Documentos de Académico
Documentos de Profesional
Documentos de Cultura
probable y su incertidumbre
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.
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
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:
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.
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
xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcbaqcfaOaam4AaS WaaSbaaKqbagaajugWaiaad2gaaKqbagqaaiabg2da9maalaaabaGa
amiwamaaBaaabaqcLbmacaWGTbaajuaGbeaacqGHsisldaqdaaqaai aadIfaaaWaaSbaaeaajugWaiaad6gacqGHsislcaaIXaaajuaGbeaa
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)
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:
¿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.
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
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.
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:
Análisis de frecuencia
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.
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 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