la estimación de "K" de, por ejemplo un 10% respecto al valor
real, se traduce en una variación de f proporcional a "(p(a)" y al error cometido en K (en
el ejemplo 10%),

-^^ = <p(a)*
/ ií
En la tabla siguiente, tabla Ain.I, se refleja el error relativo en tanto por ciento
que se produce para distintos valores de "a" en función de la duración, y suponiendo
que el error relativo cometido en K es de un 10 %, error bastante grande si tenemos en
cuenta rango de valores que adopta (4 -13).

Ain.-n
 APÉNDICE m . ANÁLISIS DE SENSIBILIDAD

Valores de "a"
DÜRAaÓN -0,05 0,01 0,05 0,08 0,1 0,15 0,2 0,25 0,3
(horas)
0,083 19,0 17,6 16,8 16,2 15,9 15,1 14,4 13,8 13,3
0,167 16,4 15,5 15,0 14,6 14,4 13,9 13,4 13,0 12,6
0,333 13,8 13,4 13,1 12,9 12,8 12,5 12,2 12,0 11,8
0,5 12,4 12,1 12,0 11,9 11,8 11,6 11,5 11,3 11,2
2 7,7 7,8 8,0 8,0 8,1 8,2 8,3 8,4 8,6
3 6,4 6,6 6,7 6,8 6,9 7,1 7,2 7,4 7,6
6 4,2 4,4 4,6 4,7 4,8 5,0 5,1 5,3 5,5
12 2,0 2,2 2,3 2,4 2,5 2,6 2,8 2,9 3,1

Tabla Ain..- Errores relativos de "f en tanto por ciento suponiendo un error de un 10% en "K".

De todo ello se pueden deducir una serie de conclusiones:

=> Para una duración de 1 hora, "(p(a)" toma el valor de 1, y la variación relativa de " f
respecto a la variación relativa de "K" es constante e igual a 1.

Un error en la lectura del valor de "K", se traduce en un mismo error relativo en

la relación de "f'. Esto implica que si se tuviera una red más extensa de pluviógrafos en

toda España, de manera que en cada punto se conociera la relación = , se podría

establecer la relación entre la intensidad máxima media correspondiente a cualquier

duración con la intensidad máxima media en 24 horas con gran precisión.

==> Para una duración de 24 horas "cp (a)" es igual a cero, y por lo tanto, la variación de f
con respecto a K es cero, es decir no depende del valor de K.

Esto implica que se cumple siempre, independientemente del error que se

cometa en la lectura del valor de "K".

=> Para cada valor de "a", y conforme aumenta la duración, disminuye el error relativo.

Affl.-in
 APÉNDICE in. ANÁLISIS DE SENSIBILIDAD

Este resultado es de gran interés puesto que las duraciones que más se manejan
se encuentran entre 15 minutos y 12 horas, fundamentalmente duraciones mayores de 2
horas, donde ios errores se sitúan entre el 8,6% como máximo y y el 2,0% como
mínimo.

=> En pequeñas duraciones, menores de una hora, puede observarse, que conforme
aumenta "a" el error disminuye.

Este resultado presenta también gran interés, puesto que de las sesenta y tres
estaciones que se han manejado para diseñar el mapa de iso-a, solamente en cuatro
estaciones "a" adopta un valor negativo: Amao(1212), Navacerrada(2462),
Grazalema(5911) y Guadalupe(4245), las tres primeras con xm valor de -0.04 y en
Guadalupe, un valor de -0.125. Estas estaciones presentan un peculiar
comportamiento, y por lo tanto, solamente cuando se tenga certeza de que las
características de la zona de proyecto son muy similares y respondan a las mismas
características de estas zonas se adoptará un valor negativo, produciéndose errores
-con a=0,05 y duración 5 minutos- de un 19%, y en duraciones más frecuentes, de
un 12,4 %.
En el resto de la España Peninsular " a" varía entre 0,0089 y 0,246, y por tanto
los errores que se están cometiendo- para las duraciones menores de 1 hora, y más
usuales- estarán comprendidos entre 13,4 % y 11,2%.

=> En duraciones mayores de 1 hora, el error aumenta conforme aumenta "a". Esta
situación es contraria a la que se produce en cortas duraciones, y este tramo es el
que más se va a manejar. En ella, y para valores positivos de "a", los errores son
menores de un 10%, variando entre un 8,6 y un 2,2 %.

=> En la tabla también se puede comprobar que para duraciones menores de una hora
los errores relativos son mayores de un 10%, y para duraciones mayores de una
hora los errores relativos, independientemente del valor de a, son menores del 10%.

Si se representa en ordenadas el porcentaje de variación de f y en abscisas la

duración se obtendrá la siguiente gráfica,figuraAIII-I:
_ _ _
 APÉNDICE m. ANÁLISIS DE SENSIBILIDAD

ERROR REALTIVO DE f CUANDO K VARÍA UN 10% PARA DISTINTOS VALORES DE a

-0.05
0.01
d "O 0,05
0.08
0.1
0 15
0.2
0.25
"
í^^ 03

D.OOO 1000 Z.OOO 3,00G 4.000 5.000 6.000 7.£ 3.000 mooo 11.000 12.000
DURACIÓN(h)

Figura Ain.I.-Error relativo de "f cuando "K" varía un 10%, para distintos v^ores de "a".

2) Sensibilidad respecto de "a"

Para estudiar la sensibilidad del modelo respecto a "a", se deberá seguir el

mismo proceso seguido anteriormente, y derivar la función respecto de "a"

Partiendo de la expresión.
_ B'^(<')
f =K
Derivando,

= a''Ln(K)*g)'(a)
da

Y por lo tanto la variación relativa de la función f depende de

- los valores de "K"
- de los valores de "a"
- de la derivada de la función (j)(a) (que a su vez depende de la
duración y de "a")-

AIII.-V
 APÉNDICE III. ANÁLISIS DE SENSIBILIDAD

Para analizar la variación relativa de f se tendrá en cuenta que los valores

mínimo y máximo de K son 4 yl3 respectivamente, y teniendo en cuenta el rango de
valores de "a" se supondrá un error en ella del 10% y se deducirán las tablas siguientes,
Anuí; Ain.in; MIIV; Ain.V;Ani. VI; Ain.VII:

Valores de a
DURACIÓN
(horas) -0,1 0,01 0,05 0,08 0,1 0,15 0,2 0,25
0,083 4,02 -0,30 -1,34 -1,97 -2,34 -3,05 -3,54 -3,85
0,167 2,43 -0,19 -0,87 -1,29 -1,55 -2,06 -2,44 -2,71
0,333 1,22 -0,10 -0,47 -0,71 -0,85 -1,16 -1,41 -1,59
0,5 0,68 -0,06 -0,27 -0,41 -0,50 -0,69 -0,85 -0,97
2 -0,40 0,04 0,18 0,29 0,35 0,51 0,65 0,78
3 -0,51 0,05 0,24 0,39 0,48 0,70 0,91 1,10
6 -0,53 0,05 0,27 0,44 0,55 0,82 1,09 1,35
12 -0,35 0,04 0,19 0,31 0,40 0,61 0,83 1,05

Tabla AÜLII.- Errores relativos de f para K=4 y distintos valores de "a"

Valores de a
DURACIÓN
(hwas) "0,1 0,01 0,05 0,08 0,1 0,15 0,2 0,25
0,083 5,20 -0,39 -1,73 -2,55 -3,02 -3,94 -4,58 -4,97
0,167 3,14 -0,25 -1,12 -1,67 -2,00 -2,67 -3,16 -3,50
0,333 1,58 -0,13 -0,60 -0,92 -1,10 -1,50 -1,82 -2,06
0,5 0,88 -0,07 -0,35 -0,53 -0,65 -0,89 -1,09 -1,25
2 -0,51 0,05 0,24 0,37 0,45 0,66 0,84 1,01
3 -0,66 0,06 0,32 0,50 0,62 0,91 1,18 1,43
6 -0,69 0,07 0,35 0,56 0,71 1,06 1,40 1,74
12 -0,45 0,05 0,25 0,41 0,51 0,79 1,07 1,36

Tabla AÜLIIL- Errores relativos de f para K=6 y distintos valores de "a".

Valores de a
DURACIÓN
Qioras) -0,1 0,01 0,05 0,08 0,1 0,15 0,2 0,25
0,083 6,03 -0,45 -2,01 -2,96 -3,50 -4,58 -5,31 -5,77
0,167 3,64 -0,28 -1,30 -1,94 -2,32 -3,09 -3,66 -4,06
0,333 1,83 -0,15 -0,70 -1,06 -1,28 -1,75 -2,11 -2,39
0,5 1,02 -0,09 -0,41 -0,62 -0,75 -1,04 -1,27 -1,45
2 -0,59 0,06 0,27 0,43 0,53 0,76 0,98 1,17
3 -0,77 0,07 0,37 0,58 0,72 1,05 1,37 1,66
6 -0,80 0,08 0,41 0,65 0,82 1,23 1,63 2,02
12 -0,53 0,06 0,29 0,47 0,59 0,91 1,24 1,58

Tabla AÜLIV.- Errores relativos de f para K=8 y distintos valores de "a"

Ain.-vi
 APÉNDICE ni. ANÁLISIS DE SENSIBILIDAD

Valores de a
DURACIÓN
(horas) -0,1 0,01 0,05 0,08 0,1 0,15 0,2 0,25
0,083 6,68 -0,50 -2,22 -3,28 -3,88 -5,07 -5,88 -6,39
0,167 4,03 -0,32 -1,44 -2,15 -2,57 -3,43 -4,06 -4,50
0,333 2,03 -0,17 -0,78 -1,18 -1,42 -1,93 -2,34 -2,65
0,5 1,13 -0,10 -0,45 -0,69 -0,83 -1,15 -1,41 -1,61
2 -0,66 0,06 0,30 0,47 0,58 0,84 1,08 1,29
3 -0,85 0,08 0,41 0,64 0,80 1,17 1,51 1,83
6 -0,88 0,09 0,45 0,72 0,91 1,36 1,80 2,24
12 -0,58 0,06 0,32 0,52 0,66 1,01 1,37 1,74

Tabla AIELV.- Errores relativos de f para K=10 y distintos valores de "a"

Valores de a
DURACIÓN
(horas) -0,1 0,01 0,05 0,08 0,1 0,15 0,2 0,25
0,083 7,21 -0,54 -2,40 -3,54 4,19 -5,47 -6,35 -6,90
0,167 4,35 -0,34 -1,55 -2,32 -2,77 -3,70 -4,38 -4,86
0,333 2,19 -0,18 -0,84 -1,27 -1,53 -2,09 -2,52 -2,85
0,5 1,22 -0,10 -0,49 -0,74 -0,90 -1,24 -1,52 -1,74
2 -0,71 0,07 0,33 0,51 0,63 0,91 1,17 1,40
3 -0,92 0,09 0,44 0,69 0,86 1,26 1,63 1,98
6 -0,95 0,10 0,49 0,78 0,98 1,47 1,95 2,41
12 -0,63 0,07 0,35 0,56 0,71 1,09 1,48 1,88

Tabla Ain.VL- Errores relativos de f para K=12 y distintos valores de "a".

Valores de a
DURACIÓN
(horas) -0,1 0,01 0,05 0,08 0,1 0,Í5 0,2 0,25
0,083 7,44 -0,55 -2,48 -3,65 -4,32 -5,65 -6,55 -7,12
0,167 4,49 -0,35 -1,60 -2,40 -2,86 -3,82 -4,52 -5,01
0,333 2,26 -0,19 -0,87 -1,31 -1,58 -2,15 -2,60 -2,95
0,5 1,25 -0,11 -0,50 -0,76 -0,93 -1,28 -1,57 -1,79
2 -0,73 0,07 0,34 0,53 0,65 0,94 1,20 1,44
3 -0,95 0,09 0,45 0,72 0,89 1,30 1,68 2,04
6 -0,98 0,10 0,50 0,81 1,01 1,51 2,01 2,49
12 -0,65 0,07 0,36 0,58 0,73 1,12 1,53 1,94

Tabla Ain.Vn.- Errores relativos de f para K=13 y distintos valores de "a"

Ani.-vn
 APEISDICE ni. ANÁLISIS DE SENSIBILIDAD

Si se representan gráficamente estas tablas, figura AIII.II, se puede ver

rápidamente que todas ellas guardan una estructura similar:

=:e> Para valores negativos de "a", el error es por exceso en cortas duraciones y por
defecto en largas duraciones, para cualquier valor de K.

=í> Para valores positivos de "a", el error es por defecto en cortas duraciones y por
exceso en largas duraciones, para cualquier valor de K.

=> La máxima variación de f (tanto por exceso como por defecto) se produce en la
mínima duración considerada, variación que se va incrementando conforme aumenta
K.

=> A partir de una duración de dos horas, las variaciones de f(%) apenas sufren
cambios, no estando afectadas apenas por "K", y muy poco por "a".

=> A partir de una duración de 2 horas, las variaciones de " f se empaquetan en una
horquilla que va desde 0,04 % ,( para un valor de "a" de 0,01) y hasta un poco más
del 2% para duraciones de 6 horas, para el máximo valor de "a" considerado (0,25)-
incrementándose ligeramente con "K" - y a partir de esa duración vuelve a bajar en
la última duración considerada (12 horas).

Ani.-VIII
 APÉNDICE ni. ANÁLISIS DE SENSIBILIDAD

K=4
6.00
•ai
0.01
0.05
-4f-o.oa
H*^-Q1
-•-0.15
-4—0.2
-*-0.25
clutación(horas)

k=8

duración(tx)ras)

\^2
k=13
10.00 T
•D
1000
C
(0 sP
500
^ ÍS ==
0.00
10.000 15.000 ^ !ñ 0
c > -fion
•o
5(0 £^ro
-10.00 > -10.00

duración(horas) duración(horas)

Figura Ani.n.-Representación gráfica de la variación de f (%) con la duración cuando "a" varía
un 10% y para cada valor de "K".

AIII.-IX
 APÉNDICE m. ANÁLISIS DE SENSIBILIDAD

• Xos errores relativos que se derivan de estimar incorrectamente el valor de "K" son
mayores que los errores que se derivan de la estimación incorrecta de "a", en términos
;.". absolutos.;:^-'r.;'

• Es más difícil cometer errores en "K" que en "a", por el rango de valores que adopta:

- En España, "K " adopta unos valores que se encuentran comprendidos entre 4-13,
Asíi un error de K de mi 10 % llevaría, parael mínimo valor de K, K=4, avalores
entre (3¿6-4,4) y si el valor de K es el más alto, (K=13), el intervalo de valores
^•,.-.'-'seríade(l;l,7-14,4).'••,/;•••/ •-••
- El rango de valores positivos que adopta "a" en España varía entre (0,008- 0,29),
por lo que un 10% de error implicaría- para el valor de 0,008- adoptar un valor de
"a" en el intervalo (0,0072-0.000088) y para el mayor valor de "a" (0,290) a
adoptar un valor en el intervalo (0,261-0,319), y que por razones obvias, resulta
masfócilque se produzca.

Por lo t^ntó a la hora de estimar ambos valores de"K" y de "a" hay que ser
muy cuidadoso, pero sobre todo en la adopción del valor de "a*'.

Ain.-x
 APÉNDICE IV, APLICACIÓN PRACTICA

APÉNDICE IV.- APLICACIÓN PRACTICA.

Como aplicación práctica se va a estimar 1(0,5, 200) y la 1(6, 10) en Motilla del
Palancar utilizando la metodología propuesta en la presente Tesis.
Donde:
1(0,5, 200), es la Intensidad máxima para ima duración de 30 minutos y un
período de retomo de 200 años.
1(6,10), es la Intensidad máxima para una duración de 360 minutos, (6
horas) y vai período de retomo de 10 años.

La ecuación que se plantea en la presente Tesis es la siguiente;

24 ' * ^ ^ [hc(T)^CA{Tf^

Donde:
PMDA^ es la precipitación máxima diaria anual media correspondiente al punto
considerado, obtenida en "Máximas lluvias en la España Peninsular"(1999).
CA{T)p es el cuantíl adimensional, deducido por Ferrer para la estimación de la
precipitación máxima diaria anual y para el periodo de retomo considerado, que
se puede obtener en la misma monografía citada anteriormente.
gT (d) es la función I-D con los parámetros deducidos en la estación/estaciones
con pluviógrafo próximas, o bien de los mapas de iso-líneas deducidos a partir
de ellos.
hL(T) y hc(T), son funciones que relacionan los cuantiles adimensionales para
largas y cortas duraciones, con los correspondientes a lluvias diarias, recogidos
estos últimos también en la publicación "Máximas lluvias diarias en la España
Peninsular".

AIV-I
 APÉNDICE IV. APLICACIÓN PRACTICA

El proceso se puede esquematizar como sigue;

1.-Estimación de PMDA^
- Si esta localidad tiene pluviómetro se podría calcular PMDA^ directamente con
los datos de la estación.
- Conociendo las coordenadas de Motilla del Palancar también se puede obtener a
partir del mapa de ísolíneas de PMDA^ de Ferrer, en la publicación "Máximas
lluvias diarias en la España Peninsular".
En el mapa AIV.I se muestra Motilla del Palancar, con las isolíneas que se
presentan en la citada publicación.

\ C™, .^ "^ JVIoTitta del f^lanoí

. %

Roda V

Albacete

Mapa AlVI.- Mapa de isolíneas. (Tomado de "Máximas lluvias diarias en la España Peninsular)

Del mapa se deduce que la PMDA^ es de 44mm.

2.-0btención del CAp.

En ese mismo mapa, mapa ATV.Í, de isolíneas se debe obtener el valor del Cv,
que en el caso que se estudia, Motilla del Palancar, adopta un valor de 0,36.
En la tabla correspondiente, en la citada publicación, se obtienen los cuantiles
adimensionales para cada período de retomo, (CAp), en función del Cv y del período de
retomo.
Período de retomo
Cv 2 5 10 25 50 100 200 500
0,36 0,919 1,225 1,446 1,747 1,991 2,251 2,525 2,892

Tabla AIV.I.- CAp teniendo en cuanta el período de retorno y el Cv. (Tomada de la publicación
"Máximas lluvias diarias en la España Peninsular")

AIV-II
 APÉNDICE IV. APLICACIÓN PRACTICA

En azul se ha marcado el CAp correspondiente a un período de retomo de 10

años, y en rojo se ha marcado el correspondiente a 200 años.

3.-Estimación de g(d)
La función g(d) requiere dos parámetros, "a" y "K" , que se pueden obtener de
los mapas de isolíneas presentadas en la presente Tesis.
Si el usuario considera que las características climáticas, orográfícas, ...son
similares a las de la estación próxima, Albacete, podría adoptar los valores de dicha
estación. En otro caso, puede hacer uso de los mapas de isolíneas.
De la lectura en el mapa de iso- K se deduce que "K" toma el valor de 12,9
Y del mapa de iso-a se deduce que "a" toma el valor de 0,15

Aplicando la fórmula, g(d) = k^^'"-'^'^

g(0,5) = k<^^-^'>= 19,50

g(6) = k^^^-''*>=3,55
4.-Determinación de la función h(T)
La función h(T) adecuada depende de la duración.
4.1.-Para cortas duraciones(menor o igual que 1 hora) se debe aplicar la función:

ft^(j) = -0,0044* (£«(r))^^ 0,0679 *i;«(r)^

Obteniéndose hc(200)= 1,1828

4.2.-Para largas duraciones se debe aplicar la función:

Obteniéndose h^lO) = 1,0372

5.- Obtención de la Intensidad máxima para cada duración y período de retomo.
Para obtener 1(0,5,200), se deber aplicar esta expresión:

PMDA
1(0,5,200): *l,13*gP(0,5)*hc(T)*CA(T)|
24
Punto de
Motilla del Palancar
estudio
PMDA^ G4(200)^ g(0,5) hc(200) 1(0,5,200)

44 2,525 19,50 1,1828 120,6

Aiv-m
 APÉNDICE IV. APLICACIÓN PRACTICA

Para obtener 1(6,10), se debe aplicar la siguiente expresión:

p
1(6,10) = ^ ^ ^ ^ ^ * 1,13 * g''(6) * h, (10) * CA(IO)^

Punto de
Motilla del Palancar
estudio
PMDA^ CAÍIOYF g(6) hL(lO) 1(6,10)
44 1,446 3,55 1,0372 11,0

Este proceso se simplifíca considerablemente con la aplicación informática que

se ofrece en la presenta Tesis, y se reduce a dos pasos:

1.- Se pincha en el mapa de España, en Motilla del Palancar. En el mapa

se presenta una malla con las coordenadas UTM cada 100 Km, referidas al
huso 30, así como los límites provinciales y cadenas montañosas, que sirven
de referencia para identificar el punto correspondiente.
Aparecerá una ventana en la derecha de la pantalla con los parámetros
necesarios,(K, a, CAp, y PMDA'^ ),

2.- Los parámetros deben introducirse en la celda correspondiente, y aparecerá la

tabla siguiente:

Valores de f(d;T) en mm/h

DURACIÓN i^^i^^K^ ^ ^ ^ ^ ^^^^S ^^^^^^^s^ ^ ^ ^ ^^^^^3

Sm 89.60 125.82 153.51 192.33 224.15 258.09 293.69 340.87
10 m 65.33 91.73 111.92 140.22 163.41 188.16 214.11 248.51
15 m 53.45 75.05 91.57 114.72 133.70 153.95 175.18 203.32
20 m 46.00 64.60 78.82 98.75 115.08 132.51 150.79 175.01
30 m 36.82 51.70 63.08 79.03 92.11 106.06 120.69 140.07
1h 24.35 34.19 41.72 52.27 60.92 70.14 79.62 92.64
2h 15.50 21.14 25.34 31.13 35.86 40.91 46.22 53.29
3h 11.58 15.80 18.93 23.27 26.80 30.57 34.54 39.82
6h 6.74 9.20 11.02 13.55 15.60 17.80 20.11 23.19
12 h 3.70 5.05 6.05 7.43 8.56 9.77 11.03 12.72

AIV-IV
ANEJOS
 ANEJOS

1.- RECURSOS INFORMÁTICOS UTILIZADOS.

Para realizar esta investigación se ha utilizado un ordenador personal Pentium de

8 GB, 64MB de memoria RAM.

El software empleado para definir regiones ha sido desarrollado por

Hosking&Wallis en un paquete "LMOMENTS que contiene códigos fuente Fortran-77
con una serie de rutinas. Es de libre disposición, y se encuentra en
http://lib.stat.cmu.edu/general/lmoments

También se ha hecho uso de diversos programas: Excel, Statgraphics, Spss,

Chac y Sqrt, estos últimos en lenguaje Fortran. Así mismo, para la generación de
números aleatorios por la transformada inversa del método de Monte Cario, se ha
elaborado una hoja de cálculo en Excel.

Todo ello se presenta en el CD que se adjunta.

2.- ORGANIZACIÓN DE LOS ARCHIVOS.

ANEJO 1.- SERIES SUMINISTRADAS POR EL INM.

Archivo de Excel con el código de la estación correspondiente.

Cada archivo presenta en la primera fila el código indicativo, el nombre de la

estación y las coordenadas correspondientes a la longitud y latitud. En la siguiente fila
se indican las unidades en que está expresada la intensidad máxima, mm/h, y a
continuación aparece una tabla en la que se muestra, año a año, la intensidad máxima
anual correspondiente a las distintas duraciones (en el encabezado de la tabla se indica
la duración: 5, 10, 15, 20, 30, 60, 120, 180, 360, 720 minutos y, por último 24 horas).
Todos estos datos han sido suministrados por el Instituto Nacional de Meteorología.

ANEJO 2.- SERIES ADIMENSIONALES.

Archivo de Excel, con el código de la estación correspondiente.

En el archivo proporcionado por el INM, se ha dividido cada intensidad máxima

anual entre la intensidad máxima media correspondiente a cada duración.

A.-1
 ANEJOS

Además se han añadido dos filas que incorporan el coeficiente de variación y

asimetría de la serie adimensionalizada.

ANEJO 3.- REPRESENTACIÓN DE LAS SERIES.

Archivo de Excel, con el código de la estación correspondiente.

Se representa la serie temporal para cada estación, del cociente de la intensidad

máxima anual entre la intensidad máxima media de cada duración.

ANEJO 4.- L-MOMENTS

Archivo de Excel, con el código de la estación correspondiente.

Cada archivo cuenta con ima tabla en la que para cada duración (minutos), se
ofrece los resultados de calctxlar los 1-momentos, bo,bi, b2 ,b3, Ij, I2,13,14, t2, ts, t4 .

ANEJO 5.- TEST DE HOMOGENEIDAD.

Archivo de texto.

En este anejo se incluyen las entradas para poder aplicar los test de
homogeneidad (para cada estación se ha incluido la región cortas duraciones y largas
duraciones bajo el nombre, "código de la estación-c.7" y "código de la estación-1.7") así
como las salidas del programa XTEST, que permitirá establecer si las series son
discordantes o no, y si forman una región homogénea, (las salidas se muestran bajo el
nombre "código de la estación-c.sal" y código de la estación-l.sal". ) Ambos se pueden
abrir con el bloc de notas.

ANEJO 6.- AJUSTE SQRT-ET MAX

Archivo de texto y salidas de programa SQRT

Para cada estación se han incluido los ficheros:

• "r-estación-c" y "r-estación-l", entrada al programa para la región cortas y
largas duraciones de cada estación.

A.-2
 ANEJOS

• "r-estación-cf." y "r-estación-lf salida del programa para la región "cortas

duraciones" y "largas duraciones" de cada estación, y estimación de parámetros
por el método de momentos.
• "r-estación-cmv" y "r-estación-lmv" salida del programa, para la región "cortas
duraciones" y "largas duraciones" de cada estación, y estimación de parámetros
por el método de máxima verosimilitud.

ANEJO 7.- REPRESENTACIÓN Y TEST KOLMOGOROV-SMIRNOV

Archivos de Word.

Bajo el nombre "informe- código de la estación" se recoge los resultados de

aplicar el Test de Kolmogorov-Smimov en cada una de las regiones establecidas en
cada estación, después de haber realizado el ajuste a la función SQRT-ET máx por
ambos métodos de estimación de parámetros.

ANEJO 8.- MÉTODO DE MONTECARLO.

Archivos de Excel.

De esta carpeta cuelgan los archivos que se han manejado para la aplicación de
esta técnica. Son archivos xls, que se han nombrado siguiendo el siguiente criterio:
• "mc-estación-c-mv" y "mc-estación-c-m", en la estación correspondiente, la
región "cortas duraciones" y método máxima verosimilitud o momentos
respectivamente.
• mc-estación-1-mv" y "mc-estación-1-m", en la estación correspondiente, la
región "largas duraciones" y método máxima verosimilitud o momentos
respectivamente.

En estos archivos se incluyen 3 hojas:

"Newton(red)" con el programa desarrollado para la generación de números aleatorios,
y la semilla manejada.
"Muestra" es la hoja en donde se han generado las 100 muestras con im número de
datos igual a los que presentan las series originales de la estación. En las celdas
inferiores se han calculado la media, coeficiente de variación y coeficiente de asimetría
de las series generadas.

A.-3
 ANEJOS

"Hoja 3" en ella se han representado en ordenadas el coeficiente de asimetría, y en

abscisas el coeficiente variación de las muestras generadas, junto con los valores
muéstrales de la estación correspondiente.

ANEJO 9.- CÁLCULO DE RESIDUOS.

Archivo de Excel.

En este anejo se incluye la comparación de los resultados obtenidos al aplicar la

metodología propuesta en la presente Tesis y la propuesta por el INM en cada una de las
estaciones seleccionadas. Dentro del archivo único hay una hoja para cada estación.

ANEJO 10.- MAPAS.

Archivo de Arc-view.

Se presentan los mapas de iso-K e iso-a realizados en la presente Tesis en la

España Peninsular,

A.-4