Cálculo de la precipitación máxima

probable y su incertidumbre

1. Departamento de Ingeniería Bioló gica y Agrícola, Texas A&M University, EE.

UU.
2
 Departamento de Ingeniería Bioló gica y Agrícola y Departamento de
Ingeniería Civil de Zachry, Texas A&M University, EE. UU.
3
 Rama de Sistemas Hidroló gicos, Laboratorio Costero e Hidrá ulico, Centro de
Desarrollo de Investigaciones de Ingenieros Cuerpo de Ingenieros del Ejército
de EE. UU., EE. UU.

2. Correspondencia: Vijay P Singh, Departamento de Ingeniería Civil, Texas A&M

University, EE. UU.

3. Recibido: 23 de junio de 2018 | Publicado: 21 de agosto de 2018

4. Cita: Singh A, Singh VP, Byrd AR. Cá lculo de la precipitació n má xima probable y

su incertidumbre. Int J Hydro . 2018; 2 (4): 504-514. DOI: 10.15406 /
ijh.2018.02.00118

RESUMEN
La precipitació n má xima probable (PMP) se usa para estimar la inundació n
má xima probable (PMF) que, a su vez, se usa para el diseñ o de estructuras
hidrá ulicas importantes, como presas y vertederos, obras de protecció n contra
inundaciones y plantas de energía nuclear. Uno de los métodos comú nmente
utilizados para estimar PMP es el método estadístico, también llamado método de
Hershfield, que implica el cá lculo del factor de frecuencia, el ajuste del factor de
frecuencia, la construcció n de una curva envolvente del factor de frecuencia, la
estimació n de PMP, la elecció n de una distribució n de probabilidad de PMP, y
determinació n del período de devolució n de PMP. Sin embargo, existen
incertidumbres asociadas con los valores de PMP estimados utilizando el método
estadístico. Este estudio determinó los valores de PMP para diferentes duraciones
utilizando el método estadístico con datos de la cuenca del río Brazos, Texas. Se
descubrió que puede producirse una incertidumbre significativa en las
estimaciones de PMP con el uso de la curva envolvente del factor de frecuencia y el
nú mero de estaciones involucradas en su construcció n. La curva de Hershfield
arrojó valores de factor de frecuencia má s altos en un 16% para una duració n de 1
hora, en un 17,9% para una duració n de 6 horas y en un 22,1% para una duració n
de 24 horas. En comparació n con los valores específicos de la cuenca, los valores
de PMP de la curva envolvente de Hershfield fueron 16.8% má s altos para 1 hora,
18.5% para 6 horas y 23.4% para 24 horas. Para la mayor parte de la cuenca del río
Brazos, el período de retorno de los valores de PMP estuvo en el rango de 1000 a
3000 añ os, que fue menor que el rango de 10 3 a 10 6 añ os reportado en HMR 51,
mostrando el grado de riesgo asociado con el PMP valores. Por lo tanto, se sugiere
una curva de envoltura específica de la cuenca. De 24 distribuciones estadísticas
comú nmente utilizadas y 5 pruebas de bondad de ajuste, se encontró que la
distribució n Burr Tipo XII es la mejor distribució n de frecuencia para describir
PMP. Se observó que el período de retorno obtenido de la distribució n de
frecuencia Burr tipo XII no fue significativamente mayor que el obtenido de los
informes hidreometeoroló gicos (HMR) del Servicio Meteoroló gico Nacional y otros
estudios.

Palabras clave: precipitació n má xima probable, método estadístico, factor de

frecuencia, curva envolvente, incertidumbre, método de campo duro, distribució n
de rebabas xii

Introducción
La precipitació n má xima probable (PMP) se denomina "teó ricamente la mayor
profundidad de precipitació n para una duració n dada que es físicamente posible
sobre un á rea de tormenta de tamañ o determinado en una ubicació n geográ fica
particular en un momento dado del añ o". 1 Originalmente, PMP se definió como la
precipitació n má xima posible (MPP), el valor de precipitació n que no se pudo
exceder. Sin embargo, los valores de MPP se han excedido 2 y debido a las
complejas interacciones atmosféricas que contribuyen a la precipitació n extrema,
su nombre se cambió a PMP. Desde la década de 1940, el Servicio Meteoroló gico
Nacional ha publicado una serie de informes hidrometeoroló gicos (HMR) que
describen los procedimientos para obtener los valores de PMP para la mayoría de
los Estados Unidos. La suposició n principal en estos procedimientos para el cá lculo
de PMP es que existe la combinació n ó ptima de humedad disponible en la
atmó sfera y la eficiencia del mecanismo causal en la tormenta que causará la
precipitació n má xima. El PMP se usa para el cá lculo de la inundació n má xima
probable (PMF) que luego se usa para el diseñ o de estructuras hidrá ulicas, como
grandes presas y vertederos, obras de control de inundaciones, diques y plantas de
energía nuclear. PMF se utiliza para dimensionar las estructuras hidrá ulicas de
manera que se minimice el riesgo de falla. 3 Sin embargo, existen incertidumbres
involucradas en la estimació n de PMP independientemente del método utilizado
para calcularla. Un límite superior con riesgo cero no es realista, ya que ha habido
casos en que las tormentas en EE. UU. Han excedido las estimaciones de PMP. 4 y
las inundaciones registradas han excedido los PMF estimados. 5 5

El PMP se ha utilizado para predecir el volumen, el tiempo y el flujo má ximo de las

inundaciones extremas en todo el mundo. Los diseñ adores obtienen los valores de
PMP de los informes hidrometeoroló gicos (HMR) producidos por la Oficina de
Recuperació n de los Estados Unidos (USBR) y el Servicio Meteoroló gico Nacional
(NWS). Sin embargo, estos documentos HMR proporcionan valores de
precipitació n generalizados que no son específicos de la cuenca. Por lo tanto,
tienden a representar los mayores valores de PMP en regiones amplias. Muchos
estudios específicos del sitio en el pasado han producido diferentes valores de PMP
en comparació n con los valores publicados de HMR. 6 Por lo tanto, es necesario
determinar el PMP específico de la cuenca que luego se puede utilizar para el
cá lculo del PMF. Tal PMP puede incorporar características de cuenca que son
específicas de la topografía local y el clima. Por lo tanto, para cuantificar la
incertidumbre con PMP, se necesita un aná lisis de frecuencia de precipitació n
extrema. El objetivo de este estudio, por lo tanto, fue estimar los valores de PMP
para diferentes duraciones y ubicaciones en la cuenca del río Brazos utilizando el
método estadístico y determinar la incertidumbre asociada. Para lograr este
objetivo, los objetivos específicos fueron:

I. Construya una curva envolvente específica de la cuenca del factor de

frecuencia para la cuenca del río Brazos y calcule los valores de PMP
usá ndola y construya los mapas Isohyetal de los valores de PMP;
II. Determinar la distribució n de probabilidad de mejor ajuste para
precipitació n extrema y la probabilidad de excedencia de los valores de
PMP para la cuenca del río Brazos; y
III. Calcule las incertidumbres asociadas con las estimaciones estadísticas de
los valores de PMP que surgen de las incertidumbres debido a la elecció n de
la distribució n de probabilidad, el nú mero de estaciones y el factor de
frecuencia, y calcule los períodos de retorno de los valores de PMP
calculados.

El documento está organizado de la siguiente manera. Con la introducció n en esta

secció n, los métodos de cá lculo de PMP se discuten en la secció n 2, seguidos de una
discusió n sobre la incertidumbre en PMP en la secció n 3. La metodología de
estimació n de PMP se discute en la secció n 4 y el cá lculo del período de retorno de
PMP se describe en secció n 5. El documento se concluye en la secció n 6.

Métodos para calcular PMP

Existen diferentes métodos utilizados para la estimació n de PMP que se pueden
clasificar como hidrometeoroló gicos y estadísticos. Los métodos
hidrometeoroló gicos comunes 7 ‒9 incluyen el método de maximizació n de
humedad, el método de transposició n de 10 tormentas, el método generalizado, el
método de separació n de tormentas 11 y el método de profundidad-á rea-
duració n. Los métodos estadísticos comunes incluyen el método Hershfield y sus
variantes y el método multifractal. En la maximizació n de la humedad, la
precipitació n de la tormenta aumenta a un valor que sea consistente con la
humedad má xima en la atmó sfera para la ubicació n de la tormenta y el mes de
ocurrencia. 12 Los supuestos bá sicos de este método son que la precipitació n está
relacionada linealmente con el agua precipitable. La transposició n de tormentas
está asociada con la reubicació n de la precipitació n de tormentas dentro de una
regió n que es homogénea en relació n con el terreno y las características
meteoroló gicas importantes para la lluvia de tormenta particular. La suposició n
bá sica aquí es que existe una regió n meteoroló gicamente homogénea de tal
manera que una gran tormenta que ocurra en algú n lugar de la regió n podría
ocurrir en cualquier otro lugar de la regió n. En el método generalizado, las
profundidades má ximas de lluvia registradas de las tormentas de lluvia sobre un
á rea grande y la fuente de ajuste se realizan al aplicar las profundidades má ximas
de lluvia registradas a una cuenca particular. 13 El método generalizado tiene la
ventaja de utilizar las profundidades má ximas de lluvia registradas para todas las
combinaciones de á rea y duració n y permite una transposició n casi libre en el
espacio. 14 , 15 utilizaron el método generalizado para estimar los valores de PMP
para las cuencas de cuatro grandes cuencas de presas en la India. Se supuso que los
valores de PMP resultarían de la combinació n ó ptima de la humedad disponible en
la atmó sfera y la eficiencia del mecanismo de tormenta que se midió
indirectamente por la precipitació n observada.

El método de separació n de tormentas se usa particularmente en regiones

orográ ficas donde el método de transposició n de tormentas es inapropiado. Se
supone que las cantidades de lluvia orográ fica y de convergencia se pueden
determinar explícitamente. La precipitació n de convergencia se conoce como
precipitació n forzada atmosférica libre (FAFP) (HMR, 57). Desarrolla PMP en
términos de componentes orográ ficos y de convergencia, y HMR 36 es uno de los
primeros informes que analiza este método. Recientemente, el aná lisis multifractal
se ha utilizado para la estimació n de PMP. Multifractal, también conocido como
multiescalado, se usa ampliamente para describir el comportamiento de escala de
la precipitació n y el flujo de la corriente. Douglas y Barros 16 utilizaron esta técnica
para calcular las estimaciones físicamente significativas de la precipitació n má xima
a partir de observaciones en el este de los Estados Unidos. El enfoque multifractal
tiene la ventaja de que proporciona un marco formal para inferir la magnitud de
los eventos extremos, llamada precipitació n má xima fractal (FMP),
independientemente de los ajustes empíricos, en una aplicació n específica de sitio
de FMP en regiones orográ ficas. El método está limitado por la longitud del
registro, la resolució n espacial de la red de pluvió metros y la falta de estimaciones
de incertidumbre. De todos los métodos, el método estadístico, a menudo llamado
método Hershfield 17 , se usa má s comú nmente y se puede aplicar, si hay datos de
precipitació n a largo plazo disponibles. 18 , 19 Bruce & Clark 20 en Canadá y Myers 21 en
los Estados Unidos han demostrado que las estimaciones de PMP obtenidas por el
método Hershfield está n demasiado lejos de las obtenidas por los métodos de
maximizació n de humedad y transposició n de tormentas. Wiesner 22 argumentó
que este método expresaba todo el conjunto de datos de lluvia en términos de
pará metros estadísticos. Papalexiou y Koutsoyiannis 14 mostraron que el método
estadístico para estimar los valores extremos de precipitació n fue má s consistente
con el comportamiento natural y proporcionó una mejor base para la estimació n
que la maximizació n de la humedad. Dado que el método Hershfield se basa en la
precipitació n promedio y la desviació n está ndar de la precipitació n, es similar al
método del factor de frecuencia Chow 23 , expresado como:

Donde n es el nú mero de valores má ximos anuales de precipitació n

correspondientes a una duració n dada, es la media de la muestra, es la desviació n
está ndar de la muestra y es el factor de frecuencia. Hershfield 17 usó 15 como valor
má ximo para calcular PMP. Má s tarde, en 1965, Hershfield 3 descubrió que una
envoltura superior tenía una tendencia a disminuir al aumentar la cantidad de
precipitació n. En otras palabras, el factor de frecuencia disminuye al aumentar la
precipitació n má xima media anual. El valor de varía de 5 a 20, dependiendo de la
duració n de la precipitació n y la precipitació n promedio. 24 Este método también se
utilizó en este estudio. Hershfield 3 analizó má s de 95,000 estaciones-añ o de
má ximos anuales pertenecientes a 2,645 estaciones, alrededor del 90% de los
datos provenían de los Estados Unidos y el 10% de otras partes del mundo que
incluían algunas de las regiones de precipitació n má s pesadas. Luego produjo una
nomografía empírica que oscila entre 5 minutos y 24 horas y que ha sido
estandarizada por la OMM 19 como base para estimar el PMP. 25 Utilizando este
método, se derivaron curvas envolventes para á reas y duraciones particulares, que
se han utilizado para calcular los valores de PMP. 26 , 27 El factor de frecuencia
envolvente sirve para el propó sito de la transposició n. Casas y col. 26 utilizaron el
método de Hershfield para estimar los valores de PMP para la duració n de un día y
sus períodos de retorno, y la resolució n espacial sobre la regió n de Cataluñ a. La
distribució n de Gumbel con pará metros estimados por el método de los momentos
L se utilizó para determinar los períodos de retorno de los valores calculados de
PMP. Mostraron que el 90% de los valores de PMP tenían períodos de retorno de
10 4 a 10 8 añ os.

El elemento fundamental en el método de Hershfield es el pará metro k  my

las diferentes variantes de este método estiman este pará metro de manera

diferente. Por ejemplo, Koutsoyiannis y Papalexiou 14 propusieron nomografías

para estimar el valor de k  m . Lan y col. 9 utilizó una variable estandarizada, definida
como la desviació n má xima de la media de una muestra escalada por la desviació n
está ndar de la muestra para reemplazar el factor km y encontró que era má s
razonable., Koutsoyiannis 25 ajustó un valor extremo generalizado (GEV) a los
valores del factor de frecuencia para el mismo conjunto de datos utilizado por
Hershfield y descubrió que el valor km de 15 correspondía a un PMP de 60,000
añ os. Esto muestra que puede haber una gran variació n en el valor de PMP
resultante del valor del factor de frecuencia. Por lo tanto, este estudio revisita la
estimació n de PMP y su incertidumbre.

Incertidumbre en la estimación de PMP

La incertidumbre con los diferentes métodos para estimar PMP ha sido investigada
por varios investigadores que se preocuparon principalmente por maximizar y
transponer tormentas reales utilizando la maximizació n de humedad en el
lugar. 10 , 14 Los estudios centrados en las incertidumbres en las estimaciones de PMP
utilizando el método estadístico o má s específicamente el método de Hershfield
han sido limitados. Puede haber dos formas de cuantificar la incertidumbre en las
estimaciones de PMP. Primero, la incertidumbre se puede determinar debido a las
incertidumbres en el factor de frecuencia y la desviació n media y está ndar de los
valores de precipitació n extrema. Segundo, el aná lisis de frecuencia de PMP puede
usarse para cuantificar la incertidumbre.

Existen incertidumbres en el factor de frecuencia () que se explica utilizando una

funció n envolvente de los valores de factor de frecuencia má s
altos. Koutsoyiannis 25 reflexionó si los datos de precipitació n extrema utilizados en
el método de Hershfield sugerían un límite superior determinista de
precipitació n. Sugirió unificar todas las clases de longitud de registro y agregar el
nú mero de ocurrencias de todas las clases después de ignorar el efecto de la
longitud de registro. Considerando como una variable aleatoria, la probabilidad de
que no se exceda se puede estimar utilizando la fó rmula de Weibull, suponiendo
que todos los registros de precipitació n má xima anual estandarizada representan
prá cticamente la misma població n. También hay incertidumbres en la media de la
muestra y la desviació n está ndar de la muestra que pueden afectar la estimació n
de PMP. 28 Por otro lado, la incertidumbre de los valores de PMP puede
cuantificarse mediante aná lisis de frecuencia de la serie de precipitació n má xima
anual. El primer paso es determinar la distribució n de probabilidad de mejor
ajuste para las series de precipitació n extrema y los períodos de retorno de los
valores de PMP. La probabilidad de excedencia de los valores de PMP se puede
utilizar para analizar la incertidumbre. Aunque la definició n de PMP supone un
límite superior de precipitació n, sin embargo, no hay un nivel de probabilidad
asignado y un período de retorno a eventos 'probables' que puedan exceder los
límites superiores. 29 Existe la incertidumbre de la ocurrencia de tales eventos
extremos. Sin embargo, al seleccionar una distribució n apropiada para los valores
de precipitació n extrema e ignorar el concepto de límite superior, se puede
calcular el período de retorno para el valor estimado de PMP. Se pueden usar
varias distribuciones de probabilidad para calcular los períodos de retorno de
precipitació n má xima de diferentes duraciones o calcular el período de retorno de
precipitació n extrema. La distribució n de Gumbel se ha usado comú nmente para
aná lisis de frecuencia extrema, porque las series de precipitació n anual má xima
son relativamente cortas, especialmente en países en desarrollo, y se observan
valores atípicos. El método de ajuste tradicional con los momentos convencionales,
como la media y la desviació n está ndar, puede dar como resultado períodos de
retorno má s cortos que los correspondientes a una muestra má s larga que
contiene una gran cantidad de añ os de datos. 26 El coeficiente de variació n (CV) de
la serie de precipitació n má xima anual se puede ajustar para compensar el efecto
de valores atípicos. 30

Existe una gran cantidad de incertidumbre asociada con la bú squeda de la

distribució n má s adecuada para hacer aná lisis de frecuencia. Las estaciones que
tienen una cantidad limitada de datos para el aná lisis de frecuencia introducen
incertidumbre de muestreo, en particular, debido a la presencia de valores
atípicos, que hacen que las estimaciones de los momentos de orden superior (como
la asimetría) se vuelvan inestables. 31 Para series de tiempo diarias,
Koutsoyiannis 32 encontró que el Valor Extremo Generalizado (GEV) tipo II (EV2)
describía mejor los extremos hidroló gicos que la distribució n de
Gumbel. Suponiendo que el pará metro de forma de la distribució n EV2 sea
constante (= 0.15) en Europa y América del Norte, se simplificó el ajuste de
distribució n. Má s recientemente, Papalexiou y Koutsoyiannis 33 utilizaron una
distribució n Gamma generalizada (GG) de tres pará metros y una distribució n Beta
generalizada de cuatro pará metros de segundo orden (GB2) a 11,519 registros
diarios de precipitació n en todo el mundo. Los resultados mostraron que estas
distribuciones describían casi todos los registros empíricos
satisfactoriamente. Determinar la distribució n de probabilidad de mejor ajuste es
importante para cuantificar la incertidumbre en las estimaciones de
PMP. Asquith 34 analizó frecuencias de precipitació n má xima anual para duraciones
de 15, 30 y 60 minutos; 1, 2, 3, 6, 12 y 24 horas; y 1, 2, 3, 5 y 7 días usando
momentos L, como media, escala L, coeficiente de variació n L, sesgo L y curtosis
L. Encontró que la distribució n logística generalizada, usando diagramas de razó n
de momento L, era una distribució n de probabilidad apropiada para modelar las
frecuencias de má ximos anuales para duraciones de 15 minutos a 24
horas; mientras que la distribució n generalizada de valores extremos fue
apropiada para duraciones de 1 a 7 días. 34 Sin embargo, los resultados solo se
basaron en la relació n de momentos L e incluyeron solo unas pocas distribuciones,
como la distribució n logística generalizada y la distribució n de valor extremo
generalizado (GEV), la distribució n generalizada de Pareto y la distribució n
Pearson Tipo III. Hasta donde sabemos, las distribuciones de probabilidad de
mejor ajuste para diferentes duraciones como 2, 3, 6, 12, 24 horas no se han
determinado para la cuenca del río Brazos.

Por lo tanto, surge la pregunta: “¿Cuá les son las estimaciones de PMP para la
cuenca del río Brazos y cuá l es la incertidumbre asociada con esos
valores ? "Nuestro estudio calculó PMP para duraciones de 1, 2, 3, 6, 12 y 24 horas
y se centró en las incertidumbres debido al uso de la curva envolvente del factor de
frecuencia, el período de retorno de los valores de PMP y la incertidumbre en la
selecció n de la distribució n de probabilidad de mejor ajuste . También es
importante ver có mo los valores de PMP varían con la duració n dada y si existe
alguna relació n entre los valores de PMP y la media de los valores extremos, los
valores de PMP y la precipitació n má s alta observada, o la media y la desviació n
está ndar para diferentes estaciones y duraciones Si existe una fuerte correlació n
entre estas estadísticas, entonces una estadística puede ser sustituida por la otra.

Estimación de PMP
La metodología para la estimació n de PMP consta de 5 pasos:

i. Selecció n de datos de precipitació n;

ii. Estimació n del factor de frecuencia;
iii. Determinació n de la incertidumbre en el factor de frecuencia;
iv. Cá lculo de PMP; y
v. Determinació n de la incertidumbre en los valores de PMP. Cada uno de
estos pasos se describe a continuació n.

Datos de precipitación

Los datos de precipitació n para 1 hora de duració n se tomaron del sitio web NCDC
NOAA (https://www.ncdc.noaa.gov/cdo-web/). Los archivos de forma de las
estaciones de pluvió metros que se importará n a los SIG se prepararon utilizando la
latitud y la longitud de las estaciones. Utilizando las ubicaciones de las estaciones y
el límite de la cuenca del río Brazos, se determinó que la cuenca tenía má s de 90
estaciones. Las estaciones fueron seleccionadas, con base en el criterio de tener al
menos 30 añ os de duració n de registro y observaciones de 9 meses para cada
añ o. 35 Luego se seleccionaron 39 estaciones que tenían una duració n promedio de
registro de 50 añ os y 17 de estas estaciones tenían una duració n récord de má s de
60 añ os. El período de registro varió de 1940 a 2013. La Figura 1 muestra las
ubicaciones de pluvió metros de 1 hora de duració n. A partir de los datos de 1 hora
de duració n, se generaron los datos para otras duraciones de 2, 3, 6, 12 y 24
horas. Se trazó una serie temporal de estaciones con diferentes duraciones para
ver si había alguna tendencia en los registros de precipitació n correspondiente al
tiempo. Ningú n diagrama de serie temporal mostró ninguna no estacionariedad
significativa. Luego, se compilaron series anuales de precipitació n má xima,
basadas en diferentes duraciones, para cada estació n.

Figura 1 Ubicaciones de estaciones de pluvió metro de 1 hora de duració n.

Estimación del factor de frecuencia.

Los valores de la media, la desviació n está ndar y la precipitació n má s alta

observada se calcularon para las series má ximas anuales de cada estació n
correspondientes a cada duració n. La media y la desviació n está ndar se ajustaron
para el tamañ o de la muestra y el evento má ximo observado. 7 La media y la
desviació n está ndar de las series má ximas anuales tienden a aumentar con la
longitud del registro, porque la distribució n de frecuencia de los extremos de
precipitació n está sesgada a la derecha, por lo que hay una mayor probabilidad de
obtener un mayor valor de la media para una longitud má s larga. de registro. Por lo
tanto, para series má s pequeñ as de precipitació n extrema n , se hicieron ajustes a
la media y la desviació n está ndar para la duració n del registro. 7 El coeficiente de
variació n (CV), la razó n de la desviació n está ndar y la media de la serie má xima
anual, se calculó para cada estació n. A veces, la inclusió n de un evento de
precipitació n atípico o extraordinariamente extremo, con un período de
recurrencia mucho má s largo que la serie, puede causar un efecto anó malo en los
valores calculados de la media y la desviació n está ndar. Se calcularon 17 CV para
cada estació n y se verificó si difería demasiado de la de las estaciones vecinas. Para
las estaciones cuyo valor de CV era demasiado diferente de las estaciones vecinas,
se ajustó al valor má s cercano en comparació n con las estaciones vecinas. 15

El factor de frecuencia se calculó como:

Unknown node type: span Unknown node type: spanUnknown node type: spanUnknown node type:
spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span Unknown node type: spanUnknown

node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span  MathType MTEF @ 5
@ 5 @ + = feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr

4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq = Jc9 vqaqpepm0xbba9pwe9Q8fs0 = yqaqpepae9pg0FirpepeKkFr0xfr = x fr =

xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaqcfaOaam4AaS WaaSbaaKqbagaajugWaiaad2gaaKqbagqaaiabg2da9maalaaabaGa

amiwamaaBaaabaqcLbmacaWGTbaajuaGbeaacqGHsisldaqdaaqaai aadIfaaaWaaSbaaeaajugWaiaad6gacqGHsislcaaIXaaajuaGbeaa

aeaacaWGtbWcdaWgaaqcfayaaKqzadGaamOBaiabgkHiTiaaigdaaK qbagqaaaaaaaa @ 4BDA @ ;    (2)

donde es la media y la desviació n está ndar para la serie de precipitació n má xima

anual, excluyendo el valor má s alto de la serie. Se encontró que el valor má s alto de
por 1 hora era 10.1 en Santa Anna, Texas. Se aplicó un procedimiento similar a la
serie de precipitació n má xima para otras duraciones. Dado que cada estació n tenía
su propio valor, dependiendo de la magnitud de la media, los valores de 39
estaciones se representaron frente a la media ajustada para considerar una curva
envolvente apropiada que proporcionaría estimaciones confiables de PMP de 1
hora en lugar de usar el observado valor má s alto Como solo había 39 estaciones
en el á rea de estudio, por lo tanto, se construyó una sola curva envolvente en lugar
de construir curvas regionales envolventes para diferentes á reas dentro de la
cuenca. Ademá s, no hubo ninguna diferencia topográ fica considerable que pudiera
dar lugar a valores de factor de frecuencia poco confiables. La curva envolvente se
dibujó con la ayuda de puntos superiores para diferentes duraciones. La Figura
2 muestra las curvas envolventes para diferentes duraciones. La curva parecía ser
má s sensible para las duraciones má s bajas de precipitació n, lo que significa que
cambiar la media cambió el valor de la correspondiente en una cantidad
considerable. Sin embargo, todas las curvas siguieron la misma tendencia.

Figura 2 Curvas envolventes de diferentes duraciones.

Incertidumbre en el factor de frecuencia

La Figura 3 muestra la curva envolvente basada en 39 estaciones en la cuenca del

río Brazos y la curva envolvente proporcionada por Hershfield para calcular PMP
por hora. De la Figura 3 , se ve que ambas curvas generalmente siguieron las
mismas tendencias pero no coincidieron correctamente. La cuenca del río Brazos
tiene un nú mero menor de estaciones en comparació n con las 2645 estaciones que
utilizó Hershfield, por lo tanto, el factor de frecuencia depende notablemente del
nú mero de estaciones utilizadas. La curva envolvente específica para la cuenca del
río Brazos es má s baja que la curva de Hershfield, que se construyó utilizando
algunas de las regiones productoras de precipitació n má s altas con registros a
largo plazo. La curva envolvente de Hershfield parece dar valores má s altos a
medida que aumenta la media. Por lo tanto, es má s conservador que el bá sico
específico para una hora de duració n. Lo mismo puede decirse de otras duraciones,
ya que las curvas específicas de la cuenca siguieron la misma tendencia y la de
Hershfield fue mayor para otras duraciones en comparació n con la específica de la
cuenca. La Figura 4 muestra la diferencia entre los valores para cada estació n
durante 1 hora en términos adimensionales basados en la fó rmula:

Unknown node type: span Unknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span Unknown node

 MathType MTEF @ 5 @
type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span

5 @ + = feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq = Jc9
vqaqpepm0xbba9pwe9Q8fs0 = yqaqpepae9pg0FirpepeKkFr0xfr = x fr =
xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaqcfa4aaSaaae
aacaWGRbWcdaWgaaqcfayaaKqzadGaamyBaiaadIeaaKqbagqaaiab
gkHiTiaadUgalmaaBaaajuaGbaqcLbmacaWGTbGaamOqaaqcfayaba
aabaGaam4AamaaBaaabaqcLbmacaWGTbGaamisaaqcfayabaaaaaaa @ 4651 @ (3)

Figura 3 Comparació n de la curva envolvente de Hershfield con la curva

envolvente de la cuenca del río Brazos.
Serie 1– Curva específica de cuenca; Serie 2- Curva Hershfield.
Figura 4 Incertidumbre en los valores del factor de frecuencia en términos
adimensionales.
¿Dó nde está el valor del factor de frecuencia de Hershfield y es el valor del factor
de frecuencia específico de la cuenca? Esta diferencia es una indicació n de
incertidumbre que puede introducirse cuando se usa la curva de Hershfield en
lugar de la curva específica de la cuenca. Se aplicó el mismo procedimiento para
duraciones de 6 y 24 horas y se observó la misma tendencia. El uso de la curva de
Hershfield en lugar de la cuenca específica puede aumentar en un 16% durante 1
hora, en un 17,9% durante 6 horas y en un 22,1% durante 24 horas. También se
calculó utilizando los valores de PMP publicados en documentos HMR (HMR,
51). El rango de valores de PMP varió de 863.6 mm (estació n en Pep) a 1198.8 mm
(estació n en Houston Alife) durante 24 horas. El valor de se calculó como:

Unknown node type: span Unknown node type: spanUnknown node type: spanUnknown node
type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span Unknown node type: spanUnknown node type:
spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type:

spanUnknown node type: spanUnknown node type: span  MathType MTEF @ 5 @ 5 @ + =

feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq = Jc9
vqaqpepm0xbba9pwe9Q8fs0 = yqaqpepae9pg0FirpepeKkFr0xfr = x fr =
xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaqcfaOaam4AaS
WaaSbaaKqbagaajugWaiaad2galmaaBaaajuaGbaaabeaaaeqaaiab
g2da9iaacIcadaWcaaqaaiaadcfacaWGnbGaamiuaSWaaSbaaKqbag
aajugWaiaadIeacaWGnbGaamOuaaqcfayabaGaeyOeI0Yaa0aaaeaa
caWGybaaaaqaaiaadofadaWgaaqaaKqzadGaamOBaaqcfayabaaaai aacMcaaaa @
4A62 @ (4)

¿Dó nde está n los valores de PMP de los documentos HMR? Usando los valores de
PMP y la desviació n media y está ndar de las estaciones, el rango fue de 22.2 a
26.6. El valor de k  m era alto pero tenía un rango del má s bajo al má s alto. Se debió a
que los valores de PMP publicados en HMR son demasiado altos en comparació n
con la cantidad de precipitació n promedio y el PMP estimado utilizando una curva
envolvente específica bá sica. Esto muestra la importancia de construir la curva
envolvente específica de la cuenca y luego calcular el PMP. Para cuantificar la
incertidumbre debido al nú mero de estaciones, la curva envolvente se construyó
eliminando las dos estaciones superiores (Lexington y Briggs) cada hora. La curva
cambió , dando valores má s bajos que dieron valores PMP má s bajos ( Figura 5 ). El
factor de frecuencia, en promedio, disminuyó en 8.1%. Por lo tanto, los datos
precisos de las estaciones y el nú mero de estaciones son importantes para
construir la curva. De lo contrario, se puede introducir incertidumbre en la
curva. Ademá s, la inclusió n de cualquier valor atípico puede aumentar el valor del
cual puede cambiar la forma de la curva.

Figura 5 Comparació n de la curva envolvente original y la curva realizada al

retirar las dos estaciones superiores.
Serie 1- Curva envolvente original; Serie 2- Curva realizada al retirar las dos
estaciones superiores.
Cálculo de PMP

Los valores de PMP para cada estació n y la duració n se calcularon utilizando la

ecuació n (1). Los valores calculados de PMP luego se ajustaron para el intervalo de
tiempo de observació n fijo basado en el procedimiento descrito en WMO
(2009). Como los datos de precipitació n generalmente se dan para intervalos de
tiempo fijos, por ejemplo, de 3 a.m. a 4 a.m. (datos por hora), de 6 a.m. al mediodía
(6 horas) o de 8 a.m. a 8 p.m. (diariamente). El ajuste arrojará valores muy
cercanos a los que se obtendrá n del aná lisis basado en má ximos verdaderos. 7 , 15 Sin
embargo, se requiere menos ajuste cuando las cantidades má ximas observadas
para diversas duraciones se determinan a partir de dos o má s intervalos de tiempo
fijos. 36 , 37 La Tabla 1 muestra los valores de PMP para el á rea de estudio utilizando la
curva envolvente específica de la cuenca.

Duración          
Estación
1 hora 2 horas 3 horas 6 horas 12 horas 24 horas
Albine 192,2 242,9 271,1 314,1 364,6 421,8
ciudad Bahia 296,8 310,2 336,5 354,8 372,7 414,9
Cinturón en 270,1 276,8 326,7 356,3 394,9 443,7
Bertnam 301,9 324,5 344,7 380,6 381,2 428,9
Briggs 341,2 344,6 355,6 385,4 390,5 447,3
Burleson 240,8 251,9 287,8 405,7 410,8 468,3
Clovis 219,6 240,1 265,6 284,9 323,6 374,1
Coryell 264,5 286,9 321,8 316,5 350,1 420,5
Cranfills 268,2 288,5 320,9 342,2 358,9 431,3
Cherroke 241,1 264,1 300,8 311,1 351,3 401,3
Cresson 270,1 282,1 307,2 339,8 365,3 408,2
Eastland 264,8 299,1 339,2 378,2 392,7 439,8
Evant 282,9 317,6 350,5 358,6 401,4 450,6
Santa anna 351,6 358,4 374,8 369,8 371,9 419,5
Plano 246,3 325,5 350,8 393,2 392,9 425,8
Galveston 209,4 266,8 315,9 402,7 411,2 384,9
Gorman 222,4 247,2 294,3 359,7 380,6 434,6
Groesbeck 265,3 267,8 287,8 317,8 323,6 364,2
Adictos a
242,8 276,2 308,6 360,5 393,6 445,4
Houston
Houston Alife 239,1 280,8 301,4 344,5 381,1 416,4
Brecha india 208,8 259,5 316,9 342,8 347,7 363,1
Iredell 192,6 243,5 292,1 347,1 358,1 392,5
Jayton 260,8 301,7 348,9 327,5 417,2 470,2
Jewett 293,2 331,7 351,2 367,4 375,5 447,9
Kopperl 255,4 275,2 312,6 327,2 344,4 400,7
Lexington 262,9 264,6 300,3 327,2 366,5 443,9
Loraine 251,7 262,2 292,6 339,2 368,2 445,1
Lubbock 304,6 319,8 363,5 390,7 395,2 443,1
Moline 311,4 334,3 352,2 392 422,3 464,8
Energía 302,8 320,6 383,3 404,2 420,2 469
Richmond 213,7 253,4 255,7 326,4 385,7 433,8
Spicewood 283,2 311,6 345,9 385,1 392 437,8
Stamphord 282,3 332,3 377,4 414,2 420,9 462,6
Stephenville 253,4 280,1 314,2 371,4 375,8 428,9
Todavía la casa232,6 288,9 321,2 325,3 373,5 413,6
Thompson 253,4 262,3 292,4 388,6 425,1 460,8
Waco 242,5 257,7 272,7 318,3 347,8 362,7
Washington 223,3 281,3 339,3 394,8 411,7 462,2
Wheelock 256,5 270,7 292,7 330,8 347,4 387,3
Tabla 1 Valores de PMP ajustados para diferentes estaciones y duraciones (mm)
Incertidumbre en los valores de PMP

Para cuantificar la incertidumbre que se puede introducir en las estimaciones de

PMP utilizando la curva envolvente de Hershfield, también se calcularon los
valores de PMP específicos de la cuenca. La Figura 6 compara los valores de PMP
basados en ambos métodos y muestra que el PMP de la curva envolvente de
Hershfield fue mayor que la curva específica de la cuenca. Durante 1 hora, los
valores de PMP fueron 16.8% má s altos usando la curva de Hershfield que los
valores específicos de la cuenca, 18.5% para 6 horas y 23.4% para 24
horas. También se hicieron grá ficos entre los valores de PMP y la media de los
valores extremos, los valores de PMP y la precipitació n má s alta observada y la
media y la desviació n está ndar. Hubo una correlació n creciente entre la media y la
desviació n está ndar, la precipitació n má s alta observada y la PMP, pero no tan
significativa. Sin embargo, no hubo correlació n significativa entre la media y la
PMP para diferentes estaciones. Puede deberse a que el factor de frecuencia viene
en la multiplicació n con desviació n está ndar que tiene un mayor efecto en los
valores de PMP. También se realizaron grá ficos para diferentes duraciones para la
estació n Eastland ( Figura 7 ), que muestran una correlació n creciente entre los
valores de PMP y la media de los valores extremos, los valores de PMP y la
precipitació n má s alta observada, y la media y la desviació n está ndar. Sin embargo,
puede observarse que una precipitació n má s alta observada para una duració n
puede ser la misma que para otra duració n.

Figura 6 Comparació n de las estimaciones de PMP de Hershfield con las

estimaciones de PMP para la cuenca del río Brazos basadas en la duració n de 1
hora (mm).
Serie 1 - PMP de Hershfield; Serie 2- PMP propio

Figura 7A Grá ficos entre los valores de PMP y la media de precipitació n extrema.
Figura 7B Gráfico entre la media y la desviació n está ndar de la precipitació n
extrema.

Figura 7C Gráfico entre los valores de PMP y las precipitaciones má s altas

observadas.
Periodo de retorno de PMP del análisis de frecuencia de precipitación
extrema

Desde el punto de vista del diseñ o hidroló gico, es importante calcular el período de
retorno de un valor de PMP. El cá lculo implicaba cuatro componentes:

i. Aná lisis de frecuencia

ii. Aná lisis de frecuencia de precipitaciones extremas.
iii. Factores que afectan las distribuciones de frecuencia
 iv. Periodo de retorno de los valores de PMP e incertidumbre debido a la
elecció n de una distribució n de probabilidad. Cada uno de estos
componentes se analiza a continuació n.

Análisis de frecuencia

Para el aná lisis de la frecuencia de precipitació n extrema, se usaron las mismas 39

estaciones que para calcular los valores de PMP. Las estaciones fueron verificadas
por su estacionariedad e independencia. Se trazaron series de tiempo para las
estaciones con todas las duraciones de precipitació n para ver si había alguna
tendencia en los registros de precipitació n correspondiente al tiempo. Ningú n
diagrama de serie temporal mostró ninguna no estacionariedad significativa. Para
el aná lisis de frecuencia de precipitaciones extremas para todas las duraciones y
estaciones, se utilizaron 24 distribuciones de probabilidad ( Tabla 2 ). Se
emplearon tres pruebas de bondad de ajuste (GOF), la prueba de Kolmogorov-
Smirnov (KS), la prueba de Anderson-Darling (AD) y la prueba de Chi-cuadrado
(CS), para verificar si una funció n de distribució n hipotética se ajustaba a los datos
de la muestra. 38 La hipó tesis de las pruebas GOF fue:

Estación Duración
  1 hora 6 horas 24 horas
Albine Log-logistica 3 GEV Rebaba
ciudad Bahia Log-logistica 3 Pearson 6 4p Rebaba
Cinturón en Johnson SB Log-logistica 3
Johnson SB
Gaussiano Gaussiano
Bertnam GEV
inverso 3 inverso 3
Briggs Log-logistica 3 Log-logistica 3
Log-logistica 3
Burleson Rebaba GEV Log-logistica 3
Clovis GEV GEV Log-logistica 3
Coryell GEV Rebaba Rebaba
Cranfills GEV Rebaba Rebaba
Cherroke Rebaba Log-logistica 3
Rebaba
Cresson Rebaba Log-logistica 3
Rebaba
Eastland Log-logistica 3 Johnson SB Johnson SB
Evant Rebaba Rebaba Rebaba
Santa anna Log-logistica 3 Rebaba Rebaba
Gaussiano Gaussiano
Plano Rebaba
inverso 3 inverso 3
Gaussiano
Galveston Burr 4p Johnson SB
inverso 3
Gorman Rebaba Johnson SB Johnson SB
Groesbeck Log-logistica 3 Rebaba Rebaba
Adictos a Houston Log-logistica 3 GEV GEV
Houston alife GEV Log-Pearson 3 Rebaba
Brecha india Johnson SB GEV Log-logistica 3
Iredell Rebaba GEV GEV
Jayton Log-logistica 3 GEV Rebaba
Jewett GEV Dagum 4 Pearson 5 3p
Kopperl Beta GEV Gumbel Max
Lexington Rebaba Gen Gamma 4p Log-Pearson 3
Loraine Log-logistica 3 GEV GEV
Gaussiano
Lubbock Log-logistica 3 Johnson SB
inverso 3
Moline Rebaba GEV GEV
Gaussiano
Energía Dagum Rebaba
inverso 3
Richmond Log-logistica 3 Log-Pearson 3 Johnson SB
Gaussiano
Spicewood Rebaba Rebaba
inverso 3
Stamphord Log-logistica 3 Rebaba GEV
Stephenville Rebaba Log-Pearson 3 Log-logistica 3
Todavía la casa Log-logistica 3 Rebaba Rebaba
Thompson Rebaba GEV Johnson SB
Waco Log-logistica 3 Log-Pearson 3 Rebaba
Washington GEV GEV GEV
Wheelock Log-logistica 3 Log-Pearson 3 Rebaba
Tabla 2 Distribució n general de mejor ajuste para diferentes estaciones y
duraciones
* GEV = Valor extremo generalizado
H 0 = Los datos de precipitació n siguieron la distribució n específica; y H 1 = Los
datos de precipitació n no siguieron la distribució n específica.

Estas pruebas se realizaron al nivel de significancia (α = 0.05) para elegir la

distribució n de probabilidad de mejor ajuste. 39 QQ plot y Root Mean Square Error
(RMSE) también se utilizaron para encontrar la distribució n de probabilidad de
mejor ajuste. Los datos de precipitació n extrema se ajustaron a todas las
distribuciones y los pará metros de las distribuciones se estimaron mediante la
estimació n de má xima verosimilitud. Las funciones de densidad de probabilidad
(PDF) fueron determinadas y trazadas. Se emplearon estadísticas de Matlab y R
para ajustar las distribuciones de probabilidad.

Análisis de frecuencia de precipitaciones extremas.

Para encontrar la distribució n de probabilidad de mejor ajuste para cada estació n

y diferentes duraciones, un proceso de tres pasos similar a Olofintoye et
al. 40 fueron utilizados. Cabe señ alar que nuestro enfoque estaba en la cola derecha
de la distribució n donde ocurre la precipitació n extrema. En el procesamiento
inicial, se utilizaron las 24 distribuciones estadísticas comunes en este paso. Para
cada estació n y duració n se calcularon los valores estadísticos de prueba de
Kolmogorov-Smirnov, Anderson Darling y Chi-cuadrado para cada
distribució n. Para cada una de las tres pruebas, las distribuciones se clasificaron
segú n el valor estadístico de prueba má s bajo. A la distribució n que tenía
el 1er rango se le asignó una puntuació n de 24, la distribució n del 2º rango una
puntuació n de 23, y así sucesivamente. Se agregaron los puntajes totales de las tres
pruebas de cada distribució n para ver qué distribució n tenía el puntaje má s alto, el
segundo má s alto, etc. Se consideraron al menos 5 a 6 distribuciones para su
posterior aná lisis. Las estaciones se clasificaron de acuerdo con el menor valor
RMSE y la mejor grá fica QQ (Aquí, mejor significa que la grá fica QQ es lineal o la
distribució n teó rica especificada es el modelo correcto). Se compararon los
archivos PDF de las 5 o 6 distribuciones seleccionadas para ver si nuestros
resultados eran consistentes con el grá fico PDF o no. En el ú ltimo paso, para
aquellas estaciones y duraciones para las cuales la diferencia en los grá ficos PDF de
las distribuciones seleccionadas no fue demasiado o hubo resultados
contradictorios al observar los cuantiles de las distribuciones con los valores
observados contra los resultados del grá fico MSE y QQ, sistema de clasificació n se
utilizó de nuevo. Se seleccionaron las 5 o 6 distribuciones principales del paso
1. Las distribuciones se clasificaron de acuerdo con el valor estadístico de la
prueba de KS, AD, CS, RMSE y visualmente visualizando grá ficos QQ. Se asignó un
puntaje de 5 o 6 a la mejor distribució n para una prueba en particular y así
sucesivamente. La distribució n que obtuvo el puntaje combinado má s alto de las 5
pruebas fue considerada como la mejor distribució n. Después de seleccionar la
mejor distribució n, se analizó para ver qué distribució n se ajustaba a la mayoría de
las estaciones y para diferentes duraciones en general.

La Tabla 2 muestra las mejores distribuciones generales para cada estació n y

duraciones de 1, 6 y 24 horas, segú n las diferentes pruebas de GOF. La prueba GOF
de Anderson-darling funcionó mejor que las otras pruebas. Es porque se enfoca
má s en la cola de la distribució n que en la prueba KS. La prueba KS no tiene
distribució n en el sentido de que los valores críticos no dependen de la
distribució n específica que se está probando. La prueba de Anderson-Darling hace
uso de la distribució n específica en el cá lculo de valores críticos. La distribució n
log-logística (3 pará metros) funcionó bien en la cola derecha para cuantiles má s
altos para duraciones de 1, 2, 3 y 6 horas. Pero en general no funcionó tan bien
como Burr XII o GEV durante 2, 3 y 6 horas. Durante 12 y 24 horas de precipitació n
extrema, el gamma generalizado (4 pará metros) y Johnson SB tuvieron un mejor
desempeñ o en la cola derecha.

Factores que afectan las distribuciones de frecuencia

A continuació n, se analizó el efecto de la duració n y la distancia desde el Golfo en el

histograma y la distribució n de mejor ajuste. Se observó que había una tendencia
general a una mayor asimetría para duraciones de precipitació n má s cortas que
para duraciones má s largas, como se muestra en la Figura 8 para la estació n en
Evant, Texas, para duraciones de 2, 6 y 24 horas. Esto se debe a que durante
períodos cortos, como 1 hora, puede producirse una gran cantidad de precipitació n
en poco tiempo en ciertos casos que exhibe una gran asimetría, mientras que para
largas duraciones, como 24 horas, la precipitació n se promedia y por lo tanto
exhibe menos asimetría. Las rebabas tipo 12 se desempeñ aron mejor para
distribuciones menos sesgadas y el log-logístico (3 pará metros) se desempeñ ó
mejor para distribuciones má s sesgadas. Dentro de la cuenca del río Brazos existen
diferentes mecanismos de producció n climá tica para diferentes á reas. Por ejemplo,
en la parte oriental de Texas o cerca del Golfo de México, hay precipitaciones
estacionales bastante uniformes, con má ximos leves en la temporada de verano,
porque la influencia del Golfo de México es dominante. 41 Por lo tanto, se analizó el
efecto de la distancia desde el Golfo. No hubo un patró n sistemá tico, pero aú n así
se observó que para las estaciones cercanas al Golfo de México, el histograma era
uniforme pero tenía má s variació n. A medida que aumentaba la distancia desde el
Golfo, el histograma comenzó a agudizarse con menos variació n. La Figura
9 muestra histogramas para estaciones en Thompson y Lubbock durante 2 horas
de duració n. Thompson se encuentra cerca del golfo, mientras que Lubbock se
encuentra en la parte noroeste de Texas. La razó n de este patró n puede deberse a
la influencia moderadora del Golfo de México. A medida que nos alejamos del
Golfo, en la direcció n noroeste nos acercamos a las regiones de la divisió n High
Plain en las que la precipitació n má xima proviene de tormentas eléctricas durante
la temporada de verano. Sin embargo, no hubo una distribució n preferible que se
desempeñ ara mejor cerca del Golfo o lejos de él. Sin embargo, Burr XII y GEV se
desempeñ aron mejor para histogramas suaves. Las distribuciones generales de
Burr tipo 12 fueron elegidas para ser la mejor distribució n para la cuenca del río
Brazos que cubre del 30 al 40% de las estaciones para diferentes duraciones. Para
otras estaciones también, fue en la mayoría de los casos una de las tres mejores
distribuciones. 42
Figura 8A Histograma en Evant, TX por 2 horas de duració n.
Figura 8B Histograma en Evant, TX por 6 horas de duració n.
Figura 8C Histograma en Evant, TX durante 24 horas.
Figura 9A Histograma en Thompson, TX, por 2 horas de duració n.
Figura 9B Histograma en Lubbock, TX, por 2 horas de duració n.
Periodo de retorno de los valores de PMP e incertidumbre debido a la
elección de la distribución de probabilidad

Para cuantificar la incertidumbre, se determinaron los períodos de retorno de los

valores de PMP para cada duració n. Para nuestro estudio, utilizamos los valores de
PMP derivados de la curva envolvente específica de la cuenca, ya que se realizó
utilizando los datos de la cuenca del río Brazos y es má s preciso. 43 , 44 El período de
retorno fue menor al esperado. Para la mayoría de la cuenca del río Brazos, el
período de retorno de los valores de PMP estuvo en el rango de 1000 a 3000 añ os,
que fue menor que el rango de 10 3 a 10 6 añ os reportado en HMR 51. Muestra la
cantidad de riesgo asociado con el Valores de PMP. La diferencia entre los dos
conjuntos de valores apunta a la incertidumbre asociada con los valores de
PMP. Para evaluar la incertidumbre en el período de retorno debido a la elecció n
de la distribució n, los períodos de retorno para las estaciones y las duraciones
también se calcularon a partir de la 4ª mejor distribució n. La Tabla 3 muestra el
período de retorno de la mejor y la 4ª mejor distribució n. En promedio, el período
de retorno de la 4ª mejor distribució n fue 55,1% menor que el de la mejor
distribució n. La Figura 10 muestra la diferencia entre el período de retorno de los
valores de PMP de 24 horas para estaciones seleccionadas de la mejor y la 4ª mejor
distribució n en términos adimensionales como:

Unknown node type: span Unknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: span Unknown node type:

spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type:
spanUnknown node type: spanUnknown node type: span Unknown node type: spanUnknown node type: spanUnknown node type: spanUnknown node type:

 MathType MTEF @ 5 @ 5 @ + =
spanUnknown node type: span

feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn
hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr
4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq = Jc9
vqaqpepm0xbba9pwe9Q8fs0 = yqaqpepae9pg0FirpepeKkFr0xfr = x fr =
xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaqcfa4aaSaaae
aacaWGubWcdaWgaaqcfayaaKqzadGaamOyaiaadwgacaWGZbGaamiD
aaqcfayabaGaeyOeI0IaamivamaaBaaabaqcLbmacaaI0aGaamiDai
aadIgacaWGIbGaamyzaiaadohacaWG0baajuaGbeaaaeaacaWGubWc
daWgaaqcfayaaKqzadGaamOyaiaadwgacaWGZbGaamiDaaqcfayaba aaaaaa @
4EBF @ (5)

Figura 10 Diferencia entre el período de retorno de los valores de PMP de 24

horas para estaciones seleccionadas de la mejor distribució n y la cuarta mejor
distribució n en términos adimensionales.
¿Dó nde está el período de retorno de la mejor distribució n y es el período de
retorno de la 4ª mejor distribució n? Como se puede ver en la figura, los períodos de
retorno fueron diferentes, mostrando la importancia de determinar con precisió n
la distribució n de probabilidad que mejor se ajusta. La Figura 11 y la Figura
12 muestran la distribució n espacial de los valores de PMP de 1 hora y el período
de retorno para esos valores calculados en funció n de la distribució n de
probabilidad de mejor ajuste. La herramienta de interpolació n espacial GIS se
empleó para realizarla. La interpolació n espacial se realizó sobre la base de la
interpolació n ponderada de distancia inversa. La curva de profundidad-duració n-
frecuencia también se construyó para los valores de PMP. Se tomó el registro de 1,
2, 3, 6, 12 y 24 horas de precipitació n y el registro de los valores de PMP de
diferentes períodos de retorno. La Figura 13 a continuació n muestra la relació n
entre los valores de PMP y la duració n en el papel de registro de registro. Se
observó que había una correlació n creciente entre el registro de los valores de
PMP y el registro de la duració n para diferentes períodos de retorno. El retorno
elegido fue el período de retorno de diferentes valores de PMP de duració n y para
el mismo período de retorno se calculó la profundidad de la lluvia para diferentes
duraciones. 45

Figura 11 Distribució n espacial de los valores de PMP en la cuenca del río Brazos
durante 1 hora.
Figura 12 Distribució n espacial del período de retorno de los valores de PMP de 1
hora en la cuenca del río Brazos.
Figura 13 Curva de profundidad-duració n-frecuencia de los valores de PMP.
Periodo de retorno (años) desde la mejor Periodo de retorno (años) a partir de
distribución la 4ta distribución
1111,1 7142.8
6579,8 3950,2
4347,8 1333,3
16666,6 3703.7
2222,2 2500
16666,6 25000
232552.7 20000
6136,4 6840,9
1886,7 16666,6
50796,6 1265,8
33333,3 9090,9
12500 12500
1870,4 1149,4
1282 970,8
Tabla 3 Períodos de retorno de los valores de PMP de la mejor y la 4ta mejor
distribució n para 24 horas de duració n

Conclusiones
De este estudio se ve que los valores de PMP está n sujetos a incertidumbre. Las
estimaciones de PMP obtenidas del método estadístico dependen en gran medida
del factor de frecuencia. Eliminar o agregar cualquier estació n puede cambiar la
forma de la curva, lo que puede generar valores de PMP altamente inciertos. El
método estadístico de Hershfield puede aproximar los valores de PMP en general,
pero para un á rea específica se debe dar prioridad al uso de los datos de
precipitació n específicos para el á rea y derivar la curva envolvente para el á rea
específica. Para la cuenca del río Brazos, los valores de PMP son má s bajos que los
calculados usando la curva de Hershfield. También deberíamos tener al menos 20-
30 estaciones que se puedan utilizar en la construcció n de la curva. Es importante
encontrar la distribució n de probabilidad de mejor ajuste ya que se puede
introducir incertidumbre debido a la elecció n de la distribució n de probabilidad. El
aná lisis de frecuencia se realizó mediante cinco pruebas de bondad de ajuste y
diferentes distribuciones. Se observó que para las estaciones cercanas al Golfo de
México, el histograma fue má s suave pero tuvo má s variació n. A medida que
aumentaba la distancia desde el Golfo, el histograma comenzó a agudizarse con
menos variació n. También hubo una tendencia general a un mayor sesgo de los
datos de precipitació n de menor duració n que de mayor duració n. La distribució n
de Burr XII fue la mejor distribució n para diferentes duraciones en promedio. Los
períodos de retorno de los valores de PMP fueron inferiores a los publicados en los
documentos HMR.

Agradecimientos
Este estudio fue apoyado en parte por el proyecto "Cuantificació n de la
incertidumbre de la inundació n má xima probable (PMF)", contrato No. DOD-
USACE contrato W912HZ-16-C-0027, financiado por el Centro de Desarrollo de
Investigació n de Ingenieros e Ingenieros del Ejército de EE. UU., Vicksburg,
Mississippi .

Conflicto de intereses
Los autores declaran que no hay conflicto de intereses.

Referencias
1. Servicio Meteoroló gico Nacional de EE. UU. Precipitació n má xima probable: Estados
Unidos entre la divisió n continental y el meridiano 103. Informe hidrometeorológico
No. 55A (HMR ‒ 55A) , Silver Spring, MD, EE. UU. 1988.
2. Benson MA. Reflexiones sobre el diseñ o de inundaciones de diseñ o. Inundaciones y
sequías, Proc. 2º Interno Symp en Hidrología. 1973; 7‒33.
3. Hershfield DM. Método para estimar la precipitació n má xima probable. Asociación
Americana de Obras de Agua. 1965; 57 (8): 965-1972.
4. Dooge JCI. Buscando leyes hidroló gicas. Resour de agua Res. 1986; 22 (9): 46S ‒ 58S.
5. Dawdy DR, Lettenmaier DP. Iniciativa para el diseñ o de inundaciones basado en el
riesgo. ASCE J Hydrau Eng . 1987; 113 (8): 1041-1051.
6. Tomlinson EM, Kappel WD. Presa de seguridad. Revisando PMPs . 2009
7. Organizació n Meteoroló gica Mundial. Manuel sobre Estimació n de la precipitació n
má xima probable. OMM ‒ No 1045, Ginebra, Suiza. 2009
8. Lin B, AECOM. Estudio de actualizació n de PMP las 24 horas, informe técnico, estudio
de deslizamientos de tierra ocurridos en Kowloon y los nuevos territorios en 2012 y
2013. Estudio de viabilidad de Hong Kong. Hong Kong 2014.
9. Lan P, Lin B, Zhangm Y, et al. Estimació n de precipitació n má xima probable utilizando
el método de valor de km revisado en Hong Kong. Revista de Ingeniería
Hidrológica . 2017; 22 (8): 05017008.
10. Micovic Z, Schaefer MG, Taylor GH. Aná lisis de incertidumbre para estimaciones
probables de precipitació n má xima. Revista de Hidrología. 2014; 521 (2015): 360‒373.
11. Collier CG, Hardaker PJ. Estimació n de la precipitació n má xima probable utilizando un
enfoque de modelo de tormenta. J Hydrol . 1996; 183 (3‒4): 277–306.
12. Schreiner LC, Riedel JT. Estimaciones má ximas probables de precipitació n, Estados
Unidos al este del meridiano 105 ° HMR No. 51. Servicio Meteorológico Nacional,
Administración Nacional Oceánica y Atmosférica , Departamento de Comercio de los
Estados Unidos, Washington, DC . 1978
13. Kulkarni BD. Enfoque físico generalizado de la estimació n de la precipitació n má xima
probable regional para la regió n llana de la cuenca del río Godavari (India). Revista de
hidrología espacial . 2010; 2 (2).
14. Koutsoyiannis D, Papalexiou SS. Un enfoque probabilístico del concepto de
precipitació n má xima probable. Avances en Geociencias . 2006; 7: 51‒54.
15. Rakhecha PR, Deshpande NR, Soman MK. Probable precipitació n má xima para una
duració n de 2 ‒ días en la península india. Teoría de la climatología aplicada. 1992; 45
(4): 277–283.
16. Douglas EM, Barros AP. Estimació n de la precipitació n má xima probable utilizando
multifractales: aplicació n en el este de los Estados Unidos. Revista de
Hidrometeorología . 2003; 4: 1012-1024.
17. Hershfield DM. Estimació n de la precipitació n má xima probable. Revista de la División
Hidráulica . 1961; 87 (HY5): 99‒106.
18. Consejo nacional de investigació n. Seguridad de presas, criterios de inundació n y
terremoto. National Academy Press: Washington DC . 1985.
19. Organizació n Meteoroló gica Mundial. Manual para la estimació n de la precipitació n
má xima probable. Operational Hydrology Report 1, Publicación 332, Organización
Meteorológica Mundial, Ginebra . 1986.
20. Bruce JP, Clark RH. Introducción a la hidrmeteorología . Pergamon Press: Nueva
York. 1966
21. Myers VA. Estimació n meteoroló gica de precipitació n extrema para inundaciones de
diseñ o de vertederos. Memorando técnico de la Oficina Meteorológica WBTMHYDRO ‒
5. Departamento de Comercio de EE. UU., Administración de Servicios de Ciencias
Ambientales, Oficina Meteorológica, Boulder, CO. 1967.
22. Wiesner C. Hidrometeorología 232. Chapman y Hall. Londres 1970
23. Chow VT. Una fó rmula general para el análisis de frecuencia hidroló gica. Transacciones
Union Unión Geofísica Americana. 1951; 32: 231-237.
24. Casas MC, Rodríguez R, Redano A, et al. Estimació n de la precipitació n má xima
probable en Barcelona (Españ a). Int J Climato. 2012; 31 (9): 1322-1327.
25. Koutsoyiannis D. Una vista probabilística del método de Hershfield para estimar la
precipitació n má xima probable. Investigación de recursos hídricos. 1999; 35 (4): 1313-
1322.
26. Casas MC, Rodríguez R, Nieto R, et al. La estimació n de la precipitació n má xima
probable: el caso de la catolonia. Anales de la Academia de Ciencias de Nueva
York. 2008; 1146: 291–302.
27. Tessier Y, Lovejoy S, Schertzer D. Multifractales universales: teoría y observaciones
para lluvia y nubes. J Appl Meteor . 1993; 32: 223–250.
28. Salas JD, Gavilan G, Salas FR, et al. Incertidumbre del PMP y PMF. Manual de ingeniería
hidrológica . Ch 57, 2014; 2.
29. Cometa GW. Análisis de frecuencia y riesgos en hidrología . Publicaciones sobre recursos
hídricos, Littleton, CO, EE. UU. 1988.
30. Rakhecha PR, Kennedy MR. Una técnica generalizada para la estimació n de la
precipitació n má xima probable en la India. Revista de Hidrología. 1985; 78 (3‒4): 345‒
359.
31. Mamoon AA, Rahman A. Incertidumbre en la estimació n de la precipitació n del diseñ o:
una revisió n. Revista de Investigación de Hidrología y Medio Ambiente . 2014; 2 (1); 1‒7.
32. Koutsoyiannis D. Estadísticas de extremos y estimació n de precipitació n extrema II:
Investigació n empírica de registros de precipitació n larga. Revista de Ciencias
Hidrológicas . 2004; 49 (4): 591–610.
33. Koutsoyiannis D, Papalexiou SS. Batalla de distribuciones de valor extremo: una
encuesta mundial sobre precipitació n diaria extrema. Investigación de recursos
hídricos. 2012; 49 (1): 187-201.
34. Asquith WH. Profundidad ‒ Duració n Frecuencia de precipitació n para Texas. Informe
de investigaciones de recursos hídricos . 1998; 98–4044.
35. Hao Z, vicepresidente de Singh. Método basado en la entropía para el aná lisis de
precipitació n extrema en Texas. Revista de investigación geofísica: atmósferas . 2013;
10: 1‒11.
36. Weiss LL. Relació n entre verdadero y fijo ‒ Intervalo Precipitació n má xima. Revista de
la División Hidráulica. 1968; 90: 77–82.
37. Miller JF. Precipitació n de dos a diez días para períodos de retorno de 2 a 100 añ os en
los Estados Unidos contiguos. Documento técnico no 49. 1964.
38. Chakravarti Laha, Roy. Manual de Métodos de Estadística Aplicada . John Wiley e
hijo . 1967; 392‒394
39. Sharma MA, Singh JB. Uso de la distribució n de probabilidad en el aná lisis de
precipitació n. NY Sci J. 2010; 3 (9): 40‒49.
40. Olofintoye O, Sule BF, Salami AW. Modelo de distribució n de probabilidad de mejor
ajuste para la precipitació n diaria má xima de ciudades seleccionadas en Nigeria. NY Sci
J. 2009; 2 (3); 1‒12.
41. Centro Nacional de Informació n de Fibras. El clima de los condados de
Texas. Universidad de Texas, Austin y Texas A&M University, College Station,
Texas. 1987.
42. Koutsoyinannis D, Papalexiou SM. Lluvia extrema: perspectiva global . En: Singh VP,
editor. Manual de Hidrología Aplicada. McGraw ‒ Hill: Nueva York. 2016
43. Departamento de Comercio de los Estados Unidos. Estimaciones generalizadas de la
precipitació n má xima probable para los Estados Unidos al oeste del 105º
Meridain. Documento técnico número 38 . 1960.
44. Departamento de Comercio de los Estados Unidos, Administració n Nacional Oceá nica y
Atmosférica. Precipitació n má xima probable‒ Estados del noroeste del
Pacífico. Informe hidrometeorológico número 57 , 1994.
45. Brebbia CA. Manejo de cuencas fluviales VII. Ashurust Lodge, Ashrust, Southampton,
SO40 7AA, Reino Unido: WIT press. 2013