FACULTAD DE INGENIERÍA CIVIL

INFORME DE ANÁLISIS DE PRECIPITACIONES PARA MODELO

PREDICTIVO DE LLUVIAS EN ZIPAQUIRÁ, CUNDINAMARCA

DOCENTE:
AMILCAR ESCOBEDO GUEVARA
CLASE: 3184
INTEGRANTES DEL GRUPO N°6:
CUEVA NAVARRO JORDY GABRIEL - N00224199
HERRERA PAZ DANNY YESSUÉ - N00207541
HUAYTA GUEVARA CARLOS JAVIER - N00205485
JIMENEZ GODOY MAYRA LYSSETE - N00203970
MORI ZAMORA JOSSELYN BRIGITH - N00219604
REATEGUI URRELO JUNIOR FERNANDO - N00241965

PERÚ - 2023
 ÍNDICE

RESUMEN
ABSTRACT
INTRODUCCIÓN
METODOLOGÍA
DISTRIBUCIÓN LOG NORMAL
DISTRIBUCIÓN PEARSON lll
DISTRIBUCIÓN LOG PEARSON III
DISTRIBUCIÓN DE GUMBEL
DISTRIBUCIÓN LOG GUMBEL
RESULTADOS Y DISCUSIÓN
CONCLUSIONES

2
 RESUMEN

Examinamos el manejo de la eficiencia de agua, o el alto consumo de recursos, la falta de organización y

conservación de los recursos ha llevado a altas tasas de déficit de sequía, o también tenemos fuerte
crecimiento de lluvias. Es importante tener una mejor idea de los recursos. Este proyecto busca generar
un modelo de pronóstico de lluvia a partir de un análisis estadístico de los datos históricos de lluvia de la
ciudad Zipaquirá. Implica uso de un modelo matemático que puede generar una ecuación con los datos
y esto nos ayudará a obtener una futura precisión que permitirá mediciones para que realicen proyectos
o también comparar datos.

3
 ABSTRACT

We examine the management of water efficiency, or the high consumption of

resources, the lack of organization and conservation of resources has led to high
rates of drought deficit, or we also have strong rainfall growth. It is important to
have a better idea for the resources. This project seeks to generate a rain
forecast model from a statistical analysis of historical rain data from the city of
Zipaquirá. It implies the use of a mathematical model that can generate an
equation with the data and this will help us obtain a future precision that you can
detect so that you carry out projects or also compare data.

4
 INTRODUCCIÓN

El análisis diario de datos climáticos es de gran importancia para comprender el clima y el

comportamiento de sus variables. La acción humana busca aprovechar eventos como la lluvia para
evitar sus consecuencias, como inundaciones repentinas en los lechos de los ríos. Lamentablemente, los
asentamientos humanos representan un mayor riesgo para las vías fluviales.

En este sentido, el análisis de datos a largo plazo de las estaciones meteorológicas es fundamental.
Existe una tendencia creciente en fenómenos como las predicciones de fuertes lluvias. Según Bazzano
(2019), la formación y análisis de datos requieren un área y método apropiado de recolección de datos.

En Colombia, según datos del Instituto de Meteorología e Hidrología y Columbia Environmental Studies
(2018), existen aproximadamente 4489 estaciones hidrometeorológicas distribuidas principalmente en
la región andina. Sin embargo, se encontraron algunas limitaciones en cuanto a la cantidad y ubicación
de las estaciones, lo que puede afectar la representatividad de los datos.

Es importante determinar la calidad, continuidad y validez potencial de los datos, ya que se han
identificado situaciones donde hay registros incompletos debido a equipos mal recogidos o dañados. En
este sentido, el uso de herramientas probabilísticas y estadísticas es relevante, tal como señalan Barros
& Turpo (2017) y Salazar Torres y Girón Cárdenas (2021), quienes utilizaron algoritmos matemáticos
para analizar el comportamiento de las variables.

La gestión efectiva de los datos es crucial para proporcionar información a los investigadores y permitir
una mayor participación en el seguimiento y la gestión de los mismos. Es fundamental que los datos
recopilados sean accesibles y se registren durante un tiempo suficiente para garantizar la exactitud de
los resultados obtenidos.

Además, es importante destacar que los cambios en el nivel del agua de los ríos debido a la actividad
humana pueden influir en los datos climáticos, como se ha observado en el caso del río Haihe (Jiao et al.,
2020). Por lo tanto, es necesario gestionar adecuadamente esta información y aplicar estrategias
matemáticas para analizarla.

En resumen, el análisis de precipitaciones y la gestión de datos climáticos son fundamentales para

desarrollar modelos predictivos de lluvias. Se requiere una cuidadosa recopilación, calidad y continuidad
de los datos, así como el uso de herramientas estadísticas y probabilísticas para comprender el
comportamiento de las variables climáticas.

5
 METODOLOGÍA

En el estudio desarrollado, se utilizó una muestra de datos de hidrología, meteorología e institutos de

investigación, específicamente enfocada en la estación Páramo de Guerrero.

Los datos utilizados abarcan un período de 17 años, desde enero de 2005 hasta septiembre de 2021. Se
recopilaron mediciones continuas durante este tiempo para obtener una muestra de datos significativa.

Después de definir la estación y el período de tiempo, se encontraron un total de 6117 datos

coincidentes por mes, correspondientes a la precipitación diaria registrada.

Con estos datos de precipitación diaria, se procedió a determinar la precipitación máxima para cada mes
y cada año. Esto permitió reducir la muestra inicial a sólo 17 valores, que representaban la precipitación
máxima mensual en un período de 24 horas para cada año.

En resumen, se utilizó una muestra de datos continuos de 17 años para analizar la precipitación máxima
mensual en un período de 24 horas en la estación Páramo de Guerrero.

6
 DISTRIBUCIÓN LOG NORMAL

En general, cuando la variable aleatoria X es el producto de un gran número de otras variables

aleatorias, la distribución de los logaritmos de X puede aproximarse a la Normal, ya que los logaritmos
de X son la suma de los logaritmos de los factores contribuyentes. Si se tiene una variable aleatoria X y ln
X = Y se ajusta a una distribución Normal, se dice que la variable aleatoria X es log normalmente
distribuida

Esta distribución es la que más se presenta en fenómenos de la naturaleza según debido al ajuste
adecuado para simular las condiciones de diferentes fenómenos en la naturaleza y su comportamiento,
tal como las emisiones de CO2 y cómo pueden variar por su concentración en la atmósfera con la
influencia de otros fenómenos, la modelación de dicha distribución de probabilidad se emplea la
siguiente expresión:

Figura 1. Distribución log normal.

DISTRIBUCIÓN PEARSON lll

Se utiliza para ajustar la distribución de frecuencia de variables tales como crecientes máximas anuales,
caudales mínimos, volúmenes de flujo anuales y estacionales, valores de precipitaciones extremas y
volúmenes de lluvia de corta duración. También conocida como gamma de tres parámetros es una
función empleada para describir variables asimétricas sin el uso de una transformación logarítmica y,
como lo describe Muñoz (2014), la distribución gamma debe su nombre a la función del mismo nombre
y además se relaciona con la distribución de Poisson dentro de la expresión:

Figura 2. Distribución Person III.

7
 DISTRIBUCIÓN LOG PEARSON III

La distribución Log-Pearson Tipo III, es un método utilizado para ajustar y acoplar datos de distribución
de frecuencia que nos ayuda a predecir la inundación de diseño para un río de un lugar, ya habiendo
calculado la información estadística para el lugar del río, podemos construir una distribución de
frecuencias.

De la curva podemos obtener las probabilidades de inundaciones de diversas dimensiones, la ventaja de

este método particular es que podemos hacer la extrapolación de los valores para eventos con periodos
de retorno mucho más allá de los eventos de inundación observados y al igual que la distribución
lognormal, la distribución log pearson lo que se relaciona los datos al sacarle el logaritmo para mejorar
la tendencia de los mismos, la expresión general de dicha distribución.

DISTRIBUCIÓN DE GUMBEL

Durante la historia del hombre siempre hubo un intercambio en la estimación de diferentes valores
extremos para prevenir riesgos naturalmente. Al igual que con vientos extremadamente fuertes,
terremotos, inundaciones, etc.

Muchos de los estudios de investigación se centraron en el tema de los valores. Los objetivos se basan
en la búsqueda del tipo de familia de distribución de valores extremos En contraste, fueron hechos solo
unos pocos exámenes sobre cómo los valores extremos pueden preservar de un registro de datos para
lograr resultados confiables. Se sabe que los resultados pueden variar según el método ocupado para
obtener valores extremos porque es importante poder dar forma a sí mismo una distribución adecuada
de probabilidad

Esta distribución también tiene una forma curvada de forma asimétrica y es empleada comúnmente
para caracterizar fenómenos naturales como lo establecen Wang, et al. (2021)

8
Habiendo determinado el comportamiento de las tormentas que afectan el área de la península de
Shandong en China y que se adapta a esta distribución se modela con la siguiente ecuación

DISTRIBUCIÓN LOG GUMBEL

Por ejemplo, expresiones anteriores con lo que se quiere Log Gumbel Distribution es crear un mejor
ajuste datos que usan un logaritmo para mejorar su comportamiento en la dirección de distribución de
probabilidad y se establece de la siguiente manera

Una vez verificado el ajuste de los datos se procede a determinar la curva intensidad – duración –
frecuencia con la metodología empleada por Pérez Rodríguez (2019), donde se usa una forma simple y
sintética para obtener una ecuación con la cual se predicen posibles lluvias que pueden ocurrir con
diferentes períodos de rendimiento a través de la expresión.

9
 RESULTADOS Y DISCUSIÓN

Para la estación denominada “Páramo de Guerrero” ubicada en el municipio de Zipaquirá,

Cundinamarca, Colombia se procede a explayar la comparación de datos que como el Instituto de
Hidrología, Meteorología y estudios ambientales 2018, en Colombia, en las estaciones las mediciones de
precipitaciones son establecidas de manera continua a través de pluviómetros y pluviógrafos. En el
actual desarrollo se toman los datos de precipitaciones máximas en 24 horas durante un período de 17
años, de estos 6117 datos se empiezan a detallar características de distribución de los datos como se
muestra:

Figura 3. Valores de precipitaciones máximas diarias anuales sin procesar.

De la figura 3 se puede observar que el dato inicial en la medición como valor máximo de precipitación
en el año 2005 es de 227.8 mm, dentro de la muestra se tiene también un valor medio de 44.435 mm lo
cual evidencia a este dato con alta variación del valor medio, esto se refleja en la varianza al tener un
valor de 2275.289 con una desviación estándar de 47.69 mm, este dato corresponde al primer año y
primer mes de operación de la estación del año y se encuentra por encima del valor máximo de
precipitación estimado para el umbral superior dado por la expresión:

Pmax = 10yH = 102.0758 = 119.06 mm

Con este valor de precipitación máxima esperada dentro de la muestra se procede a retirar la lluvia que
se encuentre por encima de este valor y se recalculan los valores de media, varianza y desviación
estándar hasta el momento en el cual los datos ajustados posteriores a la eliminación de cada dato
estén por debajo del umbral máximo, es decir, se hace un reprocesamiento cada vez que se retira un
valor dudoso y a consecuencia de esto cambia la media, la varianza y la desviación estándar de los datos,
en este caso puntual se retiraron 25 datos los cuales se encontraban por encima del umbral máximo y se
debió de hacer esa misma cantidad de veces el proceso para lograr definir un umbral máximo final Pmax
de 57,1 mm de precipitación, con media de los datos de 34,14 mm, una varianza de 65.65 y una

10
desviación estándar de 8.1 mm, resultado de este ajuste y manipulación de los datos se obtiene la figura
4:

Figura 4. Valores de precipitaciones máximas diarias anuales ajustados.

Dentro de la aplicación de la bondad de ajuste por medio de Kolmogorov – Smirnov se hacen ajustes a
distribuciones de probabilidad Normal, Log Normal, Pearson lll, Log Pearson lll, Gumbel y Log Gumbel a
fin de verificar con dichas distribuciones de probabilidad el mejor ajuste posible a los datos medidos en
la estación objeto de análisis, este proceso se hace mediante herramienta de Excel y los resultados se
resumen en la siguiente tabla:

Figura 5. Validación gráfica de la bondad de ajuste de los datos por las 6 funciones de distribución de probabilidad.

11
De la figura 5 se puede inferir que cada una de las funciones de probabilidad analizadas tienen un ajuste
adecuado hacia la tendencia de los datos al tener todas un valor de ajuste adecuado al satisfacer la
condición de confianza en el ajuste de los datos cuyo valor debe ser siempre menor a 0.318, este valor
no es superado en ninguna de las distribuciones analizadas así que la hipótesis de ajuste es válida para
todas. En la determinación de la curva de intensidad – duración – frecuencia sintética se parte desde el
proceso mencionado previamente y al tomar los valores de las constantes a, b, c y d se obtiene la
expresión final:

Con esta expresión definida se procede a determinar con diferentes períodos de retorno sus
correspondientes duraciones de lluvias y las intensidades calculadas para la estación de Páramo de
Guerrero tal como se muestra en la fig 6:

Figura 6. Curvas de intensidad-duración-frecuencia para diferentes períodos de retorno en años, duraciones de

lluvia en minutos e intensidades de lluvia en mm/h.

12
Como resultado de este proceso de análisis de datos se obtienen tanto la expresión propia de la estación
analizada así como su curva IDF con la cual se pueden hacer las estimaciones de lluvias esperadas en
cualquier período de retorno con la duración que se pueda estimar consecuente con los tipos de análisis
a desarrollarse en el municipio de Zipaquirá, Cundinamarca.

CONCLUSIONES

Es necesario ajuste de datos dudosos para esta estación los valores medidos al inicio de su
funcionamiento tienen valores superiores a 57,19 mm de precipitación diaria y se ha superado
durante 22 días consecutivos con precipitaciones elevadas cercanas a los 100 mm o tiene un
valor máximo de 227,8 mm que es casi veces superior al valor umbral máximo establecido.
La distribución Gumbel es la que mejor se ajusta a los datos una vez realizada la prueba, donde
la diferencia está entre la probabilidad de ocurrencia de los datos medidos y la esperada, en
este caso su valor máximo es un número muy por debajo del valor de e indica que el ajuste es
muy bueno bajo esta distribución.
Una vez determinada la curva IDF para esta estación, se pueden desarrollar diseños basados en
la precipitación en el área de influencia de la estación, teniendo en cuenta que se puede
estimar la precipitación para hacer diseños para optimizar el recurso en tiempos de sequía,
prevención de inundaciones, etc. Esto se puede migrar a cualquier estación siguiendo la misma
metodología y corroborando los datos para mejorar la estimación de lluvia calculada.
Una vez completado este proceso, la investigación continúa y se planea diseñar un sistema de
pronóstico donde los usuarios puedan realizar solicitudes específicas en fecha específica y
probabilidad de ocurrencia de precipitación; así como el valor estimado de dicha lluvia.
El potencial de aplicación de este proyecto también dependerá de la calidad de los datos y de
los registros continuos realizados por estación, resultado que se puede mejorar con mayor
precisión en el tiempo y la estación Páramo de Guerrero más datos de lluvia a Para tener una
mayor y condiciones climáticas variables pueden ser en periodos más largos, con lo cual se
pueden hacer mejores para periodos más atrás a base de obras civiles diseños de duraciones de
50 años o incluso más.

13
14