Aplicaciones Estadísticas en Hidrología

Oficina Regional de Ciencia para
Amrica Latina y el Caribe
Aplicaciones Estadsticas en Hidrologa: El Caso de las Intensidades de Precipitacin y las Curvas IDF en la Zona Central de Chile
Programa
Hidrolgico
Internacional
Aplicaciones Estadsticas en Hidrologa:

El Caso de las Intensidades de Precipitacin Aplicaciones Estadsticas en Hidrologa:
y las Curvas IDF en la Zona Central de Chile El Caso de las Intensidades de Precipitacin y
las Curvas IDF en la Zona Central de Chile
Oficina Regional de Ciencia para
Amrica Latina y el Caribe
Autores:
Eduardo A. Varas Castelln

Jos Luis Ayuso Muoz
Programa TALCA
UNIVERSIDAD Benjamin R. Ingram
Hidrolgico
Internacional
CHILE Ignacio Vidal Garca
Juan Pablo Flores Villanelo
Editores:
Facultad de Ciencias Forestales
Universidad de Talca
Avenida Lircay S/N Claudia Sangesa Pool
Talca, Chile Mauricio Vera Camiroaga
Tel.: 56 71 200 442 / 200 440
Fax: 56 71 200 455 / 428 Carlos Vallejos Carrera
http://www.cienciasforestales.cl Claudio Olivares Santelices
Roberto Pizarro Tapia
Pablo Garca-Chevesich
PHI-VII / Documento Tcnico N 31
P H I - V I I / D o c u m e n to T c n i c o N 3 1
Direccin Direccin
General de General de
Aguas Aguas
Ministerio de Obras Ministerio de Obras
Pblicas Pblicas
Aplicaciones Estadsticas en Hidrologa:
El Caso de las Intensidades de Precipitacin y
las Curvas IDF en la Zona Central de Chile
PHI-VII / Documento Tcnico N 31

Publicado en el 2013 por el Programa Hidrolgico Internacional (PHI) de la Oficina
Regional de Ciencia para Amrica Latina y el Caribe de la Organizacin de las
Naciones Unidas para la Educacin, la Ciencia y la Cultura (UNESCO)
ISBN 978-92-9089-191-8 Documento Tcnico N 31: Aplicaciones Estadsticas en

Hidrologa: El Caso de las Intensidades de Precipitacin y las Curvas IDF en la Zona
Central de Chile
UNESCO 2013
Las denominaciones que se emplean en esta publicacin y la presentacin de los

datos que en ella figura no suponen por parte de la UNESCO la adopcin de postura
alguna en lo que se refiere al estatuto jurdico de los pases, territorios, ciudades o
zonas, o de sus autoridades, no en cuanto a sus fronteras o lmites. Las ideas y
opiniones expresadas en esta publicacin son las de los autores y no representan,
necesariamente, el punto de vista de la UNESCO.
Se autoriza la reproduccin, a condicin de que la fuente se mencione en forma

apropiada, y se enve copia a la direccin abajo citada. Este documento debe citarse
como:
UNESCO, 2013. Aplicaciones Estadsticas en Hidrologa: El Caso de las Intensidades

de Precipitacin y las Curvas IDF en la Zona Central de Chile.
Documentos Tcnicos del PHI-LAC, N 31
Dentro del lmite de la disponibilidad, copias gratuitas de esta publicacin pueden ser
solicitadas a:
Programa Hidrolgico Internacional para Facultad de Ciencias Forestales

Amrica Latina y el Caribe (PHI-LAC) Universidad de Talca
Oficina Regional de Ciencia para Amrica Avenida Lircay S/N
Latina y el Caribe Talca, Chile
UNESCO Tel.: (56) 71 200 442 / 200 440
Dr. Luis P. Piera 1992, 2 piso Fax: (56) 71 200 455 / 428
11200 Montevideo, Uruguay http://www.cienciasforestales.cl
Tel.: (598) 2413 2075
Fax: (598) 2413 2094
E-mail: phi@unesco.org.uy
http://www.unesco.org.uy/phi
PRLOGO
Cuando me solicitaron desde el Centro Tecnolgico de Hidrologa Ambiental (CTHA) de la Universidad de

Talca, prologar un libro relativo a la construccin de las curvas Intensidad-Duracin-Frecuencia, creo que
en mi cara se marcaron grandes signos de interrogacin.
Mi incredulidad aument al ver que el libro est muy relacionado con marcos de ingeniera hidrolgica
y su aplicacin en contextos de ingeniera hidrulica. Ciertamente me pregunt si es que se haban
equivocado de la persona para este prlogo, porque como todos saben, soy abogada y en calidad de
Senadora he orientado mi trabajo legislativo en mbitos bastante distintos al de este libro.
Sin embargo, mis amigos del CTHA tuvieron la paciencia para explicarme las razones por las cuales
deseaban mi punto de vista respecto a la publicacin. La primera es lograr que los integrantes de un
poder del Estado sepan lo que una universidad de regin est haciendo en materia de investigacin
cientca y lo importante que es para el pas que avancemos hacia la utilizacin plena del conocimiento
que genera este trabajo a veces annimo, pero tremendamente importante.
Y ya estamos dentro de la segunda razn para que esta parlamentaria pueda prologar el libro. Dando
muestras de su vocacin docente, los investigadores del CTHA me explicaron que las curvas
Intensidad-Duracin-Frecuencia son fundamentales para disear de manera eciente obras hidrulicas;
que constituyen una informacin base y clave como insumo hidrolgico que gran parte del pas no tiene,
lo que es relevante cuando el objetivo es tener una adecuada gestin del agua frente a fenmenos de
inundaciones, que cuestan vidas y que le cuestan millones y millones de dlares al Estado chileno.
Ciertamente estamos ante un tema de gran importancia presente, pero de una trascendencia difcil de
cuanticar para el futuro de nuestro pas y, por qu no decirlo, del mundo. Por ello no es extrao que
este libro sea publicado bajo los auspicios de Unesco y Naciones Unidas en el marco del Programa
Hidrolgico Internacional.
Los resultados que se plasman en estas pginas, son parte de un proyecto de investigacin nanciado
por el Fondo Nacional de Desarrollo Cientco y Tecnolgico, Fondef, de la Comisin Nacional de Ciencia
y Tecnologa (Conicyt), en donde no slo trabaj la Universidad de Talca, sino que tambin instituciones
pblicas como la Direccin General de Aguas, la Direccin de Obras Hidrulicas, la Ocina Nacional de
Emergencias del Ministerio del Interior, adems de la empresa ESSBIO y la Universidad de Crdoba, en
Espaa.
Y si una autoridad no es capaz de visualizar la riqueza que hay en los resultados de esta investigacin,
creo que debe revisarse en su calidad de tal. En mi caso,como ciudadana y parlamentaria, este libro no
es otra cosa que la constatacin de que el hdrico es un tema de futuro que debeser internalizado y
aquilatado por los diferentes poderes del Estado.
En este contexto y aunque ya ha sido dicho muchas veces, hay que destacar que la investigacin
cientca y tecnolgica es parte componente y decisiva de los procesos de desarrollo de los pases ms
exitosos, no slo desde la perspectiva del crecimiento econmico, sino tambin desde la perspectiva
holstica del desarrollo de las personas. Por ello, cuando las partidas presupuestarias tienden a disminuir
en ciencia y tecnologa, lo que el Ejecutivo hace no es otra cosa que limitar las reales posibilidades de
desarrollo de Chile.Y este libro, que tengo el honor de prologar, es la comprobacin emprica de que la
inversin en ciencia y tecnologa no es un gasto, sino que una inversin tremendamente rentable si se
canaliza y trata adecuadamente.
Dicho esto, creo conveniente relevar que el agua es el recurso natural ms importante del pas.
Tristemente, Chile parece no darle la relevancia que posee, no solo desde una perspectiva agrcola,
energtica, forestal o industrial, sino que tambin desde la perspectiva de sustentabilidad bsica de la
poblacin del pas y desde la perspectiva de los servicios ecosistmicos que el agua presta, que no estn
del todo denidos en su importancia espacial-temporal y que son obviados o despreciados, sin
considerar una adecuada gestin de futuro.
Este escenario nos lleva a redoblar esfuerzos por conocer cul es el comportamiento de este recurso en
forma natural y cules son las mejores formas de asegurar un uso eciente y sustentable del mismo, en
escenarios de incertidumbre, de cambio climtico y de crecimiento importante de las demandas de
agua.
Otro aspecto a destacar es la necesidad de una mayor imbricacin entre los actores que hacen la
investigacin y aquellos que la demandan y en donde normalmente los que la nancian no son ni el uno
ni el otro. Por ello, cuando se ven proyectos como el que ha generado este libro, con aspectos de inters
pblico-privado y en donde se resuelven problemas concretos, no queda ms que alegrarse por esta
situacin.
Pero para que ello ocurra con frecuencia y para que los recursos an escasos destinados a la
investigacin cientca y tecnolgica, tengan la rentabilidad que se espera, es necesario que quienes
nancien, pongan en una mesa de anlisis y discusin las demandas reales de investigacin que poseen
los ente pblicos y privados para dinamizar el desarrollo del pas.
No es imposible determinar los recursos disponibles y, sobre esa base, invitar a los investigadores a que
expresen sus propuestas en funcin de las reales necesidades del pas y de quienes usarn esa
informacin para una mejor gestin pblica-privada, para el mejoramiento de los sistemas productivos
o para el mejor aprovechamiento de los espacios naturales, entre otros aspectos. No nos sobran los
recursos, por lo que es una obligacin que la investigacin cientca tenga sustento y este proyecto es un
ejemplo de cmo conseguir buenos resultados en base a las demandas de informacin no existente,
hechas por actores que la usan y usarn para su gestin actual y futura.
Finalmente, slo me resta felicitar al CTHA de la Universidad de Talca de Chile, tanto por el trabajo
desarrollado como por los resultados obtenidos, entre los cuales se cuenta este libro, pero
principalmente por la enseanza que deja la ejecucin de este proyecto, en trminos de conseguir
respuestas concretas para el desarrollo del pas, con el apoyo de instituciones pblicas y privadas que
expresan sus demandas de informacin y conocimiento y con un Estado aportante de fondos. Queda
demostrado que es posible generar un crculo virtuoso, en el que la ciencia y la tecnologa acompaan y
estimulan el desarrollo del pas.
Ximena Rincn
Senadora de la Repblica de Chile
NDICE
INTRODUCCIN 3
CAPTULO 1: CURVAS INTENSIDAD DURACIN FRECUENCIA USANDO ESCALAMIENTO ESTADSTIC 4
1.1. INTRODUCCIN 5
1.2. ESCALAMIENTO ESTADSTICO 6
1.3. METODOLOGA 7
1.4. RESULTADOS 8
1.5. CONCLUSIONES 11
1.6. REFERENCIAS 12
CAPTULO 2: ANLISIS REGIONAL DE FRECUENCIAS DE PRECIPITACIONES EXTREMAS DE DURACIN

COMPRENDIDAS ENTRE 15 MINUTOS Y 24 HORAS 13
RESUMEN 13
ABSTRACT 14
1. INTRODUCCIN 14
2. REA DE ESTUDIO Y DATOS DE LLUVIA UTILIZADOS 16
3. METODOLOGA 18
3.1. LOS MOMENTOS LINEALES 18
3.2. DIAGRAMAS DE LOS COCIENTES DE LOS MOMENTOS - L 19
3.3. ANALISIS REGIONAL DE FRECUENCIAS BASADO EN LOS MOMENTOS - L 20
3.3.1. Identicacin de regiones homogneas 21
3.3.2. Cribado de los datos mediante la medida de la discordancia 21
3.3.3. Prueba de la homogeneidad usando la medida de la heterogeneidad 22
3.3.4. Seleccin de la distribucin usando la medida de la bondad de ajuste Z 23
3.3.5. Estimacin regional de cuantiles. Curva regional de crecimiento 24
3.3.6. Estimacin de cuantiles locales. Mtodo de la precipitacin ndice 25
4. RESULTADOS Y DISCUSIN 24
4.1. IDENTIFICACIN DE ZONAS HOMOGNEAS 25
4.2. PRUEBA DE LA DISCORDANCIA Y LA HOMOGENEIDAD 27
4.3. DIAGRAMA DE LOS COCIENTES DE LOS MOMENTOS - L 29
4.4. SELECCIN DE LA DISTRIBUCIN DE FRECUENCIAS Y MEDIDA DE LA BONDAD DE AJUSTE 30
4.5. CURVAS DE CRECIMIENTO REGIONALES 31
4.6. ESTIMACIN DE CUANTILES 32
5. CONCLUSIONES 42
6. REFERENCIAS 42
CAPTULO 3: ESTIMATING IDF CURVES WITH INCOMPLETE DATA 46
3.1. INTRODUCTION 47
3.2. METHODOLOGY 48
3.2.1. Ordinary Least Squares 48
3.2.2. Quasi-Newton optimization 49
3.2.3. Weighted Least Squares 49
3.2.4. Iteratively Reweighted Least Squares 51
3.3. RESULTS 52
3.4. CONCLUSIONS 54
3.5. REFERENCES 55
1
CAPITULO 4: MODELACIN Y CONSTRUCCIN GRFICA IDF 56
4.1. INTRODUCCIN 57
4.2. SELECCIN DE INTENSIDADES MXIMAS 58
4.3. CONSTRUCCIN GRFICA DE LAS CURVAS IDF 59
4.3.1. Anlisis de Frecuencia de Eventos Extremos 59
4.3.2. Ejemplo 60
4.4. PRUEBAS DE BONDAD DE AJUSTE 65
4.4.1. Coeciente de Determinacin 65
4.4.2 Test de Kolmogorov Smirnov 65
4.4.3. Construccin grca de las curvas IDF 66
4.5. MODELACIN MATEMTICA DE LAS CURVAS IDF 68
4.5.1. Modelos Matemticos 68
4.5.2. Medidas de Bondad de Ajuste para Validar los Modelos 69
4.6. RESULTADOS 70
4.8. REFERENCIAS 75
CAPTULO 5: APLICACIN DE MTODOS GEOESTADSTICOS PARA LA EXTENSIN DE LAS CURVAS

IDF DE CHILE CENTRAL 77
5.1. MTODOS DE INTERPOLACIN 78

5.2. APLICACIN DEL KRIGEADO 80
5.3. REA DE ESTUDIO 81
5.4. BASE DE DATOS 82
5.5. METODOLOGA DE TRABAJO 83
5.6. RESULTADOS Y DISCUSIN 85
5.6.1. Exploracin de los datos para el anlisis de frecuencia local y regional 85
5.6.2. Georreferencia de intensidades de precipitacin para duraciones cortas y largas 86
5.6.3. Obtencin del parmetro K y su extensin a zonas sin aforo 87
5.6.4. Bondad de ajuste de los valores de intensidades de precipitacin
medidos vs modelados 91
5.6.5. Estimacin de las intensidades de precipitacin para distintas duraciones y
periodos de retorno en zonas sin pluvigrafo 92
5.6.6. Exploracin de variables auxiliares para mejorar las estimas de intensidad de precipitacin 96
5.6.6.1. Altitud 96
5.6.6.2. Longitud y Latitud 97
5.6.6.3. Precipitacin media anual e ndices de agresividad climtica 97
5.6.7. Interpolacin de las intensidades de lluvia 100

5.6.8. Mapa de isolneas de intensidad de precipitacin para la zona central de Chile 104
5.8. REFERENCIAS 107
2
INTRODUCCIN
El impacto de los fenmenos de precipitacin extrema, en un marco de cambio climtico global de las zonas
mediterrneas, semiridas y sub-hmedas, como es el caso de la zona centro sur de Chile, se expresa
comnmente en la forma de eventos de inundacin, movimientos en masa, socavaciones de riberas,
caminos y puentes y torrentes sin control. Lo anterior, determina afectaciones importantes a los bienes
fsicos, a la transitabilidad de personas y mercancas, el destrozo de obras fsicas de infraestructura y en el
peor de los casos en la prdida de vidas humanas.
Por otra parte, una problemtica fundamental en el estudio de los eventos extremos es la baja disponibilidad
de informacin hidrolgica, que se traduce en pocos registros hidrolgicos o series incompletas y una falta
de informacin hidrolgica en trminos espaciales y temporales. Esto provoca errores e incertidumbre en el
diseo de obras y un desconocimiento acerca del comportamiento de la cuenca ante eventos extremos de
precipitacin. En este sentido, el Centro Tecnolgico de Hidrologa Ambiental de la Universidad de Talca, a
travs del proyecto Fondef D08I1054 Sistema de estimacin de eventos extremos de lluvia, para la
prevencin y mitigacin de los riesgos de avenidas y caudales circulantes, en un contexto de variabilidad y
cambio climtico, ha contribuido a generar una base de datos de precipitaciones extremas en la zona central
de Chile. As, este proyecto ha desarrollado un trabajo de obtencin de informacin de precipitaciones a
partir de la instalacin de 25 equipos de medicin (pluvigrafos digitales) y del procesamiento de registros
histricos de precipitacin de la red de estaciones pluviogrcas y pluviomtricas de las regiones
Metropolitana, Maule y Biobo, pertenecientes a la Direccin General de Aguas, Direccin Meteorolgica de
Chile y la Empresa Nacional de Electricidad S.A. De esta forma, se ha generado una base de datos de
intensidades mximas de precipitacin para 47 estaciones pluviogrcas. Con esta base, este proyecto, en el
cual estn tambin incorporados la Universidad de Crdoba de Espaa, la DGA, la DOH, la Onemi y la
empresa Essbio, ha entregado importantes elementos para la construccin de las curvas Intensidad Duracin
Frecuencia, curvas que son fundamentales para estimar el comportamiento de las intensidades de
precipitacin en el territorio de la regiones administrativas Metropolitana, Maule y Biobo de la zona central
de Chile. No obstante y a pesar de contar con la informacin de las principales redes de estaciones del pas,
esta informacin no siempre es suciente, cuando se requiere una mayor precisin en la obtencin de las
intensidades de diseo. Esto debido a que la densidad de estaciones es baja y en otras estaciones no se
dispone de registros continuos de precipitacin o estos no tienen la suciente duracin.
Asimismo, el desarrollo del proyecto permiti dar cuenta de que era necesario explorar en mayor detalle las
posibilidades que la estadsticamatemtica moderna ofreca para permitir una mejor comprensin del
comportamiento de las precipitaciones y especcamente de las intensidades de precipitacin. Por ello,
surge este libro, que es la condensacin de las investigaciones que se hicieron para profundizar en el estudio
estadstico de las precipitaciones en el territorio que el proyecto comprende y ello porque en muchas
ocasiones se hace necesario recurrir a mtodos alternativos para estimar las curvas IDF, como es por ejemplo
el mtodo de extrapolacin conocido como ndice de Tormenta, el cual permite obtener datos de
precipitacin en una estacin pluviomtrica, a partir de las relaciones existentes en una estacin
pluviogrca entre las distintas intensidades horarias de lluvia y la intensidad en 24 horas. Otras
metodologas requieren conocer las propiedades estadsticas y geoestadsticas que permiten estimar y
modelar el comportamiento de las intensidades mximas anuales de lluvia en diferentes zonas geogrcas y
que representan zonas sin informacin. Por tanto, este libro permite describir mtodos estadsticos y su
aplicacin a la construccin de las curvas Intensidad-Duracin-Frecuencia, en base a metodologas no
tradicionales, las que permiten estimar y extrapolar en forma conable las curvas IDF hacia zonas donde los
registros son escasos, siendo cada una de estas metodologas una herramienta til y replicable a otras zonas
del pas de acuerdo a la literatura cientca existente, lo que hace agradecer el esfuerzo desarrollado por los
autores de cada uno de estos captulos.
Finalmente, el presente libro cuyo nombre es Aplicaciones Estadsticas en Hidrologa: El Caso de las
Intensidades de Precipitacin y las Curvas IDF en la Zona Central de Chile, presenta diferentes metodologas
para la estimacin de las Curvas IntensidadDuracinFrecuencia (IDF), a partir de la base de datos de
precipitaciones extremas. De esta forma, se pone a disposicin de los tomadores de decisin un mayor
conocimiento de los ecosistemas urbanos y rurales, con lo que se espera contribuir a la mitigacin de
impactos relativos a los eventos extremos en la zona central de Chile.
3
CAPTULO 1: CURVAS INTENSIDAD DURACIN FRECUENCIA USANDO ESCALAMIENTO ESTADSTICO
Eduardo A. Varas
Facultad de Ingeniera, Ponticia Universidad Catlica de Chile.
RESUMEN
Las curvas Intensidad-Duracin-Frecuencia de lluvias (IDF) son herramientas utilizadas en el diseo de obras
de drenaje urbano y de carreteras. En las ltimas dcadas se han publicado mapas de estas curvas para
emplearlos en los diseos. Sin embargo, los mapas son poco frecuentes en las naciones en desarrollo porque
la informacin para obtenerlos no existe. Esto justica el estudio de mtodos regionales para poder
extrapolar espacialmente la informacin disponible.
Investigaciones recientes han mostrado que la lluvia y el escurrimiento exhiben propiedades de

escalamiento estadstico. Esta rea abre la posibilidad de usar un enfoque nuevo para relacionar las
intensidades de lluvia de diferentes duraciones y genera una opcin de extrapolacin interesante.
Este trabajo examina las propiedades de escala de las lluvias mximas para estimar curvas IDF en puntos sin
informacin pluviogrca o con datos escasos. Los resultados muestran que las series anuales de lluvias
mximas de duraciones entre 15 minutos y 24 horas quedan bien representadas por el modelo de valores
extremos tipo I y que los momentos a distintas escalas cumplen una relacin logartmica lineal. Por
consiguiente, las lluvias mximas exhiben propiedades de escalamiento estadstico y este mtodo permite
estimar conablemente las curvas IDF.
ABSTRACT
Rainfalls intensity-duration-frequency (IDF) curves are tools used in road and urban stormwater
management design. IDF maps have been published in the last few decades to be applied as part of the
design criteria. However, those maps are not frequent in developing countries, because information to
obtain them is not available. This situation justies the study of regional methods to spatially extrapolate
available information.
It has been found that rainfall exhibits multiscaling properties and hence cascade type models have been
used to simulate and generate rainfall. This area opens a new approach to study the properties of annual
maximum rainfall series of dierent durations and generates an interesting extrapolation possibility.
This paper examines the scaling properties of maximum annual rainfall series in order to estimate IDF curves
in places with no recording gages or points where information is scarce. Results indicate that the Extreme
Value type I distribution is adequate to represent rainfall intensity for durations between 15 minutes and 24
hours and that statistical moments obey a logarithmic linear relationship. Hence, annual series of maximum
rainfall intensities exhibit statistical scaling properties and hence this is a convenient approach to obtain IDF
curves or to estimate them when recording data is scarce.
4
1.1. INTRODUCCIN
Las curvas IDF establecen una relacin entre la intensidad de la lluvia (i), la duracin (d) y la frecuencia o
perodo de retorno (T). Estas curvas empleadas en el diseo de obras de drenaje representan una sntesis
probabilstica del proceso de precipitacin y resultan del anlisis de frecuencia de una familia de variables
aleatorias, las intensidades de lluvia, en funcin de su duracin. La informacin requerida para obtenerlas
son los registros pluviogrcos, que no se encuentran siempre disponibles, por lo que los proyectistas deben
recurrir a mtodos alternativos para estimar las curvas IDF.
Varios autores han estudiado la variacin espacial de las relaciones IDF y han generados mapas para
representar las intensidades de lluvia asociadas a una determinada frecuencia. Estos mapas son una valiosa
ayuda en el diseo (Canterford et al (1987), Direccin General de Aguas (1990), Herscheld (1961), Miller et
al (1973)y NERC (1975)); y entregan intensidades de lluvia tiles para el dimensionamiento de las obras de
drenaje. Tambin, se han propuesto mtodos aproximados para suplir la existencia de informacin medida
(Bell (1969), Varas y Snchez (1984)).
Este trabajo examina si las series anuales de lluvias mximas, de un amplio rango de climas en Chile, cumplen
las leyes de escalamiento estadstico y analiza la posibilidad de usar este procedimiento para estimar las
relaciones IDF.
5
1.2. ESCALAMIENTO ESTADSTICO
Un rea de investigacin reciente y activa es examinar si los procesos naturales son dependientes o
independientes de la escala a la cual se observan. El escalamiento puede denirse como la transferencia de
informacin o el establecimiento de relaciones entre magnitudes espaciales o temporales de diferentes
escalas. El escalamiento estadstico implica que la variable aleatoria con diferentes escalas sigue el mismo
modelo probabilstico y que por lo tanto existe una relacin entre los momentos correspondientes a
diferentes escalas. Varios investigadores han encontrado relaciones para estimar los momentos de lluvias y
caudales a distintas escalas (Gupta y Waymire (1990), Burlando y Rosso (1996), Menabde y Sivapalan(2000)).
Las relaciones entre los momentos y la escala se pueden usar para estimar los parmetros de un modelo
probabilstico de la variable aleatoria de inters.
El escalamiento estadstico supone que las series de tiempo de las lluvias con diferentes escalas quedan
representadas por el mismo modelo probabilstico y que los momentos de la variable aleatoria son
proporcionales a una funcin de transformacin de escala. Ello signica que la variable aleatoria (intensidad
de lluvia) para una escala determinada (Id) queda representada por el mismo modelo probabilstico que los
valores correspondientes a otra escala (ID). Las intensidades de lluvia se transforman de una escala a otra
usando la funcin de transformacin de escala (h( d, D ) representada por la siguiente condicin matemtica:
I d h(d , D) I D
Para el caso de las intensidades de lluvia, una forma simple para la funcin de transformacin es denirla
como una funcin potencial de la razn de las correspondientes duraciones:

d
h( d , D ) = (1)
D
En este caso los momentos correspondientes a diferentes escalas quedan relacionados por:
r
d
E ( I ) = E ( I Dr )
r
d (2)
D
y por lo tanto
ln( E[ I dr ]) = r + r ln(d / D) (3)
Siendo
r = ln(E[ I Dr ]) (4)
Si el exponente se mantiene constante en una determinada regin, se dice que existe escalamiento simple.
En caso contrario se tiene un proceso con escala mltiple. Menabde y Sivapalan (2000) validaron este tipo
de modelo para dos localidades en Australia y encontraron que el coeciente () era del orden de 0,76.
6
1.3. METODOLOGA
En este Proyecto FONDEF D08I1054 se realiz un importante esfuerzo por recoger y validar una gran parte
de la informacin pluviogrca existente en las Regiones Metropolitana, del Maule y del Biobo. Las
estaciones representan una amplia variedad de climas diferentes.
En cada uno de los lugares de medicin se recopilaron las series anuales de precipitaciones mximas de
duraciones comprendidas entre 15 minutos y 24 horas. Estas series se sometieron a un anlisis de frecuencia
usando un modelo de valores extremos tipo I (VEI) o distribucin Gumbel. Mediante el test de
Kolmogorov-Smirnov se concluy que este modelo representa adecuadamente las series anuales.
Posteriormente, se establecieron ecuaciones de regresin logartmicas para estimar los primeros dos
momentos (valor esperado de las dos primeras potencias de la intensidad de lluvia) en cada estacin en
funcin de la escala de tiempo (Ec.2). Los coecientes de regresin y los coecientes de correlacin de los
dos primeros momentos se muestran en las Tablas 1, 2 y 3. Las relaciones de regresin exhiben un
comportamiento lineal con alta correlacin, lo que demuestra que se tiene una funcin de transformacin
de escala como la indicada previamente. Los coecientes de correlacin son mayores a 0,995, de modo que
los modelos de regresin explican un alto porcentaje de la varianza de la muestra. La pendiente de las
relaciones sigue el comportamiento proporcional de la Ec. 2, de manera que puede concluirse que una
relacin de escala simple es una aproximacin razonable en este caso.
Adicionalmente, las estaciones se agruparon geogrcamente en zonas, en cada una de las cuencas se
consideraron las condiciones geogrcas y el tamao de los coecientes de pendiente. En cada uno de estos
grupos se combinaron los datos sin dimensin, dividindolos por el promedio de los valores de intensidad de
lluvia en 24 horas, para establecer relaciones regionales. El trmino constante resulta muy pequeo en cada
grupo y no signicativamente diferente de 0, de manera que se calcularon ecuaciones de regresin con
intercepto nulo.
Se estimaron los primeros dos momentos para cada escala con estas relaciones y ellos se usaron para
estimar en cada caso los parmetros de un modelo de valores extremos tipo I. Con los parmetros de la
distribucin VEI para diferentes escalas se puede obtener una estimacin de las curvas IDF en cada lugar. En
este proceso, se supusieron conocidos los dos primeros momentos para una duracin de 24 horas. Los dos
primeros momentos se pueden estimar conablemente en funcin del promedio y la varianza de los datos
pluviomtricos diarios.
7
1.4. RESULTADOS
Las Tablas 1, 2 y 3 muestran los coecientes de regresin y los coecientes de correlacin de las ecuaciones
para estimar los dos primeros momentos a nivel local y regional. En el primer caso se usa la ecuacin (3) y en
la relacin regional se usa la ecuacin (2), suponiendo conocidos o estimables los momentos
correspondientes a 24 horas.
Tabla 1. Coecientes de Regresin y Correlacin para la Regin Metropolitana.

REGIN ESTACIN BETA 1 ALFA 1 BETA 2 ALFA 2 R1 R2
San Antonio -0,569 0,791 -1,135 1,720 -1,000 -1,000
Pirque -0,534 0,855 -1,049 1,884 -0,999 -0,998
Cerrillos -0,537 0,528 -1,058 1,222 -0,995 -0,993
1 Huechn Andina -0,525 0,438 -0,932 1,449 -0,997 -0,997
Los Panguiles -0,502 0,728 -0,982 1,716 -0,999 -0,998
Cerro Caln -0,500 0,886 -0,971 1,945 -0,996 -0,995
REGIN -0,540 0,000 -1,041 0,000 0,999 0,999
Pudahuel -0,489 0,662 -0,947 1,590 -0,998 -0,997
Tobalaba -0,489 0,793 -0,938 1,842 -0,997 -0,998
Melipilla -0,473 0,835 -0,934 1,836 -0,998 -0,997
Mop DGA -0,472 0,861 -0,935 1,847 -0,998 -0,998
2 Quinta Normal -0,451 0,732 -0,890 1,596 -0,994 -0,995
La Obra -0,447 1,487 -0,858 3,185 -0,997 -0,996
Edicio Central ENDESA -0,446 0,699 -0,867 1,581 -0,992 -0,991
Emb. Rungue -0,478 1,041 -0,906 2,360 -0,996 -0,994
REGIN -0,496 0,000 -0,950 0,000 0,998 0,998
Tabla 2. Coecientes de Regresin y Correlacin para la Regin del Maule.

Bullileo -0,372 9,217 -0,739 14,849 -0,997 -0,997
Colorado -0,439 8,868 -0,869 14,139 -0,998 -0,998
E. Ancoa -0,417 8,865 -0,818 14,208 -0,998 -0,998
1 Digua -0,469 8,657 -0,926 13,769 -0,999 -0,999
Melozal -0,530 8,026 -1,022 12,743 -0,999 -0,998
Los Quees -0,422 8,759 -0,834 13,971 -0,998 -0,998
Curic -0,516 0,943 -1,043 1,971 -0,998 -0,999
REGIN -0,454 0,000 -0,873 0,000 0,999 0,999
San Manuel -0,421 1,437 -0,821 3,019 -0,998 -0,998
Desage Laguna Invernada -0,366 1,548 -0,701 3,260 -0,997 -0,995
Casa de Mquinas -0,385 1,460 -0,763 3,019 -0,999 -0,999
2
Armerillo -0,375 2,072 -0,741 4,245 -0,995 -0,992
Melado en la Lancha -0,362 2,025 -0,704 4,262 -0,996 -0,993
REGIN -0,376 0,000 -0,726 0,000 0,999 0,998
El Lirio (Maule en Colbn) -0,4834 1,2882 -0,9528 2,683 -0,995 -0,996
Parral -0,5064 1,0653 -0,9999 2,261 -0,999 -1,000
Pencahue -0,5036 0,8650 -0,9934 1,850 -0,999 -0,999
3 P. Grande -0,4525 1,3256 -0,8801 2,824 -0,997 -0,997
San Javier -0,5273 0,8622 -1,0313 1,904 -0,999 -0,999
Talca -0,5579 0,8286 -1,0958 1,816 -0,998 -0,997
REGIN -0,5185 0,0000 -1,0032 0,000 0,999 0,999
8
Tabla 3. Coecientes de Regresin y Correlacin para la Regin del Biobo.
Chilln DMC -0,391 1,732 -0,790 3,542 -0,999 -1,000
Polcura Endesa -0,393 1,476 -0,790 3,026 -0,992 -0,990
1 Caracol -0,385 1,757 -0,779 3,590 -0,998 -0,998
Emb. Diguilln -0,407 1,632 -0,810 3,353 -1,000 -1,000
REGIN -0,403 0,000 -0,805 0,000 0,999 1,000
Troyo -0,463 1,477 -0,918 3,025 -0,988 -0,988
La Punilla -0,420 1,560 -0,833 3,221 -0,994 -0,994
Cerro El Padre -0,436 1,500 -0,862 3,103 -0,999 -0,999
Contulmo -0,461 1,166 -0,879 2,545 -0,998 -0,997
2
Emb. Coihueco -0,487 1,419 -0,962 3,010 -0,999 -0,999
Bellavista -0,498 1,409 -0,995 2,930 -0,983 -0,988
Los ngeles -0,478 1,149 -0,936 2,445 -0,998 -0,999
REGIN -0,466 0,000 -0,912 0,000 1,000 1,000
Chilln Viejo -0,516 1,298 -1,037 2,684 -0,997 -0,996
Carriel Sur -0,635 0,927 -1,270 1,937 -0,999 -0,999
3 Quilaco -0,519 1,206 -1,036 2,502 -0,997 -0,998
Hualpencillo -0,573 0,986 -1,155 2,050 -0,999 -0,999
REGIN -0,559 0,000 -1,107 0,000 1,000 1,000
Algunos valores de las curvas IDF calculadas con datos observados, y las estimadas siguiendo el
procedimiento descrito, se incluyen en la Tabla 4. Resultados similares se obtuvieron en todas las
localidades.
Tabla 4. Resumen de Comparacin de curvas en Lugares Seleccionados.

SANTIAGO, QUINTA NORMAL
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS - 15,7 12,9 11,5 9,3 7,2 6,2 4,2 2,8
10 LOCAL - 16,6 13,9 12,3 9,1 6,7 5,7 4,2 3,1
REG - 13,8 12,2 11 8,3 6,2 5,2 3,8 2,8
OBS - 19,9 16,1 14,4 11,7 9,3 8 5,5 3,8
50 LOCAL - 21,1 17,8 15,8 11,8 8,8 7,4 5,5 4,1

REG - 15,3 14,3 13,2 10,4 8 6,8 5,1 3,8
OBS - 21,7 17,5 15,7 12,7 10,2 8,8 6,1 4,2
100 LOCAL - 23 19,5 17,3 12,9 9,7 8,1 6,1 4,5
REG - 16 15,2 14,1 11,3 8,8 7,5 5,7 4,3
SAN ANTONIO
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 40,6 30,9 24,2 20,4 13,6 8,9 7,1 5 3,3
10 LOCAL 45,7 29,6 23,5 20 13,5 9,1 7,3 4,9 3,3
REG 48,7 22,8 18,8 16,4 11,7 8,3 6,8 4,8 3,4
OBS 52,3 41,4 32,6 27,2 17,8 11,6 9,2 6,6 4,5
50 LOCAL 57,6 39 31 26,4 17,9 12,1 9,6 6,5 4,4

REG 39 29,1 24,4 21,4 15,6 11,2 9,3 6,6 4,8
OBS 57,3 45,8 36,1 30,1 19,6 12,7 10 7,3 5
100 LOCAL 63,4 43 34,2 29,1 19,7 13,4 10,6 7,2 4,9
REG 42,2 31,8 26,7 23,5 17,2 12,5 10,3 7,4 5,3
9
RUNGUE
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 42,4 24,3 19,2 16,5 12,8 10,5 9,1 7,2 5
10 LOCAL 48,6 25 21,3 19 14,3 10,7 9 6,7 4,9
REG 52,2 29 24,2 21,2 15,5 11,3 9,4 6,8 5
OBS 56,7 30,8 24,2 20,7 16,7 14,2 12,4 10,2 7,2
50 LOCAL 39,6 31,8 27,6 24,9 19,1 14,6 12,4 9,3 7

REG 52,9 39,4 33,2 29,3 21,6 16 13,3 9,8 7,2
OBS 62,7 33,6 26,3 22,5 18,3 15,8 13,8 11,4 8,1
100 LOCAL 42,6 34,7 30,3 27,4 21,2 16,2 13,8 10,5 7,9
REG 58,5 43,8 36,9 32,7 24,2 17,9 15 11 8,1
TALCA
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 45,2 26 21 17,2 12,7 9,7 7,7 5,3 3,4
10 LOCAL 51,2 27,4 22,2 19,1 13,2 9,2 7,4 5,1 3,5
REG 54,6 21 17,4 15,3 11,1 8 6,6 4,7 3,4
OBS 58,9 33 26,9 21,7 16,1 12,6 10,1 7,1 4,7
50 LOCAL 49,3 34,9 28,4 24,6 17,3 12,1 9,8 6,8 4,8
REG 34,4 26,2 22,1 19,6 14,4 10,6 8,8 6,4 4,6
OBS 64,7 36 29,4 23,6 17,6 13,8 11,2 7,8 5,2
100 LOCAL 53,5 38,1 31,1 26,9 19 13,3 10,8 7,6 5,3
REG 36,9 28,4 24,1 21,4 15,9 11,7 9,7 7,1 5,2
CURIC
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 19,3 13,5 9,1 7,4 5,2 3,6
10 LOCAL 40,6 28,1 22,7 19,4 13,4 9,3 7,5 5,2 3,6
REG 31,1 23,2 19,6 17,3 12,9 9,6 8,1 6 4,5
OBS 25,7 17,7 11,6 9,2 6,7 4,7
50 LOCAL 53,9 37,1 29,8 25,5 17,5 12,1 9,7 6,6 4,6
REG 43,6 32,9 27,8 24,7 18,6 13,9 11,8 8,8 6,6
OBS 28,5 19,5 12,6 10 7,3 5,1
100 LOCAL 59,5 40,9 32,8 28,1 19,3 13,2 10,6 7,3 5
REG 48,9 37 31,3 27,9 21 15,8 13,3 10 7,5
POLCURA
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 45,9 25,4 21,6 19,6 15 12,4 10,8 8,2 6,1
10 LOCAL 37,1 28,1 23,9 21,3 16,1 12,2 10,4 7,9 6
REG 38,4 29,1 24,7 22 16,7 12,6 10,7 8,1 6,1
OBS 60,9 31,7 27,4 24,9 18,8 15,5 13,6 10,4 7,8
50 LOCAL 47,6 36 30,5 27,2 20,6 15,5 13,2 10 7,5
REG 49,6 37,5 31,9 28,4 21,5 16,3 13,9 10,5 7,9
OBS 67,2 34,4 29,9 27,2 20,4 16,9 14,8 11,3 8,6
100 LOCAL 52 39,3 33,4 29,7 22,4 16,9 14,4 10,8 8,2
REG 54,3 41,1 35 31,1 23,6 17,9 15,2 11,5 8,7
EMBALSE COIHUECO
T Tipo 0,25 0,5 0,75 1 2 4 6 12 24
OBS 50,7 42,6 35,1 29,4 20,9 14,5 11,9 8,7 6,7
10 LOCAL 37,1 28,1 23,9 21,3 16,1 12,2 10,4 7,9 6
REG 43,9 33,1 28 24,8 18,5 13,7 11,5 8,5 6,3
OBS 64,5 58 46,5 38,8 27,6 19,1 15,7 11,7 9,3
50 LOCAL 47,6 36 30,5 27,2 20,6 15,5 13,2 10 7,5
REG 51,5 40 34,2 30,6 23,2 17,5 14,8 11,1 8,3
OBS 70,4 64,5 51,4 42,7 30,4 21,1 17,2 12,9 10,3
100 LOCAL 52 39,3 33,4 29,7 22,4 16,9 14,4 10,8 8,2
REG 54,7 42,8 36,8 33 25,2 19 16,2 12,1 9,1
10
1.5. CONCLUSIONES
Los resultados permiten concluir lo siguiente:
a) Las series anuales de lluvias mximas de climas bastante diferentes exhiben un comportamiento
de escalamiento estadstico, ya que las variables con diferentes escalas se representan
adecuadamente por el mismo modelo probabilstico y los momentos en funcin de la escala
muestran un comportamiento logartmico lineal.
b) Al usar los momentos estadsticos calculados con la relacin logartmico-lineal se pueden estimar
parmetros para representar las series anuales de lluvias mximas con un modelo de distribucin.
En este caso se preri el modelo VEI. Con el modelo de distribucin ajustada a diferentes escalas
se puede calcular la familia de curvas IDF. Esto demuestra que el enfoque, usando las propiedades
de escala, es conveniente para estimar las curvas IDF en situaciones de informacin escasa.
c) Los resultados obtenidos para todas las localidades estudiadas son similares a las curvas que se
obtienen empleando las series observadas. Las frecuencias empricas concuerdan con los
resultados obtenidos con el mtodo propuesto en climas con diferencias de pluviometra
importantes.
d) Las relaciones regionales basadas en escalamiento estadstico son un mtodo adecuado, siempre
que se puedan estimar en forma razonablemente precisas los momentos para lluvias de 24 horas.
Ello puede lograrse haciendo uso de los datos pluviomtricos, que son ms extensos y de mayor
disponibilidad que los pluviogrcos.
e) Los parmetros que se incluyen en la Tabla 2 sintetizan la informacin contenida en los datos de
lluvias mximas y representan adecuadamente las propiedades de las series de la regin estudiada.
Al obtener relaciones precisas para estimar los momentos de las lluvias de 24 horas, el
procedimiento es un enfoque adecuado para realizar estimaciones de las familias de curvas IDF en
aquellos casos en que la informacin observada sea escasa o inexistente.
f) Como la variedad de climas representada por los datos empleados es grande, se tiene conanza en
que este procedimiento tambin es aplicable en otras situaciones.
11
1.6. REFERENCIAS
Bell F. 1969. Generalized rainfall-duration-frequency relationships, Jour. of Hydraulic Eng. ASCE, 95(HY1),
311-327.
Burlando P., and R. Rosso. 1996. Scaling and multiscaling models of depth-duration-frequency curves for
storm precipitation. Journal of Hydrology, 187, 45-64.
Canterford, R., N. Pescod, N. Pearce, L. Turner, R. AtkinsonJ. 1987. Frequency analysis of Australian rainfall
data as used for ood analysis and design. En Regional Flood Frequency analysis. Proc. Int. Symp. On ood
Frequency and Risk Analysis. May 14-17, Louisiana State University, Baton Rouge, USA.
Direccin General de Aguas. 1990. Mapas de Precipitaciones Mximas en 24, 48 y 72 horas. Ministerio de
Obras Pblicas, Chile.
Gupta, V., and E. Waymire. 1990. Multiscaling properties of spatial rainfall and river ow distributions,
Journal of Geophysical Research, 95(D3), 1999-2009.
Herscheld, D. 1961. Rainfall frequency atlas for the United States for durations from 30 min to 24 hours
and return periods from 1 to 100 years. US Weather Bureau Technical Paper 40, Washington, D.C.
Menabde, M., and M. Sivapalan. 2000. Modeling of rainfall time series using bounded random cascades
and Levy stable distributions. Water Resources Research, 36 (11), 3293-3300.
Miller J., R. Frederick, R. Tracey. 1973. Precipitation frequency analysis of the western States. NOAA Atlas 2.
National Weather Service, NOAA, US Department of Commerce, Silver Spring, MD.
NERC (National Environment Research Council). 1975. Flood Studies Report. Institute of Hydrology,
Wallingford, England.
Varas E., and S. Snchez. 1984. Curvas generalizadas de intensidad-duracin-frecuencia de lluvias, Apuntes
de Ingeniera, vol 38, 73-90.
12
ANLISIS REGIONAL DE FRECUENCIAS DE PRECIPITACIONES
EXTREMAS DE DURACIONES COMPRENDIDAS ENTRE 15 MIN Y 24 H
EN LA REGIN CENTRAL DE CHILE
Jos L. Ayuso Muoz, Roberto Pizarro Tapia y Patricia Ayuso Ruiz
RESUMEN
El diseo y gestin efectiva de las infraestructuras de las aguas pluviales depende de

las relaciones Intensidad-Duracin-Frecuencia (IDF). Es un hecho constatado que, en el
contexto actual de cambio climtico, los eventos de lluvias de elevada intensidad
ocurren ms frecuentemente de lo esperado por lo que se hace necesario actualizar las
estimaciones de los cuantiles de las precipitaciones extremas. Este estudio pretende
actualizar las estimaciones de las precipitaciones intensas para las duraciones de 15, 30
y 45 min, y 1, 2, 4, 6, 12 y 24 h, y nueve intervalos de recurrencia (2, 5, 10, 20, 25, 50,
100, 200 y 500 aos). En contraste al tradicional anlisis local de frecuencias, basado
en el mtodo de los momentos convencionales, se ha usado el enfoque del anlisis
regional de frecuencias de las precipitaciones extremas basado en el procedimiento de
la precipitacin-ndice y en los momentos-L.
El anlisis regional con los momentos-L requiere el establecimiento de regiones

homogneas. Mediante un anlisis clster basado en atributos geogrficos (longitud,
latitud y altitud) y climticos (precipitacin media anual) de 49 estaciones, usando el
mtodo K-means, se establecieron 3 regiones. stas se sometieron a la prueba de
medida de la discordancia Di, en trminos de los momentos-L, lo que permiti filtrar y
eliminar datos de las estaciones. La homogeneidad de cada subregin fue comprobada
usando la medida de la heterogeneidad, H, basada en los momentos-L mediante la
realizacin de 500 simulaciones usando la distribucin Kappa de cuatro parmetros.
Basado en esta prueba se desplazaron algunas estaciones de subregin y se
eliminaron otras hasta conformar 3 subregiones homogneas con 41 estaciones.
Utilizando el diagrama de los cocientes de los momentos-L y el criterio estadstico de
bondad de ajuste, (ZDIST), se identific en cada una de las subregiones y para cada
duracin de lluvia la funcin de distribucin de mejor ajuste entre diversas distribuciones
analizadas (Logstica Generalizada, Generalizada de Valores Extremos, Lognormal de 3
parmetros, Pearson tipo III, Generalizada de Pareto, Kappa y Wakeby). Una vez
identificada la funcin de distribucin ms apropiada se desarrollaron las
correspondientes curvas de crecimiento regionales de las que estimar los cuantiles
regionales. Finalmente, las estimaciones de los cuantiles de precipitaciones extremas
para los diversos periodos de retorno se obtienen con mayor fiabilidad escalando los
cuantiles regionales por la media de la serie de mximos anuales de la duracin de
inters. Este enfoque permite estimar y actualizar los cuantiles de la intensidad de lluvia
para diversas duraciones con las que establecer relaciones IDF ms fiables que las
existentes para uso en el diseo de infraestructuras de gestin de las aguas pluviales.
13
ABSTRACT
The design and management of stormwater structures depends on the use of Intensity-
Duration-Frequency (IDF) relationships. Under current climate change conditions the
intense rainfall events appear with a higher recurrence than expected. This makes
necessary a through revision of extreme precipitation quantiles. This work revises
intense rainfall estimation for durations of 15, 30 and 45 min; 1, 2, 4, 6, 12 and 24 h, for
nine return periods (2, 5, 10, 20, 25, 50, 100, 200 and 500 years). The current research
uses a regional frequency analysis of extreme precipitation based on the precipitation
index and the L-moments, in contrast to the traditional local frequency analysis assisted
by standard moments.
The regional frequency analysis requires the establishment of homogeneous regions.

Using a k-means cluster analysis based on geographical (latitude, longitude and
elevation) and climate (mean annual rainfall) attributes of 49 stations, three initial
candidate regions were identified in the working area. The Di discordance measure test,
in terms of L-moments, permitted to filter and remove data series at each station.
Subregion homogeneity was tested using the heterogeneity measure H based on the L-
moments; 500 simulations were conducted for that purpose using the kappa distribution
of 4 parameters. Based on that test, some stations were relocated and other eliminated.
Finally, 3 homogeneous subregions resulted, with a total of 41 stations. For each
subregion and for every storm duration, the best probability distribution function was
fitted among several: Generalized Logistic, General Extreme Value, three parameter
Lognormal, Pearson type III, Generalized Pareto, Kappa, and Wakeby distributions. The
best fit was determined using the L-moments ratio diagrams and the goodness of fit
measure, ZDIST. Using the best fitted distributions the regional growth curves were
computed and the regional quantiles obtained. The estimation of the quantiles for
extreme rainfall for each return period can be determined with higher reliability if the
regional quantiles are scaled by the mean of the annual maximum series. This method
lets to estimate and update the quantiles of rainfall intensity for various durations. More
accurate IDF curves can then be obtained for the design of stormwater management
structures.
1. INTRODUCCIN
Es un hecho reconocido que el cambio climtico es una de las principales amenazas

para el planeta tierra en el siglo XXI. De acuerdo con el Panel Intergubernamental de
Expertos sobre el Cambio Climtico (IPCC) (IPCC, 2007), las observaciones
instrumentales en los ltimos 157 aos demuestran que las temperaturas en la
superficie terrestre han aumentado a nivel mundial, con importantes variaciones
regionales. Consecuencia de este calentamiento global no es el cambio en los
promedios, sino el aumento global de los extremos hidrolgicos (p.e. precipitaciones
extremas, sequas e inundaciones). Por otra parte, los modelos climticos predicen un
aumento en la frecuencia de eventos extremos de precipitacin en latitudes medias y
altas y un descenso en las latitudes subtropicales (Voss et al, 2002; Groisman et al,
2005). Incluso sin ningn cambio en la precipitacin total, Karl y Trenberth (2003)
demostraron que ha habido un incremento en la frecuencia de las precipitaciones diarias
intensas en los climas ms clidos.
14
Estos impactos negativos constituyen un rea prioritaria en la investigacin y en las
prcticas de gestin de los recursos hdricos (Xu et al., 2005). Muchos estudios indican
que el calentamiento global intensifica el ciclo hidrolgico global (p.e. Milly et al., 2002;
Huntington, 2006) alterando los patrones de la precipitacin y causando eventos
meteorolgicos extremos ms frecuentes, como tormentas, inundaciones y sequas
(Zhang et al., 2008; WMO 2003). En los ltimos aos, las inundaciones y las sequas se
han producido con las mayores puntas y niveles de gravedad. El perodo entre eventos
extremos parece haberse reducido en ciertas regiones (Mishra y Singh, 2010). Entre los
eventos meteorolgicos extremos, las precipitaciones intensas ocasionan cuantiosas
prdidas econmicas y prdidas de vidas humanas.
El uso de series temporales de escasa longitud de registros de precipitaciones mximas

anuales para la estimacin de los eventos extremos (cuantiles) afecta a la fiabilidad de
tales estimaciones. La obtencin de una estimacin precisa de la relacin entre los
valores extremos de la precipitacin y los periodos de retorno asociados se torna ms
complicada si la longitud de los registros disponibles en el lugar de inters es ms corta
que el periodo de retorno considerado, dificultad que a su vez se relaciona con la
identificacin de la funcin de distribucin adecuada para describir los datos y con la
estimacin de los parmetros de la distribucin seleccionada. Para compensar la
insuficiente longitud de las series de datos disponibles puede establecerse una relacin
entre la caracterizacin espacial y temporal de los valores extremos de la precipitacin
mediante el anlisis regional de frecuencias (ARF). El ARF proporciona un medio de
afrontar estos problemas prestando ayuda en la identificacin de las distribuciones
parentales y permitiendo la estimacin de los cuantiles de la precipitacin en los lugares
de inters con menor incertidumbre.
El ARF de las precipitaciones mximas anuales trata con la identificacin de regiones

homogneas en las que las distribuciones de las precipitaciones extremas de los
lugares o estaciones integradas en la regin son similares. Una vez que la regin
homognea ha sido identificada, los datos normalizados de las diferentes estaciones
que conforman la regin pueden agruparse juntos y deducir una nica funcin de
distribucin aplicable a la regin. Una regin puede considerarse homognea para el
anlisis de frecuencias si existen pruebas suficientes de que los datos de las diferentes
estaciones de la regin provienen de la misma distribucin (excepto para el parmetro
de escala).
La metodologa seguida en este proyecto est basada en el procedimiento de ARF

desarrollado por Hosking y Wallis (1993,1997) que incluye el uso de los momentos
lineales y el mtodo del ndice de avenida. Los momentos lineales, que son funciones
lineales de los momentos de probabilidad ponderada, fueron introducidos por Hosking
(1990), resultando ms convenientes que estos por su interpretacin directa como
medidas de la escala y forma de las distribuciones de probabilidad, y se utilizan en
todas las fases del ARF (Hosking y Wallis, 1997; Rao y Hamed, 2000), incluyendo la
identificacin y comprobacin de regiones homogneas, identificacin y comprobacin
de las distribuciones regionales de frecuencia e identificacin de cuantiles. Desde
entonces, el ARF y los momentos lineales han sido aplicados extensivamente en el
anlisis regional de eventos hidrolgicos extremos como avenidas (Kjeldsen et al., 2002;
Zhang y Hall, 2004; Hussain y Pasha, 2009; Noto y La Loggia, 2009), caudales bajos
(Chen et al., 2006; Modarres, 2008; Shi et al., 2010), precipitaciones extremas (Shaefer,
1990; Guttman et al., 1993; Smithers y Schulze, 2001; Lee y Maeng, 2003; Trefry et al.,
15
2005; Di Baldassarre et al., 2006; Wallis et al., 2007; Garca-Marn et al., 2011;
Ngongondo et al., 2011; Zakaria y Shabri, 2012) y sequas (Lee y Maeng, 2005;
Modarres, 2010; Nuez et al., 2011; Santos et al., 2011; Eslamian et al.,2012).
El objetivo de este estudio es proporcionar estimaciones actualizadas y fiables de los

cuantiles de las precipitaciones extremas en la regin central de Chile, por aplicacin de
la metodologa propuesta por Hosking y Wallis (1997), para duraciones de aguaceros
comprendidas entre 15 min y 24 h y periodos de retorno de 2 a 500 aos, con el objeto
de servir de base para la construccin de las curvas IDF de la regin y la obtencin de
las relaciones matemticas correspondientes.
2. REA DE ESTUDIO Y DATOS DE LLUVIA UTILIZADOS
Para la realizacin de este trabajo se han dispuesto de datos de precipitacin de 49

estaciones pluviogrficas con ms de 12 aos de registros suministrados por la
Direccin General de Aguas, la Direccin Meteorolgica de Chile y la empresa
hidroelctrica ENDESA. Las bandas pluviogrficas disponibles fueron procesadas
mediante el lector de bandas y se obtuvieron las series de mximos anuales de las
alturas de precipitacin para las duraciones 15, 30 y 45 min, y 1, 2, 4, 6, 12 y 24 horas
para cada estacin.
El rea de estudio corresponde a la zona central de Chile entre los 33 y 38 Latitud Sur,
que comprende, entre otras, las regiones Metropolitana, Maule y Biobo. El clima es del
tipo mediterrneo con un periodo lluvioso en invierno entre los meses abril y septiembre
y un periodo seco estival desde octubre a marzo. La pluviometra anual presenta un
importante gradiente de norte a sur, desde los 250 mm en la Metropolitana hasta sobre
los 2.000 mm en la Regin del Biobo. A esta variabilidad latitudinal se le suma un
gradiente oeste este, en que se verifica un aumento de la precipitacin desde la costa
del Ocano Pacfico hacia la Cordillera de Los Andes por el Este. El origen de la
precipitacin es generalmente de tipo frontal, definida por la casi permanente influencia
del centro anticiclnico del Pacfico Sur.
Para este estudio se han dispuesto de las series de precipitaciones mximas anuales
para las duraciones de 15, 30 y 45 min y 1, 2, 4, 6, 12 y 24 h de diversas longitudes de
registro. En la Tabla 1 se expresan el nmero de estaciones disponibles en cada
duracin, el mnimo de aos disponibles en cada serie y el total de datos ao-estacin
disponibles en cada duracin. En la Figura 1 se muestra la zona de estudio y la
localizacin geogrfica de las estaciones pluviogrficas analizadas.
16
Figura 1. rea de estudio y localizacin de las 49 estaciones utilizadas en el Anlisis Regional
de Frecuencias. Estaciones: 1. Ancoa; 2. Armerillo; 3. Bullileo; 4. Colorado; 5. Digua; 6. San
Manuel; 7. Melozal; 8. Parral; 9. Pencahue; 10. Potrero Grande; 11. Los Quees; 12. San Javier;
13. Talca; 14. Casa Mquinas; 15. Curic; 16. El Lirio; 17. Laguna Invernada; 18. Melado en la
Lancha; 19. Bellavista DMC; 20. Caracol; 21. Carriel Sur; 22. Cerro El Padre; 23. Convento
Viejo; 24. Chilln Viejo; 25. Chilln DMC; 26. Coihueco; 27. Diguilln; 28. Hualpencillo; 29. Los
ngeles DMC; 30. Polcura ENDESA; 31. Quilaco; 32. Troyo; 33. Contulmo; 34. La Punilla; 35.
Los Cerrillos; 36. Cerro Caln; 37. Edificio C. ENDESA; 38. Huechn Andina; 39. La Obra; 40.
Los Panguiles; 41. Melipilla; 42. MOP DGA; 43. Pirque; 44. Pudahuel DMC; 45. Quinta Normal;
46. Rungue; 47. San Antonio; 48. Tobalaba; 49. Rengo.
Tabla 1. Mnimo de aos disponibles y n de estaciones

Mnimo N N
Duracin Ao-Estacin
de aos Estaciones
15 min 12 43 1211
30 min 12 43 1250
45 min 12 43 1250
1h 12 49 1530
2h 12 49 1530
4h 12 49 1530
6h 12 49 1530
12 h 12 49 1530
24 h 12 49 1530
17
3. METODOLOGA
Se presentan seguidamente los mtodos utilizados en este trabajo
3.1. Los momentos lineales
Los momentos-L constituyen un sistema alternativo de describir la forma de las

distribuciones de probabilidad. Presentan ciertas ventajas tericas sobre los momentos
convencionales: caracterizan una gama ms amplia de distribuciones y, cuando se
estiman de una muestra, son ms robustos a la presencia de valores atpicos (outliers)
en los datos y virtualmente son insesgados para pequeas muestras. Esto determina
que sean apropiados para el anlisis de frecuencias de valores extremos y para la
identificacin de distribuciones y estimacin de sus parmetros (Hosking y Wallis, 1993,
1997).
Los momentos-L fueron introducidos por Hosking (1990) como combinaciones lineales
de los momentos de probabilidad ponderada (MPP) de Greenwood et al. (1979). Los
MPP se definen como
!
! = (1)
Siendo r el MPP de orden r; F(x) la funcin de distribucin acumulada (fda) de la

variable aleatoria X; x(F) la inversa de la fda evaluada en la probabilidad F. Para
cualquier distribucin el momento-L de orden r, est relacionado al MPP del mismo
orden por la expresin
! !!! +
!!! = !!! ! 1 (2)

Para cualquier distribucin, los cuatro primeros momentos pueden calcularse como
! = ! (3a)
! = 2! ! (3b)
! = 6! 6! + ! (3c)
! = 20! 30! + 12! ! (3d)
y los cocientes de los momentos-L como (Hosking,1990)
!! !! !!
! = = ; ! = ! = ; y ! = ! = (4)
!! !! !!
En la prctica los momentos-L, han de estimarse de una muestra finita de tamao n,

dispuesta en orden ascendente: x1 x2 xn, de una variable aleatoria X. Por
consiguiente, la estimacin los MPP r, de la muestra se realiza mediante estimadores
insesgados br, dados por la siguiente expresin (Landwehr et al., 1979)
!!
1 ! 1
! = !! !!!!! ! (5)

18
de la que se obtienen los cuatro momentos de probabilidad ponderada de la muestra
! !
! = !!! ! (6)
!
! ! !!!
! = !!! !!! ! (6b)
!
! ! !!! !!!
! = !!! !!! !!! ! (6c)
!
! ! !!! !!! !!!

! = !!! !!! !!! !!! ! (6d)
!
Anlogamente a las ecuaciones (3a) a (3d), los momentos-L de la muestra se definen

como
! = ! (7a)
! = 2! ! (7b)
! = 6! 6! + ! (7c)
! = 20! 30! + 12! ! (7d)
y los cocientes de los momentos-L de la muestra como
!! !! !!
= ; ! = ; y ! = (8)
!! !! !!
Estos momentos son estimadores insesgados de los momentos r de la distribucin. La

metodologa de los momentos-L comprende desde la caracterizacin de las
distribuciones de probabilidad al ajuste de las distribuciones de probabilidad a los datos.
3.2. Diagramas de los cocientes de los momentos-L
Estos diagramas (Figura 2) introducidos por Hosking (1990) comparan los cocientes de
los momentos-L de la muestra, t3 y t4, con sus homlogos tericos 3 y 4 para una gama
de distribuciones permitiendo evaluar que distribucin o distribuciones proporciona una
aproximacin satisfactoria a la distribucin de una variable hidrolgica particular en una
regin. Son ampliamente utilizados en el ARF en la fase de seleccin de la distribucin
ms apropiada. Ejemplos de la utilidad y aplicacin de estos diagramas pueden hallarse
en Hosking y Wallis (1993), Vogel y Fennessey (1993), Vogel et al. (1993) y Peel et al.
(2001).
19
0.7
LN3
0.6
GEV
L-Ck (Coeficiente de curtosis)

0.5 P-III
GLO
0.4 GPA
WAK
0.3
0.2 L
G
E
0.1 N
0
U
-0.1
-0.2
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
L-Cs (Coeficiente de sesgo)

Figura 2. Diagrama de los cocientes de los momentos LCs-LCk mostrando las
relaciones entre ! y ! . Las distribuciones de dos parmetros se muestran como
puntos y las de tres parmetrtos como lneas. Las sigla corresponden a las
siguientes distribuciones: Normal (N); Exponencial (E), Uniforme (U), Gumbel (G),
Logstica (L), Logstica Generalizada (GLO), Lognormal de tres parmetros (LN3),
Pearson tipo III (P-III), Generalizada de Pareto(GPA),Generalizada de Valores
Extremos (GEV), y la Wakeby de lmite inferior de cinco parmetros.
3.3. Anlisis regional de frecuencias basado en los momentos-L
En una regin conformada con N lugares o estaciones con n1, n2, , nN, tamaos de
muestras, respectivamente, los cocientes de los momentos-L de las muestras (Cv-L, Cs-
L y Ck-L) en la estacin i se denotan por t(i), t3(i) y t4(i). Los cocientes de los momentos-L
medios ponderados de la regin estn dados por
N N N N N N
t R = ni t ( i ) ni t 3R = ni t 3(i ) ni t 4R = ni t 4(i ) n i (9)
i =1 i =1 i =1 i =1 i =1 i =1
El ARF usando los momentos-L consta de cinco etapas (Hosking y Wallis, 1993, 1997):
(1) identificacin de regiones homogneas; (2) cribado de los datos mediante la medida
de la discordancia; (3) prueba de la homogeneidad usando la medida de la
heterogeneidad H; (4) seleccin de la distribucin usando la medida de la bondad de
ajuste Z; y (5) estimacin regional de los cuantiles de la precipitacin en las diversas
duraciones y posterior estimacin de los cuantiles en las estaciones mediante el
procedimiento de la tormenta ndice.
El mismo procedimiento ha sido aplicado en el anlisis regional de frecuencias de las

precipitaciones extremas en la regin central de Chile. Seguidamente se resume la
metodologa de cada una de estas cinco etapas
20
3.3.1. Identificacin de regiones homogneas
La identificacin de regiones homogneas suele ser la ms difcil de todas las etapas

del ARF requiriendo bastante juicio subjetivo (Hosking y Wallis, 1997). Su objetivo es
formar grupos o subregiones, de sitios que son aproximadamente homogneos, lo que
equivale a decir, que la distribucin de frecuencias en cada sitio dentro de la subregin
es idntica, aparte de un factor de escala especfico del lugar.
Entre las diversas metodologas empleadas para la determinacin de regiones

homogneas en los estudios de ARF pueden sealarse el anlisis cluster (Guttman,
1993; Smithers y Schulze, 2001), anlisis de componentes principales (Garca-Marn et
al., 2011), mtodo de los residuos (Wiltshire, 1985; Jingyi y Hall, 2004 ), anlisis de
correlacin cannica (Ouarda et al., 2001; Tsakiris et al., 2011), redes neuronales
artificiales y lgica difusa (Hall y Minns, 1999; Jingyi y Hall, 2004; Srinivas et al., 2008;
Satyanarayana y Srinivas, 2011).
El anlisis cluster con los atributos de los lugares o estaciones se considera como el
mtodo ms prctico de formar regiones de grandes conjuntos de datos (Hosking y
Wallis, 1997). Como atributos de los lugares se utilizan aquellos que definan las
caractersticas de la precipitacin de los lugares (p.e., la precipitacin media anual) y la
localizacin geogrfica (longitud, latitud y altitud). Debido a la disparidad de los rdenes
de magnitud de los atributos utilizados y a que los mtodos estndar de anlisis cluster
son sensibles a estas diferencias de escala, se hace necesario transformarlos al mismo
orden de magnitud previo al uso de los algoritmos de anlisis, mediante un
escalamiento, para que sus intervalos de variacin posean el mismo rango, por ejemplo,
entre 0 y 1, o entre 1 y 100.
El resultado del anlisis cluster no necesariamente ser la solucin final. Ajustes

subjetivos podrn mejorar la coherencia fsica de las regiones y reducir su
heterogeneidad cuantificada por la medida de la misma. Entre los diversos ajustes de
las regiones pueden citarse (Hosking y Wallis, 1997):
- Desplazar un lugar o unos pocos lugares de una regin a otra

- Eliminar un lugar o varios lugares del conjunto de lugares
- Subdividir la regin
- Deshacer la regin reasignando sus lugares a otras regiones
- Unir una regin con otra u otras
- Unir dos o ms regiones y redefinir grupos, y
- Obtener ms datos y redefinir grupos
3.3.2. Cribado de los datos mediante la medida de la discordancia
Para identificar aquellos lugares que sean fuertemente discordantes con el grupo
considerado como un todo se usa la medida de la discordancia, Di, propuesta por
Hosking y Wallis (1993, 1997). Para un lugar, i, la medida de la discordancia se expresa
por
!
! = ! ! !! ! (10)
!
21
!
(!) (!)
donde ! = (!) , ! , ! es el vector que contiene los cocientes de los momentos-L del
lugar i, t, t3 y t4 , respectivamente, Ck-L, Cv-L y Ck-L, y T denota la
transposicin del vector;
= !!!! ! es el vector promedio del grupo o regin;
! ! !
= !!! ! ! es la matriz de covarianza; y
!!!
N = nmero de lugares de la regin
El promedio de Di de todos los lugares es 1. Los grandes valores de Di indican que son
los lugares ms discordantes del grupo. Si el valor Di de un lugar excede de 3, se
considera que sus datos son discordantes de los del resto de lugares de la regin
cuando el nmero de lugares que la conforman es mayor que 15. Hosking y Wallis
(1997) definieron el siguiente lmite algebraico para el valor crtico de Di : Di < (N 1)/3.
Consecuentemente, el valor de Di > 3 solo puede ocurrir en regiones con 11 o ms
lugares. No obstante, Hosking y Wallis (1997), recomiendan que cualquier lugar con un
valor Di > 3 sea considerado como discordante y sugieren algunos valores crticos,
inferiores al lmite algebraico definido anteriormente, para el test de discordancia en
funcin del nmero de lugares de la regin.
3.3.3. Prueba de la homogeneidad usando la medida de la heterogeneidad
La prueba de heterogeneidad de los momentos-L permite evaluar si un grupo de lugares

puede, razonablemente, tratarse como una regin homognea. La medida de la
heterogeneidad compara las variaciones de los momentos-L entre lugares para una
regin con las que podra esperarse para una regin homognea (Hosking y Wallis,
1993). La prueba de heterogeneidad usada en este estudio ha sido la propuesta por
Hosking y Wallis (1993, 1997) basada en tres medidas de la dispersin definidas por las
siguientes expresiones

12
N 2
N
(
V = ni t (i ) t R
i =1
)
i =1
ni

(11a)
N 12 N
2 R 2
V2 = ( ni t (i ) t R

) + (t ( ) t )
3
i
3 n i (11b)
i =1 i =1
N 12 N
2 R 2
V3 = (
i =1
ni t 3(i ) t 4R

) + (t ( ) t )
4
i
4 n
i =1
i (11c)

Donde V1 es la desviacin tpica ponderada de los Cv-L de las muestras de los lugares; V2
es distancia media ponderada de los lugares a la media ponderada del grupo en el
espacio Cv-L, Cs-L; y V3 es distancia media ponderada de los lugares a la media
ponderada en el espacio Cs-L, Ck-L.
La realizacin de un gran nmero de simulaciones, Nsim, permite obtener los valores de

la media y la desviacin tpica, !! y !! , de los valores simulados de Vi. La medida de
la heterogeneidad se define entonces por el estadstico

22
!! !!!
!
! = i =1,2,3 (12)
!!!
La simulacin se realiza mediante el ajuste de una distribucin Kappa de cuatro

parmetros al conjunto de los datos regionales. Para el logro de unas estimaciones
fiables de !! y !! , Hosking y Wallis (1993,1997) juzgan que el nmero de regiones
simuladas sea al menos de 500. La regin puede declararse aceptablemente
homognea si Hi < 1, posiblemente heterognea si 1 Hi < 2, y definidamente
hetergenea si Hi 2.
De los tres estadsticos, el H1, basado en la medidas de V1, es el ms determinante a la

hora de discriminar entre regiones homogneas o heterogneas (Hosking y Wallis,
1993). Viglione et al. (2007) mostraron que H2 carece de poder como medida de
heterogeneidad. Por consiguiente, H1 es la medida de heterogeneidad ms importante a
considerar por lo que se recomienda como principal indicador de la heterogeneidad.
3.3.4. Seleccin de la distribucin usando la medida de la bondad de ajuste Z
Para evaluar la bondad del ajuste de las distribuicones candidatas, Hosking y Wallis
(1997) introdujeron el estadstico Z, una medida de la bondad de ajuste para las
distribuciones de tres parmetros que mide el ajuste o coincidencia de la curtosis-L
terica de la distribucin con la curtosis-L promedio regional de los datos observados.
Para una derterminada distribucin, Z, se define como
!"#$ = !!"#$ !! + ! ! (13)
donde !!"#$ es el cociente de curtosis-L de la distribucin ajustada a los datos usando la

distribucin candidata; !! es el valor del cociente de curtosis-L medio ponderado
calculado de los datos de una regin dada; y B4 y 4 son el sesgo y la desviacin tpica
(de la simulacin), respectivamente, definidos como
N sim
(
B4 = t 4R ( m) t 4R ) N sim (14)
m =1
12
N sim 2
(
4 = (N sim 1)1 t 4R ( m ) t 4R ) 2
N sim B
4 (15)
m =1
El ajuste de la distribucin se considera adecuado si ZDIST| es suficientemente prximo

a cero, siendo un criterio razonable que ZDIST| < 1,64 que corresponde a una
aceptacin de la distribucin asumida con un nivel de confianza del 90 % (Hosking y
Wallis, 1997). En caso de que ms de una distribucin cumpliese con el criterio, la ms
apropiada ser la que tenga elZDIST| ms bajo. Tambin el uso del diagrama de los
cocientes de los momentos-L puede ayudar a identificar la distribucin.
Para la estimacin de cuantiles de las precipitaciones extrema las funciones de

distribuicin consideradas en este estudio han sido las distribuciones de tres
parmetros: logstica generalizada, GLO; valores extremos genaralizada, GEV;
lognormal, LN3; Pearson tipo III, P-III; y generalizada de Pareto, GPA. Las ventajas de
23
estas distribuciones frente a las de dos parmetros estriban en que las estimaciones de
los cuantiles en la cola de una distribucin de dos parmetros pueden estar fuertemente
sesgadas si la forma de la cola de la verdadera distribucin de frecuencia no est bien
aproximada por la distribucin ajustada, mientras que en las distribuciones de tres
parmetros, cuando sus parmetros son estimados precisamente, las estimaciones de
los cuantiles en las colas de la distribucin son menos sesgadas.
3.3.5. Estimacin regional de cuantiles. Curva regional de crecimiento
La definicin de una regin homognea en la regionalizacin con los momentos-L lleva

mplicita la condicin de que todos los lugares o estaciones son descritas por una nica
funcin de distribucin F(x) = P(q x) que especifica la frecuencia con que ocurre el
cuantil regional de magnitud q. Su inversa x(F), expresa la magnitud q de un evento en
trminos de la probabilidad de no excedencia F. El cuantil de periodo de retorno T, qT,
es una magnitud de un evento extremo que tiene una probabilidad 1/T de ser excedido y
se expresa por
qT = x (11 T ) (16)
que es la funcin cuantil de la distribucin regional de frecuencias, denominada curva

regional de crecimiento, ya que expresa el cuantil regional (adimensional) en funcin del
periodo de retorno T. La curva regional de crecimiento se suele representar indicando
en el eje de abscisas la probabilidad de excedencia anual (1-F(x)), o su inverso, el
periodo de retorno, T, y en el eje de ordenadas el correspondiente valor adimensional
del cuantil regional qT.
3.3.6. Estimacin de cuantiles locales. Mtodo de la precipitacin ndice
Complementariamente al ARF basado en los momentos-L se utiliza el procedimiento de

la precipitacin ndice propuesto por Dalrymple (1960) basado en la hiptesis de que
las precipitaciones en los diferentes lugares, dentro de una subregin homognea, son
idnticamente distribuidas a excepcin de un factor de escala, la media de la serie de
mximos anuales bajo consideracin registrada en el lugar de inters, supuesto implcito
en el ARF. Consecuentemente, de la curva de crecimiento regional pueden obtenerse
las estimaciones de los cuantiles locales QT, escalando los cuantiles regionales qT
(adimensionales) por el valor de la precipitacin ndice ! , la media de los datos del
lugar de inters, es decir
QT = i qT (17)
4. RESULTADOS Y DISCUSIN
En los diversos procesos de clculo que implica la aplicacin de la metodologa

anteriormente expuesta, se han utilizado las subrutinas desarrolladas por Hosking en
lenguaje FORTRAN para uso con la metodologa de los momentos-L (Hosking, 2005.)
24
4.1. Identificacin de regiones homogneas
La conformacin de subregiones homogneas en el rea de estudio fue realizada

siguiendo los pasos sugeridos por Hosking y Wallis (1997). La conformacin de estas
subregiones se ha llevado a cabo mediante anlisis cluster, como est descrito en la
seccin 3.1.1. de la metodologa, basado en atributos hidrolgicos y geogrficos de 46
de las 49 estaciones disponibles.
Se consideraron los siguientes atributos (Tabla 2): Latitud (), longitud (), altitud s.n.m.
(m), precipitacin media anual (mm), y precipitacin de 24 h y periodo de retorno de 100
aos (mm) obtenida de las correspondientes series de mximos anuales.
El nmero de subregiones a formar es una eleccin subjetiva, pero los resultados de

experimentos de simulaciones realizados por Hosking y Wallis (1997) determinaron que
sobrepasar las 20 estaciones en una regin homognea apenas incrementa el beneficio
para la regin en la estimacin de cuantiles para periodos de retorno 1000 aos.
Consecuentemente, se conformaron tres subregiones, ninguna con ms de 20
estaciones. El proceso de regionalizacin seguido, esquematizado en la Figura 3, es un
procedimiento iterativo. Aunque podran haberse identificado distintos grupos o
subregiones para las diferentes duraciones de aguaceros, no se ha considerado esta
opcin por no ser prctica (Smithers y Schulze, 2001). En consecuencia, el anlisis
cluster realizado basado en las caractersticas de las estaciones no cambiar la
asignacin de estaciones a grupos o subregiones, excepto por reasignacin subjetiva.
Este enfoque de usar los mismos grupos o subregiones para las diferentes duraciones
ha sido usado por otros autores como Werick et al. (1994) y Smithers y Schulze (2001).
25
Entrada datos geogrficos estaciones
(5 atributos: latitud, longitud, altitud, P med , P 24 h
100 )
Algoritmo Cluster
(mtodo de Ward y Kmeans)
Examen subjetivo de las

subregiones para la consistencia
espacial y juicio climatolgico
Aceptacin de las subregiones
Clculo de los L-momentos de las

series de Mximos Anuales de las
estaciones de las subregiones
Prueba de discordancia
y homogeneidad
Aceptable No aceptable
Aceptacin de la
Discordante Heterognea
homogeneidad
de la subregin
Eliminar estaciones
discordantes o sub- Subdivisin Subdivisin Si
dividir la subregin no razonable razonable
No Si
Agregar otras estaciones
Aceptar la subregin
como heterognea
Figura 3. Esquema de la metodologa de la regionalizacin (Adaptado de Guttman, 1993)
Las tres subregiones inicialmente resultantes fueron inspeccionadas para evaluar si

eran espacialmente consistentes y fsicamente realizables. Aceptadas inicialmente, se
procedi a calcular en cada subregin las medidas de la discordancia Di y
heterogeneidad Hi definidas por las ecuaciones (10) y (12) en cada una de las
duraciones consideradas en este estudio (15 min a 24 h). Si hay estaciones dentro de
un grupo que muestran discordancia y/o el grupo se muestra heterogneo (H1 y H2
exceden de 2) entonces se eliminan las estaciones discordantes y el nuevo grupo se
somete a los pruebas de concordancia y homogeneidad, o se subdivide en grupos ms
pequeos, hasta lograr superar las pruebas. Este proceso iterativo permite ubicar a las
estaciones discordantes en otro grupo y aplicar de nuevo las pruebas de concordancia y
homogeneidad hasta conseguir la identificacin de subregiones homogneas.
26
Tabla 2. Atributos geogrficos y climticos de las estaciones pluviogrficas disponibles
COORDENADAS
Pmed 100
REGIN ESTACIONES
ALTITUD anual
Pdia
LONGITUD LATITUD
(m.s.n.m)
Ancoa 1 71 17' 00" 35 54' 00" 430 1.527,3 244,64
Armerillo 2 71 06' 35 42' 450 2.355,0 437,08
Bullileo 3 71 24' 00" 36 17' 00" 600 2.125,6 313,52
Colorado 4 71 15' 00" 35 38' 00" 420 1.395,4 224,31
Digua 5 71 32' 00" 36 15' 00" 390 1.538,3 205,98
San Manuel 6 71 38' 00" 36 21' 00" 270 1.430,8 234,88
Melozal 7 71 46' 00" 35 46' 00" 110 750,6 175,13
Parral 8 71 49' 00" 36 11' 00" 175 968,2 160,61
Pencahue 9 71 49' 00" 35 22' 00" 55 603,5 131,2
MAULE
Potrero Grande 10 71 05' 00" 35 10' 00" 460 1.143,8 202,96
Los Quees 11 70 48' 00" 34 59' 00" 668 1.281,0 219,82
San Javier 12 71 39' 00" 35 35' 00" 135 757,9 136,16
Talca 13 71 37' 00" 35 26' 00" 130 657,2 128,22
Casa Mquinas 14 70 49' 35 48' 943 1.470,0 226,83
Curic 15 71 13' 0,3" 34 57' 58" 220 701,9 125,44
El Lirio 16 7121' 35 40' 340 1.100,0 189,95
Laguna Invernada 17 70 47' 35 44' 1360 1.325,0 302,98
Melado en la Lancha 18 7104' 35 51' 30" 650 2.185,0 433,26
Bellavista DMC 19 73 2' 11,6" 36 49' 43,7" 30 - 210,95
Caracol 20 71 23' 25" 36 38' 56" 620 2.386,0 275,81
Carriel Sur 21 73 3' 44,5" 36 46' 45" 18 1.110,1 136,31
Cerro El Padre 22 71 51' 38" 37 46' 49" 400 2107,4 229,92
Convento Viejo 23 71 07' 59" 34 46' 10" 239 702,9 142,36
Chilln Viejo 24 72 07' 36" 36 37' 55" 106 1.060,9 193,51
Chilln DMC 25 72 02' 23,8" 33 35' 14" 156 1.107,0 261,14
Coihueco 26 71 47' 57" 36 38' 27" 314 1.473,3 253,55
BIO-BIO
Digilln 27 71 38' 33" 36 52' 07" 670 2.106,4 248,3
Hualpencillo 28 73 3' 36 46' 30 - 123,12
Los ngeles DMC 29 72 25' 20,8" 37 24' 9,8" 121 - 188,52
Polcura ENDESA 30 71 32' 37 19' 740 2.210,0 209,77
Quilaco 31 71 59' 47" 37 40' 38" 225 1.537,9 153,52
Troyo 32 71 18' 38 14' 30" 650 2.250,0 219,91
Contulmo 33 73 13' 43" 38 00' 40" 25 1.460,1 192,95
La Punilla 34 71 19' 40" 36 39' 30" 840 1.934,3 252,39
Los Cerrillos 35 70 42' 14,2" 33 29' 41,8" 554 304,8 98,92
Cerro Caln 36 70 32' 12" 33 23' 42" 848 430,2 138,93
Edificio C. ENDESA 37 70 39' 33 27' 560 296,0 106,54
Huechn Andina 38 70 46' 07" 33 04' 33" 590 229,5 141,39
La Obra 39 70 29' 07" 33 35' 29" 796 649,4 263,57
Los Panguiles 40 71 01' 32" 33 26' 19" 190 342,7 145,86
METRO- Melipilla 41 71 11' 59" 33 40' 49" 168 396,3 141,44
POLITANA MOP DGA 42 70 38' 40" 33 26' 55" 560 324,2 130,19
Pirque 43 70 35' 13" 33 40' 25" 659 464,8 151,23
Pudahuel DMC 44 70 47' 39,7" 33 23' 30,8" 480 261,3 125,49
Quinta Normal 45 70 40' 58" 33 26' 41,1" 527 312,5 102,75
Rungue 46 70 54' 29" 33 01' 10" 700 376,2 200,87
San Antonio 47 71 37' 30" 33 34' 29" 80 443,5 124,75
Tobalaba 48 70 32' 52" 33 27' 15,2" 652 374,2 149,53
OHIGGINS Rengo 49 70 51' 60" 34 25' 18" 310 553,4 132,68
Siguiendo este procedimiento se establecieron tres subregiones homogneas con 41

estaciones, quedando descartadas del ARF, 8 estaciones. En la Tabla 3 se muestra el
conjunto final de subregiones con las estaciones que las conforman para cada duracin
considerada.
4.2. Prueba de la discordancia y la homogeneidad
Una vez conformadas definitivamente las subregiones homogneas se determinaron los

estadsticos resultantes de estas pruebas para cada duracin de aguaceros. Los
27
resultados mostraron que todos los valores de la medida de la discordancia Di eran
menores que los umbrales crticos de la discordancia los cuales dependen del nmero
de estaciones en cada regin (Hosking y Wallis, 1993, 1997).
Tabla 3. Subregiones definidas con las estaciones integrantes para cada duracin
DURACIONES
REGIN 15 min 30 min 45 min 1h 2h 4h 6h 12 h 24 h
ESTACIN
SUBREGIONES
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
Ancoa
Armerillo
Bullileo
C. Mquinas
Colorado
L.invernada
Digua
El Lirio
MAULE
Los Quees
Melozal
Parral
Pencahue
Potrero G.
San Javier
San Manuel
Talca
Bellavista
Caracol
Cerro El P.
Coihueco
Contulmo
Chilln DMC
Chilln Viejo
BIO-BIO
Diguilln
Hualpencillo
La Punilla
Los ngeles
Polcura E.
Quilaco
Troyo
Cerro Caln
Edificio C. E.
La Obra
Los Cerrillos
Melipilla
METRO-
MOP DGA
POLITANA
Pirque
Pudahuel
Quinta N.
San Antonio
Tobalaba
A modo de ejemplo, en la Tabla 4, se muestra el resultado de la prueba de discordancia

de las tres subregiones para la precipitacin de 1 h, con indicacin de los cocientes de
los momentos-L, t, t3 y t4, calculados por las ecuaciones (7) y (8). Los resultados indican
que para la duracin de 1 h, en la aplicacin de la prueba, considerando el estadstico
H1, indicador principal y de ms peso en la determinacin de la homogeneidad regional
(Hosking y Wallis, 1993, 1997; Viglione et. Al., 2007), no existen estaciones
discordantes en ninguna de las subregiones. La Tabla 5 muestra los resultados de los
estadsticos Hi en todas las subregiones y duraciones de aguaceros. Puede observarse
que en todas las subregiones y duraciones H1 < 1, por lo que todas se consideran
aceptablemente homogneas.
28
Tabla 4 Cocientes de los Momentos-L y medida de la discordancia D, para la zona de estudio y
duracin de la precipitacin 1 hora.
Cocientes Momentos-L
Regin Estacin N D(I)
L-CV L-CS L-Ck
Subregin 1 Bullileo 39 0,1530 0,2038 0,1131 0,60
C. Mquinas 30 0,1561 0,1133 0,0618 0,07
L. Invernada 18 0,1223 -0,0504 0,0826 1,90
Caracol 23 0,1795 0,2564 0,1702 1,70
C. El Padre 40 0,1478 0,0661 0,0986 0,30
Diguilln 45 0,1611 0,0084 0,1289 0,70
Polcura 40 0,1636 0,1500 0,0381 0,27
Troyo 27 0,1379 0,1274 0,0194 0,84
La Punilla 20 0,1902 0,0821 0,0089 1,32
Bellavista 22 0,1956 0,0901 0,1578 1,40
Hualpencillo 13 0,1905 -0,0143 0,0392 1,50
Los ngeles 15 0,1632 0,2753 0,0241 1,40
Medias ponder. 0,1610 0,1095 0,0843
Subregin 2 Ancoa 38 0,1207 -0,1894 0,1596 2,86
Armerillo 41 0,1095 0,0840 0,0789 2,46
Colorado 40 0,1317 0,1457 0,2406 1,10
Digua 39 0,1344 0,0316 0,2704 1,03
El Lirio 27 0,1507 0,0195 -0,0050 1,35
Los Quees 39 0,1609 0,1284 0,2178 0,26
Parral 36 0,1636 0,0947 0,0169 1,16
P. Grande 38 0,1558 0,1172 0,1494 0,04
San Manuel 15 0,1374 0,1129 0,1988 0,39
Coihueco 38 0,1883 0,2182 0,2599 1,55
Contulmo 21 0,1701 0,0812 0,1411 0,46
Chilln DMC 30 0,1710 0,2398 0,1864 0,81
Chilln Viejo 36 0,1663 0,1030 0,1120 0,31
Quilaco 45 0,1497 0,0200 0,1494 0,22
Medias ponder. 0,1499 0,0832 0,1579
Subregin 3 Melozal 35 0,1790 0,2869 0,1587 0,75
Pencahue 36 0,1426 -0,0187 0,0509 0,89
San Javier 36 0,1566 0,1956 0,3092 1,12
Talca 28 0,1559 0,1702 0,1313 0,54
Cerro Caln 35 0,1481 0,0345 0,1532 0,43
E. Endesa 23 0,1509 0,0716 0,2714 0,99
La Obra 15 0,1640 -0,1019 0,0295 1,66
Cerrillos 45 0,1713 0,1154 0,1325 0,04
Melipilla 34 0,1862 0,1726 0,2099 0,62
MOP DGA 17 0,1641 0,3044 0,1074 2,06
Pirque 38 0,1871 0,0951 -0,0172 1,35
Pudahuel 36 0,1712 0,0977 0,2060 0,37
Quinta Normal 89 0,1482 0,0218 0,1705 0,52
San Antonio 13 0,2109 0,3279 0,2711 2,46
Tobalaba 12 0,1727 0,0895 -0,0420 1,21
Medias ponder 0,1639 0,1060 0,1507
4.3. Diagrama de los cocientes de los momentos-L
Establecidas las subregiones definitivas, superadas las pruebas de concordancia y

heterogeneidad, se procedi a representar los diagramas de los cocientes de los
momentos-L como descritos en la seccin 3.2 de metodologa. Estos diagramas
constituyen una til herramienta para discriminar entre distribuciones candidatas para
describir los datos regionales y han sido ampliamente usados en el proceso de
29
seleccin de la funcin de distribucin para los datos regionales (Shaefer, 1990; Vogel y
Fennessey, 1993, Norbiato et al., 2007; Nuez et al., 2011, Santos et al., 2011). A modo
de ejemplo se muestran estos diagramas para las tres subregiones y la duracin de 24
h (Figura 4). De la Figura 4 se desprende que las distribuciones que mejor describen los
datos regionales de las series de mximos anuales de 24 h son la distribucin GLO para
la subregin 1, la distribucin GEV para la subregin 2, y la P-III para la subregin 3.
0.5 0.5
Series de Datos de 24 h Series de Datos de 24 h
Coeficiente de Curtosis (Ck-L)
0.4 Subregion 1 0.4 Subregion 2
Kurtosis Coefficient (L-Ck)

0.3 0.3
0.2 0.2
0.1 0.1
0 0
-0.1 -0.1
No. Estaciones: 13 No. Estaciones: 13
-0.2 -0.2
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
Coeficiente de Sesgo (L-Cs) Coeficiente de Sesgo (Cs-L)
0.5
Series de Datos de 24 h
Coeficiente de Curtosis (Ck-L)
0.4 Subregion 3
LN3
0.3
GEV
P-III
0.2 GLO
GPA
WAK
0.1
Maule
Metropolitana
0 Media
-0.1
No. Estaciones: 15
-0.2
-0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
Coeficiente de Sesgo (Cs-L)

Figura 4. Diagrama de Cs-L vs. Ck-L para la duracin de 24 h.
4.4. Seleccin de la distribucin de frecuencias y medida de la bondad de ajuste

La misma prueba de heterogeneidad proporciona la medida de la bondad de ajuste de
las diversas distribuciones de frecuencias de tres parmetros a los datos de la regin.
Los resultados de las medidas de la bondad del ajuste de las funciones de distribucin a
los datos regionales se muestran en la Tabla 5, la cual indica que al menos una
distribucin de las seis consideradas cumple con el criterio ZDIST| < 1,64, salvo dos
casos: las series de 1 h en la subregin 1 y las series de 12 h en la subregin 3.
30
La prueba de bondad de ajuste es el ltimo paso en el proceso de regionalizacin y en
ella se consideran seis funciones de distribucin de frecuencias (GLO: Logstica
Generalizada; GEV: Generalizada de Valores Extremos; LN3: Lognormal de tres
parmetros; GPA: Generalizada de Pareto; P-III: Pearson tipo III; y WAK: Wakeby). El
diagrama de los cocientes de los momentos-L (Figura 4) muestra el desempeo de
estas distribuciones.
La mejor distribucin identificada en esta fase, en cada una de las subregiones y

duraciones, ser la utilizada para estimar la curva de crecimiento regional y los cuantiles
regionales y locales. Las series de 1 h en la subregin 1 y las series de 12 h en la
subregin 3, al no cumplir el criterio de la medida de bondad de ajuste de ZDIST| < 1,64,
se ajustarn con la funcin de distribucin Kappa de 4 parmetros segn recomiendan
Hosking y Wallis (1997) para estos casos
Tabla 5. Estadsticos de las pruebas de heterogeneidad y bondad de ajuste

Test de bondad de ajuste
Test de Heterogeneidad DIST
Regin Duracin (Estadstico Z )
H(1) H(2) H(3) GLO GEV LN3 P III GPA
15 min 0,75 1,59 1,32 1,32 -0,87 -0,49 -0,57 -5,03
30 min 0,54 -1,08 1,23 0,87 -1,17 -1,12 -1,45 -5,37
45 min 0,28 3,22 2,29 2,79 0,23 0,52 0,32 -4,81
1h 0,13 0,76 0,39 5,30 2,61 2,77 2,43 -2,83
Subr 1 2h -0,53 -0,99 -1,58 2,22 -0,15 -0,10 -0,49 -5,02
4h -0,92 0,20 -0,09 1,23 -1,25 -1,02 -1,27 -6,18
6h -1,60 1,86 1,33 1,54 -0,93 -0,74 -1,02 -5,89
12 h -0,40 -0,53 -0,65 0,91 -1,66 -1,27 -1,40 -6,60
24 h 0,71 -1,00 -1,19 0,82 -1,69 -1,40 -1,60 -6,62
15 min 0,79 3,20 5,22 2,03 -1,09 -0.58 -0,71 -7,09
30 min 0,77 -0,59 0,07 1,76 -0,55 -0,65 -1,20 -5,44
45 min -0,05 1,48 2,23 2,20 -0,85 -0,43 -0,61 -6,78
1h 0,63 0,25 1,22 0,68 -2,06 -1,73 -1,93 -7,45
Subr 2 2h 0,14 -0,55 -0,95 0,43 -2,07 -1,91 -2,22 -7,12
4h 0,45 1,61 0,74 1,25 -1,74 -1,29 -1,45 -7,52
6h 0,77 3,12 2,84 2,15 -1,18 -0,55 -0,64 -7,46
12 h 0,44 2,00 1,92 1,77 -1,50 -0,88 -0,97 -7,65
24 h 0,92 1,71 1,00 4,08 0,51 1,17 1,06 -6,25
15 min 0,98 0,21 1,62 3,57 0,83 0,81 0,28 -4,89
30 min 0,64 -0,14 1,92 1,66 -1,01 -0,90 -1,29 -6,47
45 min 0,51 0,53 2,34 0,99 -1,59 -1,48 -1,85 -6,86
1h -1,00 0,94 1,96 1,43 -1,30 -1,13 -1,46 -6,82
Subr 3 2h -0,12 0,82 1,48 2,03 -0,74 -0,59 -0,96 -6,37
4h -0,29 0,13 0,73 2,99 0,29 0,31 -0,19 -5,29
6h -0,04 0,96 0,75 2,34 -0,15 -0,24 -0,80 -5,42
12 h 0,23 1,31 1,17 5,26 2,16 2,29 1,83 -4,16
24 h -0,99 -0,73 -0,90 4,58 1,81 1,74 1,14 -4,04
4.5. Curvas de crecimiento regionales
Seleccionadas las funciones de distribucin ms adecuadas para cada una de las

duraciones consideradas en las tres subregiones definidas, se procedi la construccin
de las curvas de crecimiento regional que expresan el valor del cuantil regional en
funcin del periodo de retorno. Estas curvas se obtuvieron a partir de las funciones de
distribucin regionales expresando la magnitud del cuantil regional en trminos de la
31
probabilidad de excedencia, como se indica en el apartado 3.3.6 de la metodologa.
Como ejemplo, en la Figura 5 se muestran las curvas de crecimiento regionales para la
duracin de 24 h en las tres subregiones obtenidas de las funciones de distribucin que
mejor se ajustan a los datos observados.
4.6. Estimacin de cuantiles
El algoritmo de anlisis regional basado en los momentos-L implementado en este

estudio incorporaba el procedimiento de la precipitacin ndice. Consecuentemente, las
estimaciones de los cuantiles locales QT, de las precipitaciones extremas para los
diversos periodos de retorno, pueden deducirse de las estimaciones de los cuantiles
regionales obtenidas de las curvas de crecimiento regional. Basta con escalar los
valores de los cuantiles regionales qT (adimensionales) por el valor de la precipitacin
ndice ! , la media de la serie de mximos anuales del lugar de inters en la duracin
que se considere, como se especifica en el apartado 3.3.7 de la metodologa.
Figura 5. Curvas de crecimiento regionales para las series de mximos anuales de 24 h
32
En las Tablas 6 a 32 se muestran los resultados de los cuantiles de la precipitacin,
transformados en intensidades (mm/h), para las duraciones de 15, 30 y 45 mim en las
tres subregiones. En las mismas se indican las funciones de distribucin parental
seleccionadas, correspondiendo a las indicadas en la Tabla 5 por el valor del estadstico
ZDIST ms prximo a cero.
Tabla 6. Cuantiles intensidades de precipitacin de 15 min Subregin 1

REGIN 1 15 min I (mm/h) LN3
Periodo de Rtorno (Aos)
LUGAR 2 5 10 20 25 50 100 200 500
Caracol 32.56 41.28 46.32 50.76 52.08 56.00 59.72 63.24 67.68
Casa Mquinas 25.76 32.68 36.64 40.16 41.20 44.32 47.24 50.04 53.56
Cerro El Padre 32.08 40.72 45.68 50.04 51.36 55.24 58.88 62.36 66.76
Diguilln 32.64 41.40 46.44 50.88 52.20 56.16 59.88 63.40 67.88
La Punilla 36.64 46.48 52.12 57.12 58.60 63.04 67.2 71.16 76.16
Laguna Invernada 26.44 33.56 37.64 41.24 42.32 45.52 48.52 51.40 55.00
Polcura 38.04 42.68 46.76 48.00 51.60 55.04 58.28 62.36 65.36

REGIN 1 30 min I (mm/h) GLO
Periodo de Retorno (Aos)
LUGAR 2 5 10 20 25 50 100 200 500
Bullileo 27,42 33,94 38,36 42,88 44,38 49,26 54,54 60,30 68,72
C.Mquinas 18,06 22,36 25,28 28,24 29,24 32,46 35,94 39,74 45,28
Caracol 23,52 29,14 32,92 36,80 38,08 42,28 46,82 51,76 58,98
Cerro El Padre 23,96 29,68 33,54 37,48 38,78 43,06 47,68 52,72 60,08
Diguilln 23,56 29,20 32,98 36,86 38,16 42,36 46,90 51,86 59,10
Hualpencillo 22,72 28,14 31,80 35,54 36,78 40,84 45,22 49,98 56,98
La Punilla 23,22 28,74 32,48 36,30 37,58 41,72 46,18 51,06 58,20
Laguna Invernada 17,78 22,02 24,90 27,82 28,80 31,96 35,40 39,12 44,60
Los ngeles 18,28 22,64 25,58 28,58 29,58 32,84 36,36 40,20 45,82
Polcura 18,36 22,74 25,68 28,70 29,72 32,98 36,52 40,38 46,02
Troyo 24,58 30,46 34,42 38,46 39,80 44,18 48,94 54,10 61,66

REGIN 1 45 min I (mm/h) GEV
LUGAR 2 5 10 20 25 50 100 200 500
Bullileo 22,39 28,30 31,87 35,07 36,03 38,87 41,51 43,96 46,95
C.Mquinas 15,49 19,58 22,05 24,25 24,91 26,89 28,70 30,41 32,47
Caracol 21,21 26,81 30,19 33,21 34,12 36,80 39,31 41,63 44,46
Cerro El Padre 19,61 24,79 27,93 30,71 31,57 34,06 36,36 38,51 41,12
Diguilln 20,51 25,94 29,21 32,13 33,02 35,62 38,03 40,27 43,02
Hualpencillo 18,76 23,71 26,70 29,38 30,18 32,57 34,76 36,82 39,32
La Punilla 19,09 24,13 27,17 29,89 30,71 33,14 35,38 37,47 40,02
Los ngeles 15,69 19,84 22,33 24,57 25,25 27,23 29,09 30,79 32,90
Polcura 15,09 19,08 21,49 23,63 24,29 26,21 27,98 29,63 31,65
Troyo 20,02 25,31 28,51 31,37 32,22 34,76 37,12 39,31 41,99
33
Tabla 9. Cuantiles intensidades de precipitacin de 1 h Subregin 1
REGIN 1 1h I (mm/h) KAPPA
LUGAR 2 5 10 20 25 50 100 200 500
Bellavista 18,94 24,25 27,52 30,49 31,39 34,08 36,60 38,98 41,92
Bullileo 19,48 24,94 28,31 31,35 32,28 35,05 37,64 40,09 43,12
C.Mquinas 13,92 17,82 20,23 22,4 23,07 25,04 26,9 28,64 30,81
Caracol 19,51 24,99 28,37 31,42 32,35 35,12 37,72 40,17 43,21
Cerro El Padre 17,29 22,15 25,14 27,84 28,67 31,12 33,43 35,60 38,29
Diguilln 17,83 22,84 25,92 28,71 29,56 32,1 34,47 36,71 39,49
Hualpencillo 16,23 20,78 23,59 26,12 26,9 29,2 31,36 33,4 35,92
La Punilla 15,57 19,94 22,63 25,06 25,81 28,02 30,09 32,05 34,47
Los ngeles 13,81 17,68 20,07 22,23 22,89 24,85 26,68 28,42 30,57
Polcura 13,73 17,58 19,96 22,1 22,76 24,71 26,54 28,26 30,4
Troyo 16,45 21,07 23,91 26,48 27,27 29,6 31,79 33,86 36,42

REGIN 1 2h I (mm/h) LN3
LUGAR 2 5 10 20 25 50 100 200 500
Armerillo 18,58 23,59 26,72 29,62 30,52 33,25 35,91 38,54 41,97
Bellavista 14,38 18,26 20,68 22,92 23,62 25,74 27,80 29,83 32,49
Bullileo 15,52 19,71 22,32 24,74 25,49 27,78 30,00 32,19 35,06
C.Mquinas 10,96 13,92 15,77 17,48 18,01 19,62 21,19 22,74 24,77
Caracol 15,33 19,46 22,05 24,44 25,18 27,43 29,63 31,79 34,63
Cerro El Padre 12,64 16,05 18,18 20,15 20,76 22,62 24,43 26,22 28,56
Diguilln 13,65 17,33 19,62 21,75 22,41 24,42 26,37 28,30 30,82
Hualpencillo 11,27 14,30 16,20 17,96 18,50 20,16 21,77 23,37 25,45
La Punilla 12,15 15,42 17,47 19,36 19,95 21,73 23,47 25,19 27,43
Los ngeles 9,83 12,48 14,14 15,67 16,14 17,59 19,00 20,38 22,20
Polcura 10,74 13,64 15,45 17,12 17,64 19,22 20,76 22,28 24,26
Troyo 12,00 15,24 17,26 19,13 19,71 21,47 23,19 24,89 27,11

REGIN 1 4 h I (mm/h) LN3
LUGAR 2 5 10 20 25 50 100 200 500
Armerillo 15.01 19.09 21.57 23.81 24.50 26.57 28.57 30.51 33.01
Bellavista 9.38 11.93 13.48 14.88 15.31 16.61 17.85 19.08 20.63
Bullileo 12.54 15.96 18.03 19.90 20.48 22.21 23.88 25.50 27.59
C.Mquinas 8.17 10.39 11.73 12.95 13.33 14.46 15.54 16.59 17.96
Caracol 11.44 14.55 16.43 18.15 18.67 20.25 21.77 23.24 25.16
Cerro El Padre 8.99 11.44 12.92 14.27 14.68 15.92 17.12 18.28 19.78
Diguilln 9.88 12.57 14.20 15.68 16.14 17.50 18.81 20.09 21.74
Hualpencillo 7.27 9.25 10.45 11.55 11.88 12.88 13.85 14.79 16.01
La Punilla 9.66 12.29 13.89 15.33 15.78 17.11 18.39 19.64 21.26
Laguna Invernada 8.92 11.35 12.83 14.16 14.57 15.80 16.99 18.14 19.63
Los ngeles 7.02 8.93 10.09 11.14 11.46 12.43 13.37 14.27 15.45
Polcura 8.84 11.25 12.71 14.03 14.44 15.66 16.84 17.98 19.45
Troyo 9.12 11.61 13.11 14.48 14.90 16.16 17.37 18.55 20.07
34

LUGAR 2 5 10 20 25 50 100 200 500
Armerillo 13,10 16,62 18,76 20,71 21,30 23,11 24,84 26,53 28,72
Bellavista 7,70 9,76 11,02 12,16 12,51 13,57 14,59 15,58 16,87
Bullileo 11,12 14,11 15,92 17,57 18,08 19,61 21,08 22,52 24,38
C.Mquinas 7,09 8,99 10,15 11,20 11,52 12,50 13,44 14,35 15,53
Caracol 9,74 12,35 13,94 15,39 15,83 17,17 18,46 19,72 21,34
Cerro El Padre 8,08 10,24 11,56 12,76 13,13 14,24 15,31 16,35 17,70
Diguilln 8,67 11,00 12,42 13,70 14,10 15,29 16,44 17,56 19,01
Hualpencillo 6,05 7,67 8,66 9,56 9,83 10,67 11,47 12,25 13,26
La Punilla 8,32 10,55 11,91 13,15 13,53 14,67 15,77 16,85 18,24
Los ngeles 6,04 7,66 8,65 9,55 9,82 10,65 11,45 12,23 13,24
Polcura 7,73 9,81 11,07 12,22 12,57 13,64 14,66 15,66 16,95
Troyo 7,87 9,98 11,27 12,43 12,79 13,88 14,92 15,93 17,25

REGIN 1 12 h I (mm/h) GLO

LUGAR 2 5 10 20 25 50 100 200 500
Armerillo 10,60 13,32 15,07 16,79 17,35 19,15 21,03 23,01 25,81
Bellavista 5,19 6,52 7,37 8,22 8,49 9,37 10,29 11,26 12,63
Bullileo 8,87 11,15 12,61 14,06 14,53 16,03 17,60 19,26 21,61
C.Mquinas 5,68 7,14 8,08 9,00 9,30 10,27 11,27 12,34 13,84
Cerro El Padre 6,15 7,73 8,74 9,75 10,07 11,11 12,20 13,35 14,98
Diguilln 6,79 8,53 9,65 10,75 11,12 12,26 13,47 14,74 16,53
Hualpencillo 4,01 5,04 5,71 6,36 6,57 7,25 7,96 8,71 9,77
La Punilla 6,44 8,09 9,16 10,20 10,55 11,64 12,78 13,98 15,68
Los ngeles 4,52 5,67 6,42 7,15 7,39 8,16 8,96 9,80 11,00
Polcura 5,88 7,38 8,35 9,31 9,62 10,62 11,66 12,76 14,31
Troyo 6,24 7,85 8,88 9,89 10,23 11,28 12,39 13,56 15,21

REGIN 1 24 h I (mm/h) GLO
LUGAR 2 5 10 20 25 50 100 200 500
Armerillo 7,72 10,10 11,67 13,23 13,74 15,39 17,14 19,00 21,67
Bellavista 3,35 4,39 5,06 5,74 5,96 6,68 7,44 8,25 9,41
Bullileo 6,18 8,09 9,35 10,60 11,01 12,33 13,73 15,22 17,36
C.Mquinas 4,13 5,41 6,24 7,08 7,35 8,24 9,17 10,17 11,60
Caracol 5,35 7,01 8,09 9,18 9,53 10,67 11,89 13,18 15,03
Cerro El Padre 4,27 5,60 6,46 7,33 7,61 8,52 9,49 10,52 12,00
Diguilln 4,94 6,47 7,47 8,47 8,80 9,85 10,97 12,17 13,88
Hualpencillo 2,39 3,13 3,61 4,09 4,25 4,76 5,30 5,88 6,70
La Punilla 4,81 6,29 7,27 8,24 8,56 9,59 10,68 11,84 13,50
Los ngeles 2,98 3,90 4,51 5,11 5,31 5,94 6,62 7,34 8,37
Polcura 4,11 5,38 6,21 7,04 7,31 8,19 9,12 10,11 11,53
Troyo 4,69 6,15 7,10 8,05 8,36 9,36 10,43 11,56 13,19
35
LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 33.52 42.08 47.04 51.44 52.76 56.64 60.32 63.84 68.28
Armerillo 47.64 59.84 66.92 73.12 75.00 80.56 85.80 90.80 97.12
Coihueco 35.76 44.92 50.24 54.88 56.28 60.48 64.40 68.12 72.88
Colorado 35.24 44.24 49.48 54.08 55.44 59.56 63.44 67.12 71.80
Chilln DMC 33.20 41.72 46.64 51.00 52.32 56.16 59.84 63.32 67.72
Digua 33.32 41.88 46.84 51.16 52.48 56.36 60.04 63.52 67.96
El Lirio 36.64 46.00 51.44 56.20 57.64 61.92 65.96 69.80 74.64
Los Quees 30.36 38.12 42.64 46.60 47.80 51.32 54.68 57.84 61.88
P.Grande 29.32 36.84 41.20 45.00 46.16 49.60 52.80 55.88 59.76
Parral 27.88 35.00 39.16 42.76 43.88 47.12 50.20 53.12 56.80
Quilaco 32.20 40.44 45.20 49.40 50.68 54.44 57.96 61.36 65.60
San Manuel 28.68 36.04 40.28 44.04 45.16 48.52 51.64 54.64 58.44

REGIN 2 30 min I (mm/h) GEV
LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 23.06 29.94 34.38 38.56 39.86 43.86 47.74 51.56 56.48
Armerillo 33.12 43.00 49.38 55.38 57.26 62.98 68.58 74.04 81.12
Coihueco 25.60 33.22 38.16 42.80 44.26 48.68 53.00 57.22 62.70
Colorado 22.52 29.22 33.56 37.64 38.92 42.80 46.60 50.32 55.14
Chilln DMC 23.78 30.86 35.44 39.76 41.10 45.22 49.24 53.16 58.24
Chilln V. 26.86 34.86 40.04 44.90 46.42 51.08 55.60 60.04 65.78
Digua 21.18 27.48 31.56 35.40 36.60 40.26 43.84 47.32 51.84
El Lirio 21.20 27.52 31.60 35.44 36.64 40.32 43.88 47.38 51.92
Los Quees 19.62 25.46 29.22 32.78 33.90 37.30 40.60 43.84 48.02
P.Grande 19.24 24.96 28.66 32.14 33.24 36.56 39.82 42.98 47.10
Parral 19.28 25.02 28.74 32.22 33.32 36.66 39.90 43.10 47.20
Quilaco 23.04 29.88 34.32 38.50 39.80 43.78 47.68 51.48 56.40
San Manuel 19.36 25.14 28.86 32.38 33.48 36.82 40.08 43.28 47.42

LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 19,94 25,14 28,19 30,90 31,73 34,18 36,50 38,72 41,55
Armerillo 27,10 34,16 38,31 41,99 43,11 46,43 49,57 52,60 56,45
Coihueco 22,59 28,49 31,94 35,02 35,95 38,72 41,35 43,87 47,08
Colorado 19,14 24,13 27,06 29,66 30,45 32,81 35,03 37,16 39,88
Chilln DMC 21,29 26,85 30,10 32,99 33,87 36,48 38,96 41,34 44,36
Chilln V. 20,70 26,10 29,26 32,07 32,93 35,47 37,88 40,19 43,14
Digua 18,29 23,06 25,86 28,35 29,11 31,35 33,48 35,52 38,12
El Lirio 17,62 22,22 24,93 27,31 28,05 30,21 32,26 34,22 36,72
Los Quees 17,06 21,51 24,13 26,45 27,14 29,25 31,22 33,13 35,55
P.Grande 16,85 21,25 23,82 26,11 26,81 28,87 30,83 32,71 35,11
Parral 16,66 21,01 23,55 25,82 26,51 28,55 30,49 32,35 34,72
Quilaco 20,01 25,23 28,29 31,01 31,83 34,28 36,62 38,84 41,70
San Manuel 17,44 21,99 24,66 27,02 27,75 29,89 31,91 33,86 36,34
36
REGIN 2 1h I (mm/h) GLO
LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 17.17 21.15 23.73 26.3 27.14 29.82 32.66 35.66 39.94
Armerillo 23.28 28.68 32.18 35.66 36.80 40.44 44.28 48.36 54.16
Coihueco 19.77 24.35 27.33 30.28 31.25 34.34 37.6 41.07 45.99
Colorado 16.92 20.84 23.39 25.91 26.74 29.39 32.18 35.14 39.36
Chilln DMC 19.14 23.57 26.45 29.31 30.25 33.24 36.4 39.75 44.52
Chilln V. 16.98 20.91 23.46 26.00 26.83 29.48 32.29 35.26 39.49
Digua 16.00 19.71 22.12 24.51 25.29 27.79 30.43 33.24 37.22
El Lirio 14.88 18.33 20.57 22.79 23.52 25.85 28.3 30.91 34.62
Los Quees 15.06 18.55 20.82 23.07 23.81 26.17 28.65 31.29 35.04
P.Grande 15.58 19.19 21.53 23.86 24.62 27.05 29.62 32.35 36.23
Parral 14.67 18.06 20.27 22.46 23.18 25.47 27.89 30.46 34.11
Quilaco 18.05 22.23 24.95 27.64 28.53 31.35 34.33 37.49 41.98
San Manuel 15.80 19.46 21.84 24.20 24.97 27.44 30.05 32.82 36.75
Contulmo 13.68 16.85 18.91 20.96 21.63 23.77 26.02 28.42 31.83

LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 13.14 16.44 18.63 20.85 21.58 23.97 26.52 29.28 33.27
Coihueco 13.52 16.92 19.18 21.46 22.21 24.67 27.30 30.13 34.24
Colorado 12.32 15.41 17.46 19.55 20.24 22.47 24.86 27.44 31.19
Chilln DMC 14.64 18.32 20.76 23.24 24.06 26.71 29.56 32.62 37.07
Chilln V. 11.72 14.67 16.63 18.61 19.26 21.38 23.66 26.12 29.69
Digua 11.85 14.83 16.81 18.81 19.47 21.62 23.92 26.41 30.01
El Lirio 12.05 15.07 17.09 19.12 19.79 21.98 24.32 26.85 30.51
Los Quees 11.36 14.21 16.11 18.03 18.67 20.73 22.94 25.32 28.77
P.Grande 11.94 14.93 16.93 18.95 19.62 21.77 24.09 26.59 30.22
Parral 9.86 12.34 13.98 15.66 16.21 18.00 19.91 21.97 24.98
Quilaco 12.69 15.88 18.01 20.15 20.86 23.16 25.63 28.29 32.15
San Manuel 11.66 14.58 16.53 18.50 19.15 21.27 23.53 25.98 29.52
Contulmo 9.45 11.83 13.41 15.01 15.54 17.25 19.08 21.07 23.94

LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 10.30 12.99 14.71 16.41 16.96 18.73 20.56 22.50 25.24
Coihueco 9.56 12.06 13.66 15.24 15.75 17.39 19.10 20.90 23.44
Colorado 9.40 11.86 13.43 14.98 15.49 17.09 18.78 20.54 23.04
Chilln DMC 11.47 14.46 16.39 18.28 18.90 20.86 22.91 25.06 28.11
Chilln V. 8.74 11.02 12.49 13.93 14.40 15.89 17.45 19.10 21.42
Digua 8.52 10.74 12.17 13.57 14.03 15.49 17.01 18.62 20.88
El Lirio 8.49 10.71 12.13 13.53 13.98 15.43 16.95 18.55 20.80
Los Quees 8.93 11.27 12.76 14.24 14.72 16.24 17.84 19.52 21.89
P.Grande 8.61 10.85 12.30 13.72 14.18 15.65 17.19 18.81 21.10
Parral 6.90 8.71 9.86 11.01 11.37 12.56 13.79 15.09 16.92
Quilaco 8.41 10.61 12.02 13.41 13.86 15.30 16.80 18.38 20.62
San Manuel 9.11 11.49 13.01 14.51 15.01 16.56 18.19 19.90 22.32
Contulmo 7.08 8.93 10.12 11.28 11.66 12.87 14.14 15.47 17.35
37
LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 9.14 11.75 13.23 14.52 14.91 16.05 17.12 18.13 19.40
Coihueco 8.00 10.33 11.63 12.77 13.11 14.11 15.05 15.93 17.05
Colorado 8.34 10.72 12.07 13.25 13.6 14.64 15.61 16.54 17.69
Chilln DMC 9.63 12.38 13.95 15.31 15.72 16.92 18.04 19.11 20.44
Chilln V. 7.56 9.71 10.94 12.00 12.32 13.27 14.15 14.98 16.03
Digua 7.27 9.35 10.53 11.56 11.86 12.77 13.62 14.42 15.43
El Lirio 7.19 9.24 10.41 11.43 11.73 12.63 13.47 14.26 15.26
Los Quees 7.62 9.79 11.02 12.10 12.42 13.37 14.26 15.10 16.16
P.Grande 7.37 9.47 10.66 11.70 12.02 12.93 13.79 14.61 15.63
Parral 5.91 7.59 8.55 9.39 9.64 10.37 11.06 11.72 12.53
Quilaco 6.94 8.92 10.05 11.03 11.33 12.19 13.00 13.77 14.73
San Manuel 7.82 10.06 11.32 12.43 12.76 13.74 14.65 15.51 16.60
Contulmo 6.10 7.84 8.83 9.69 9.95 10.71 11.42 12.09 12.94

LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 6.61 8.68 9.85 10.88 11.19 12.09 12.94 13.74 14.75
Coihueco 5.66 7.42 8.43 9.31 9.57 10.35 11.08 11.76 12.63
Colorado 6.21 8.15 9.26 10.22 10.51 11.37 12.16 12.92 13.87
Chilln DMC 7.34 9.64 10.95 12.09 12.43 13.44 14.38 15.27 16.40
Chilln V. 5.30 6.95 7.89 8.72 8.96 9.69 10.37 11.01 11.82
Digua 5.26 6.90 7.84 8.65 8.90 9.62 10.29 10.93 11.74
El Lirio 5.23 6.86 7.79 8.60 8.85 9.57 10.24 10.87 11.67
Los Quees 5.59 7.34 8.33 9.20 9.46 10.23 10.95 11.63 12.48
P.Grande 5.10 6.70 7.61 8.40 8.64 9.34 9.99 10.61 11.39
Parral 4.07 5.35 6.07 6.70 6.89 7.45 7.97 8.47 9.09
Quilaco 4.63 6.08 6.90 7.62 7.84 8.47 9.07 9.63 10.34
San Manuel 5.68 7.45 8.46 9.34 9.61 10.39 11.12 11.81 12.67
Contulmo 4.56 5.99 6.80 7.51 7.72 8.35 8.94 9.49 10.19

REGIN 2 24 h I (mm/h) GEV
LUGAR 2 5 10 20 25 50 100 200 500
Ancoa 4.51 6.19 7.14 7.95 8.18 8.86 9.46 9.99 10.61
Coihueco 3.95 5.41 6.24 6.95 7.16 7.75 8.27 8.74 9.28
Colorado 4.21 5.77 6.66 7.41 7.63 8.26 8.82 9.32 9.90
Chilln DMC 5.30 7.27 8.39 9.34 9.61 10.41 11.12 11.74 12.47
Chilln V. 3.69 5.06 5.84 6.50 6.69 7.24 7.73 8.17 8.67
Digua 3.59 4.92 5.68 6.32 6.51 7.05 7.52 7.95 8.44
El Lirio 3.40 4.66 5.37 5.98 6.16 6.67 7.12 7.52 7.98
Los Quees 3.98 5.46 6.30 7.01 7.22 7.82 8.35 8.82 9.37
P.Grande 3.32 4.56 5.26 5.85 6.03 6.53 6.97 7.36 7.81
Parral 2.73 3.74 4.31 4.80 4.94 5.35 5.72 6.04 6.41
Quilaco 3.01 4.13 4.76 5.30 5.46 5.91 6.31 6.67 7.08
San Manuel 3.77 5.17 5.97 6.64 6.84 7.41 7.91 8.36 8.87
Contulmo 2.98 4.08 4.71 5.24 5.40 5.85 6.24 6.59 7.00
38
REGIN 3 15 min I (mm/h) P -III
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 21,40 29,00 33,72 38,04 39,36 43,36 47,16 50,84 55,60
Cerro Caln 24,72 33,48 38,92 43,92 45,44 50,04 54,44 58,72 64,16
Ed.ENDESA 14,76 20,00 23,24 26,24 27,16 29,92 32,52 35,08 38,36
La Obra 33,00 44,72 52,04 58,68 60,72 66,88 72,80 78,48 85,80
Melozal 28,72 38,92 45,24 51,04 52,84 58,20 63,32 68,28 74,64
Melipilla 20,16 27,32 31,80 35,84 37,12 40,88 44,48 47,96 52,40
MOP DGA 19,92 26,96 31,36 35,36 36,60 40,32 43,88 47,32 51,72
Pencahue 21,84 29,56 34,40 38,80 40,16 44,20 48,12 51,88 56,68
Pirque 27,36 37,04 43,08 48,60 50,32 55,40 60,28 65,00 71,04
Pudahuel 18,68 25,32 29,44 33,20 34,36 37,88 41,20 44,44 48,56
Quinta Normal 15,16 20,52 23,88 26,92 27,84 30,68 33,40 36,00 39,36
San Antonio 27,20 36,84 42,84 48,32 50,00 55,08 59,96 64,64 70,64
San Javier 24,48 33,16 38,56 43,48 45,00 49,56 53,92 58,16 63,56
Talca 29,48 39,96 46,48 52,40 54,24 59,76 65,00 70,08 76,60
Tobalaba 19,32 26,16 30,44 34,32 35,52 39,12 42,56 45,92 50,16

LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 12,48 16,36 18,78 21,02 21,72 23,82 25,86 27,88 30,52
Cerro Caln 16,10 21,12 24,24 27,14 28,04 30,76 33,40 36,00 39,42
Ed.ENDESA 10,22 13,42 15,40 17,24 17,80 19,52 21,22 22,86 25,02
La Obra 24,98 32,76 37,62 42,10 43,48 47,70 51,80 55,86 61,14
Melozal 18,52 24,28 27,88 31,20 32,22 35,36 38,40 41,40 45,30
Melipilla 13,86 18,18 20,88 23,36 24,14 26,48 28,76 31,00 33,94
MOP DGA 13,74 18,04 20,70 23,16 23,92 26,24 28,50 30,74 33,64
Pencahue 15,14 19,86 22,80 25,52 26,36 28,92 31,40 33,86 37,06
Pirque 17,40 22,82 26,20 29,30 30,28 33,22 36,08 38,88 42,56
Pudahuel 12,54 16,44 18,88 21,12 21,82 23,94 26,00 28,02 30,68
Quinta Normal 10,92 14,30 16,42 18,38 18,98 20,82 22,62 24,38 26,70
San Antonio 19,34 25,38 29,12 32,60 33,68 36,94 40,12 43,24 47,34
San Javier 17,26 22,64 25,98 29,08 30,04 32,94 35,78 38,58 42,24
Talca 18,14 23,78 27,30 30,56 31,56 34,62 37,60 40,54 44,38
Tobalaba 14,16 18,56 21,32 23,86 24,64 27,04 29,36 31,64 34,64

REGIN 3 45 min I (mm/h) GLO
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 9.56 12.05 13.75 15.47 16.04 17.91 19.92 22.11 25.32
Cerro Caln 12.69 16.01 18.25 20.55 21.31 23.79 26.47 29.37 33.63
Ed.ENDESA 8.61 10.87 12.39 13.93 14.45 16.13 17.95 19.92 22.81
La Obra 19.00 23.97 27.33 30.76 31.89 35.60 39.61 43.96 50.35
Melozal 14.67 18.52 21.11 23.75 24.63 27.49 30.59 33.95 38.87
Melipilla 11.08 13.99 15.95 17.95 18.61 20.77 23.11 25.65 29.37
MOP DGA 11.13 14.05 16.01 18.03 18.69 20.87 23.21 25.76 29.49
Pencahue 13.24 16.71 19.04 21.43 22.23 24.81 27.60 30.64 35.08
Pirque 14.20 17.92 20.43 22.97 23.83 26.60 29.59 32.85 37.61
Pudahuel 10.20 12.87 14.67 16.51 17.12 19.11 21.25 23.59 27.01
Quinta Normal 9.27 11.69 13.32 14.99 15.55 17.36 19.31 21.43 24.53
San Antonio 15.15 19.12 21.80 24.53 25.44 28.40 31.59 35.07 40.15
San Javier 13.95 17.60 20.07 22.57 23.41 26.13 29.08 32.28 36.96
Talca 14.57 18.40 20.97 23.60 24.48 27.32 30.40 33.73 38.63
Tobalaba 11.44 14.43 16.45 18.51 19.20 21.43 23.84 26.47 30.29
39
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 8.17 10.46 11.85 13.13 13.52 14.70 15.84 16.95 18.39
Cerro Caln 10.16 13.00 14.74 16.32 16.81 18.28 19.70 21.08 22.87
Ed.ENDESA 7.77 9.95 11.28 12.49 12.86 13.99 15.07 16.13 17.50
La Obra 16.63 21.30 24.14 26.73 27.53 29.94 32.26 34.53 37.46
Melozal 12.32 15.77 17.88 19.80 20.39 22.17 23.89 25.57 27.74
Melipilla 9.31 11.91 13.51 14.96 15.40 16.75 18.05 19.32 20.96
MOP DGA 9.90 12.67 14.36 15.90 16.38 17.81 19.19 20.54 22.29
Pencahue 11.90 15.24 17.28 19.13 19.70 21.42 23.09 24.71 26.81
Pirque 12.13 15.53 17.60 19.49 20.07 21.83 23.52 25.17 27.31
Pudahuel 8.46 10.83 12.27 13.59 14.00 15.22 16.40 17.55 19.05
Quinta Normal 8.22 10.53 11.93 13.22 13.61 14.80 15.95 17.07 18.52
San Antonio 13.04 16.69 18.92 20.95 21.58 23.47 25.29 27.06 29.36
San Javier 12.30 15.75 17.85 19.77 20.36 22.14 23.86 25.53 27.70
Talca 12.19 15.60 17.68 19.58 20.17 21.93 23.63 25.29 27.44
Tobalaba 9.67 12.38 14.04 15.55 16.01 17.41 18.76 20.08 21.79

LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 5.98 7.74 8.82 9.81 10.11 11.03 11.91 12.78 13.90
Cerro Caln 7.88 10.21 11.63 12.93 13.33 14.53 15.70 16.84 18.32
Ed.ENDESA 6.01 7.79 8.88 9.87 10.17 11.09 11.98 12.85 13.98
La Obra 12.64 16.36 18.65 20.73 21.37 23.31 25.18 27.01 29.38
Melozal 8.75 11.33 12.91 14.35 14.80 16.14 17.43 18.70 20.34
Melipilla 6.82 8.83 10.06 11.185 11.53 12.58 13.59 14.57 15.85
MOP DGA 7.36 9.54 10.86 12.08 12.45 13.58 14.67 15.73 17.11
Pencahue 8.18 10.60 12.07 13.43 13.84 15.10 16.31 17.49 19.03
Pirque 8.31 10.75 12.25 13.62 14.04 15.31 16.54 17.74 19.30
Pudahuel 6.28 8.14 9.27 10.30 10.62 11.59 12.52 13.42 14.60
Quinta Normal 6.58 8.53 9.71 10.80 11.13 12.14 13.12 14.07 15.30
San Antonio 8.90 11.53 13.13 14.60 15.05 16.41 17.73 19.02 20.69
San Javier 8.56 11.08 12.63 14.04 14.47 15.78 17.05 18.29 19.89
Talca 8.84 11.44 13.04 14.49 14.94 16.29 17.60 18.88 20.53
Tobalaba 7.15 9.26 10.54 11.73 12.08 13.18 14.24 15.28 16.62

REGIN 3 4h I (mm/h) P-III
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 4.52 6.06 7.01 7.86 8.13 8.92 9.68 10.41 11.34
Cerro Caln 5.88 7.89 9.12 10.24 10.58 11.61 12.6 13.55 14.76
Ed.ENDESA 4.70 6.30 7.29 8.18 8.46 9.28 10.07 10.83 11.79
La Obra 9.68 12.98 15.01 16.86 17.42 19.12 20.73 22.3 24.29
Melozal 6.11 8.19 9.48 10.64 11.00 12.07 13.10 14.08 15.34
Melipilla 5.34 7.16 8.29 9.30 9.62 10.55 11.45 12.31 13.41
MOP DGA 5.57 7.48 8.65 9.71 10.04 11.02 11.95 12.85 14.00
Pencahue 5.56 7.45 8.62 9.68 10.01 10.98 11.91 12.81 13.95
Pirque 5.63 7.55 8.73 9.80 10.13 11.11 12.05 12.96 14.12
Pudahuel 4.59 6.16 7.12 8.00 8.27 9.07 9.84 10.58 11.53
Quinta Normal 4.80 6.44 7.45 8.37 8.64 9.49 10.29 11.07 12.06
San Antonio 5.82 7.81 9.03 10.14 10.48 11.50 12.47 13.41 14.61
San Javier 5.95 7.97 9.22 10.36 10.70 11.74 12.74 13.70 14.93
Talca 6.39 8.57 9.91 11.13 11.50 12.62 13.69 14.72 16.04
Tobalaba 5.43 7.28 8.42 9.45 9.77 10.72 11.63 12.50 13.62
40
REGIN 3 6h I (mm/h) GEV
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 3.63 4.90 5.72 6.48 6.72 7.45 8.16 8.86 9.75
Cerro Caln 4.93 6.66 7.77 8.82 9.14 10.14 11.10 12.04 13.26
Ed.ENDESA 3.93 5.30 6.19 7.02 7.28 8.07 8.84 9.59 10.56
La Obra 8.11 10.94 12.78 14.49 15.03 16.66 18.25 19.80 21.79
Melozal 4.97 6.71 7.83 8.88 9.21 10.21 11.18 12.13 13.36
Melipilla 4.37 5.91 6.89 7.82 8.11 8.99 9.85 10.68 11.76
MOP DGA 4.60 6.21 7.25 8.22 8.53 9.45 10.35 11.23 12.36
Pencahue 4.67 6.31 7.36 8.35 8.66 9.60 10.52 11.41 12.56
Pirque 4.63 6.25 7.29 8.27 8.58 9.51 10.41 11.30 12.44
Pudahuel 3.79 5.11 5.97 6.77 7.02 7.78 8.53 9.25 10.18
Quinta Normal 4.09 5.53 6.45 7.32 7.59 8.42 9.22 10.00 11.01
San Antonio 4.68 6.31 7.37 8.36 8.67 9.61 10.52 11.42 12.57
San Javier 4.76 6.42 7.50 8.50 8.82 9.78 10.71 11.62 12.79
Talca 4.96 6.69 7.81 8.86 9.19 10.19 11.16 12.11 13.33
Tobalaba 4.46 6.02 7.02 7.96 8.26 9.16 10.03 10.88 11.98

REGIN 3 12 h I (mm/h) KAPPA
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 2.45 3.48 4.10 4.66 4.83 5.31 5.76 6.18 6.67
Cerro Caln 3.41 4.84 5.71 6.48 6.71 7.39 8.02 8.59 9.28
Ed.ENDESA 2.72 3.86 4.55 5.17 5.36 5.9 6.39 6.85 7.41
La Obra 6.14 8.72 10.28 11.67 12.09 13.31 14.43 15.47 16.71
Melozal 3.47 4.92 5.80 6.59 6.82 7.51 8.15 8.73 9.43
Melipilla 3.08 4.37 5.15 5.85 6.06 6.67 7.24 7.75 8.38
MOP DGA 3.13 4.44 5.23 5.94 6.15 6.77 7.35 7.87 8.51
Pencahue 3.23 4.59 5.41 6.14 6.36 7.00 7.59 8.14 8.79
Pirque 3.36 4.76 5.62 6.38 6.61 7.28 7.89 8.45 9.13
Pudahuel 2.76 3.92 4.63 5.25 5.44 5.99 6.49 6.96 7.52
Quinta Normal 2.73 3.88 4.58 5.20 5.38 5.93 6.43 6.89 7.44
San Antonio 3.18 4.52 5.33 6.00 6.26 6.90 7.48 8.01 8.66
San Javier 3.33 4.73 5.58 6.33 6.55 7.22 7.83 8.39 9.06
Talca 3.25 4.61 5.43 6.17 6.39 7.03 7.63 8.17 8.83
Tobalaba 3.04 4.31 5.08 5.77 5.97 6.58 7.13 7.64 8.26

REGIN 3 24 h I (mm/h) P-III
LUGAR 2 5 10 20 25 50 100 200 500
Los Cerrillos 1.49 2.22 2.67 3.09 3.21 3.60 3.97 4.32 4.78
Cerro Caln 2.11 3.15 3.79 4.38 4.57 5.11 5.64 6.14 6.79
Ed.ENDESA 1.62 2.41 2.9 3.35 3.49 3.91 4.31 4.70 5.19
La Obra 3.79 5.65 6.81 7.87 8.19 9.18 10.11 11.02 12.19
Melozal 2.36 3.51 4.23 4.89 5.09 5.70 6.29 6.85 7.58
Melipilla 2.09 3.12 3.76 4.34 4.52 5.07 5.58 6.09 6.73
MOP DGA 2.01 3.00 3.61 4.18 4.35 4.87 5.37 5.85 6.47
Pencahue 2.07 3.08 3.72 4.30 4.47 5.01 5.52 6.02 6.65
Pirque 2.21 3.29 3.96 4.58 4.77 5.34 5.89 6.42 7.10
Pudahuel 1.70 2.53 3.06 3.53 3.68 4.12 4.54 4.95 5.47
Quinta Normal 1.66 2.48 2.99 3.45 3.59 4.02 4.44 4.83 5.35
San Antonio 1.93 2.88 3.48 4.02 4.18 4.68 5.16 5.63 6.22
San Javier 2.05 3.06 3.69 4.26 4.44 4.97 5.48 5.97 6.60
Talca 1.98 2.95 3.56 4.11 4.28 4.79 5.28 5.76 6.37
Tobalaba 1.86 2.78 3.35 3.87 4.03 4.51 4.97 5.42 5.99
41
5. CONCLUSIONES
La estimacin fiable y consistente de los aguaceros de proyecto es esencial en el diseo

eficiente de las estructuras hidrulicas. A diferencia de estudios anteriores, basados en
el anlisis local de frecuencias con los momentos convencionales, el anlisis regional de
frecuencias de las precipitaciones extremas en la regin central de Chile acometido en
este estudio mediante la metodologa de los momentos lineales ha permitido estimar los
cuantiles de las intensidades de las precipitaciones de duraciones comprendidas entre
15 min y 24 h para periodos de retorno de 2 a 500 aos de gran valor cientfico y
prctico para actualizacin y construccin de las curvas IDF de la zona. La metodologa
de los momentos-L aplicada en este estudio presenta importantes ventajas sobre el
anlisis local de frecuencias con los momentos convencionales. Entre las ms
destacables pueden sealarse la menor incertidumbre en la estimacin de los cuantiles
de la precipitacin en cada localidad y permitir ampliar el periodo de retorno en la
estimacin de dichos cuantiles al incrementarse de manera notable la longitud de las
series temporales.
El enfoque regional ha permitido establecer tres subregiones homogneas en las que

ha sido posible integrar registros de lluvias de diversas estaciones con series
temporales de corta longitud, y de este modo, estimar con mayor fiabilidad los cuantiles
para los distintos periodos de retorno. La combinacin de esta metodologa con datos
ms recientes de las precipitaciones extremas en la regin permitir actualizar y
reproducir relaciones IDF ms fiables que las anteriores y podrn considerarse para uso
en el diseo de infraestructuras de gestin de las aguas pluviales.
6. REFERENCIAS
Chen Y.D., G. Huang, Q. Shao y C.Y. Xu, 2006. Regional analysis of low flow using L-
moments for Dongjiang basin, South China. Hydrological Sciences Journal,
51(6):1051-1064
Dalrymple T. (1960). Flood frequency analyses. Water Supply Paper 1543-A,
U.S.Geological Survey, Reston, Va.
Di Baldassarre G., A. Castellarin y A. Brath, 2006. Relationships between statistics of
rainfall extremes and mean annual precipitation: an application for design-storm
estimation in northern central Italy. Hydrology and Earth System Sciences, 10:589
601
Eslamian S., H. Hassanzadeh, J. Abedi Koupai y M. Gheysari, 2012. Application of
L Moments for regional frequency analysis of monthly drought indices. Journal of
Hydrologic Engineering, 17(1):32-42
Garca-Marn A.P.; J.L. Ayuso-Muoz, E.V. Taguas y J. Estevez. 2011. Regional
analysis of the annual maximum daily rainfall in the province of Malaga (southern
Spain) using the principal component analysis. Water and Environment Journal,
25:522-531.
Greenwood J.A., J.M. Landwehr, N.C. Matalas y J.R. Wallis, 1979. Probability weighted
moments: definition and relation to parameters of several distributions expressible in
inverse form. Water Resources Research, 15, 1049-1054.
42
Groisman PY, R.W. Knight, D.R. Easterling, T.R. Karl, G.C. Hegerl y V.N. Razuvaev,
2005. Trends in intense precipitation in the climate record. Journal of Climate,18:
13261350.
Guttman N.B., 1993. The use of L-moments in the determination of regional precipitation
climates. Journal of Climate, 6: 2309-2325.
Guttman N.B., J.R.M. Hosking, y J.R. Wallis, 1993. Regional precipitation quantile
values for the continental US computed from L-moments. Journal of Climate, 6:
23262340.
Hall M.J. y A.W. Minns, 1999. The classification of hydrological homogeneous regions.
Journal of Hydrological Science, 44(5):693704.
Hosking J.R.M, 1990. L-moments: Analysis and estimation of distributions using linear
combinations of order statistics. Journal of Royal Statistical Society B, 52:105-124.
Hosking J. R. M. and J.R. Wallis, 1993. Some statistics useful in regional frequency
analysis. Water Resources Research, 29(2):271-281.
Hosking J. R. M. y J.R. Wallis, 1997. Regional frequency analysis. An approach based
on L-moments. Cambridge University Press.
Hosking J.R.M., 2005. Fortran routines for use with the method of L-moments. IBM
Research Division, Yorktown Heights, N.Y., U.S.A.
Hussain Z. y G.R. Pasha, 2009. Regional Flood Frequency Analysis of the Seven Sites
of Punjab, Pakistan, Using L-Moments. Water Resources Management, 23:1917-
1933.
Huntington T.G. 2006. Evidence for intensification of the global water cycle: review and
synthesis. Journal of Hydrology 319: 8395.
IPCC, 2007. Climate Change 2007: The Physical Science Basis. In: Solomon, S., Qin,
D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M., Miller, H.L. (Eds.),
Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change. Cambridge University Press,
Cambridge, United Kingdom and New York, NY, USA, p. 996.
Jingyi Z. y M.J. Hall, 2004. Regional flood frequency analysis for the Gan-Ming River
basin in China. Journal of Hydrology, 296: 98117.
Karl T.R. yK.E. Trenberth, 2003. Modern global climate change. Science (302): 1719
1723.
Kjeldsen T.R., J.C. Smithers y R.E. Schulze, 2002. Regional flood frequency analysis in
the KwaZulu-Natal province, South Africa, using the index-flood method. Journal of
Hydrology, 255:194-211.
Landwehr J. M., N.C. Matalas y J.R. Wallis, 1979. Probability-weighted moments
compared with some traditional techniques in estimating Gumbel parameters and
quantiles. Water Resources Research, 15:1055-64.
Lee S.H. y S.J. Maeng, 2003. Frequency analysis of extreme rainfall using L-Moment.
Irrigation and Drainage, 52: 219-230.
Lee S.H. y S.J. Maeng, 2005. Estimation of drought rainfall using L-Moment. Irrigation
and Drainage, 54: 279-2940.
Milly, P.C.D., Wetherald, R.T., Dunne, y K.A., Delworth, T.L., 2002. Increasing risk of
great floods in a changing climate. Nature, 415: 514517.
Mishra A.K. y V.P. Singh, 2010. A review of drought concepts. Journal of Hydrology,
391:202-2130.
Modarres R., 2008. Regional frequency distribution type of low flow in North of Iran by L-
moments. Water Resources Management, 22:823841.
43
Modarres R., 2010. Regional Dry Spells Frequency Analysis by L-Moment and
Multivariate Analysis. Water Resources Management, 24:2365-2380.
Ngongondo C.S., C.Yu Xu, L. M. Tallaksen, B. Alemaw y T. Chirwa, 2011. Regional
frequency analysis of rainfall extremes in Southern Malawi using the index rainfall
and L-moments approaches. Stoch. Environ. Res. Risk Assess, 25:939955.
Norbiato D, M. Borga, M. Sangati y F. Zanon, 2007. Regional frequency analysis of
extreme precipitation in the eastern Italian Alps and the August 29, 2003 flashflood.
Journal of Hydrology, 345:149-166.
Noto L.V. y G. La Loggia, 2009. Use of L-Moments Approach for Regional Flood
Frequency Analysis in Sicily, Italy. Water Resources Management, 23:22072229.
Nez J.H., K. Verbist, J.R. Wallis, M.G. Schaefer, L. Morales y W.M. Cornelis, 2011.
Regional frequency analysis for mapping drought events in north-central Chile.
Journal of Hydrology, 405: 352-366.
Ouarda T.B.M.J., C. Girard, G.S. Cavadias y B. Bobe, 2001. Regional flood frequency
estimation with canonical correlation analysis. Journal of Hydrology, 254(14): 157
173.
Peel M C, Q J Wang, R M Vogel y T A McMahon, 2001. The utility of L-moment ratio
diagrams for selecting a regional probability distribution. Journal of Hydrological
Sciences, 46(1):147-155.
Rao, A.R. y K.H Hamed, 2000. Flood frequency analysis. CRC Press, Boca Ratn.
Santos J.F., M.M. Portela y I. Pulido, 2011. Regional frequency analysis of droughts in
Portugal. Water Resources Management, 25:35373558.
Satyanarayana P. y V.V. Srinivas, 2011. Regionalization of precipitation in data sparse
areas using large scale atmospheric variables A fuzzy clustering approach.
Journal of Hydrology, 405: 462473.
Schaefer M.G., 1990. Regional analyses of precipitation annual maxima in Washington
state. Water Resources Research, 26(1):119-131.
Shi P., Chen X., Qu S. M., Zhang Z.C., and Ma J.L.,2010. Regional frequency analysis
of low flow based on L moments: Case study in Karst area, Southwest China.
Journal of Hydrologic Engineering, 15(5), 370377.
Smithers J.C. y R.E. Schulze, 2001. A methodology for the estimation of short duration
design storms in South Africa using a regional approach based on L-moments.
Journal of Hydrology,241: 42-52.
Srinivas V. V., S. Tripathi, A.R. Rao y R.S. Govindaraju, 2008. Regional flood frequency
analysis by combining self-organizing feature maps and fuzzy clustering. Journal of
Hydrology, 348:148-166.
Tsakiris G., I. Nalbantis y G. Cavadias, 2011. Regionalization of low flows based on
Canonical Correlation Analysis. Advances in Water Resources, 34:865-872.
Viglione A, F. Laio y P. Claps, 2007. A comparison of homogeneity tests for regional
frequency analysis. Water Resources Research, 43:W03428.
doi:10.1029/2006WR005095.
Vogel R.M., T. A. McMahon y F.H.S. Chiew, 1993. Floodflow frequency model selection
in Australia. Journal of Hydrology, 146:421-449.
Vogel, R. M., y N.M. Fennessey, 1993. L-moment diagrams should replace product-
moment diagrams. Water Resources Research, 29(6):1745-1752.
Voss R, W. May y E. Roeckner, 2002. Enhanced resolution modeling study on
anthropogenic climate change: changes in extremes of the hydrological cycle.
International Journal of Climatology (22):755777.
44
Trefry C.M., D.W. Watkins Jr. y D. Johnson, 2005. Regional Rainfall Frequency Analysis
for the State of Michigan. Journal of Hydrologic Engineering , 10(6):437-449.
Wallis J.R., M.G. Schaefer, B.L. Barker y G.H. Taylor, 2007. Regional precipitation-
frequency analysis and spatial mapping for 24-hour and 2-hour durations for
Washington State. J. Hydrology and Earth System Sciences, 11(1), 415-442.
Werick W.J., G.E. Willeke, N.B. Guttman, J.R.M. Hosking y J.R. Wallis, 1994. National
drought atlas developed, Eos Trans. AGU, 75(8):88-89.
Wiltshire S.E., 1985. Grouping of catchments for regional food frequency analysis.
Hydrological Sciences Journal, 30: 151159.
World Meteorological Organization (WMO). 2003. Statement on the status of global
climate in 2003. WMO Publ. no. 966, WMO, Geneva.
Xu C.Y, E. Widn y S. Halldin, 2005. Modeling hydrological consequences of climate
change-progress and challenge. Advances in Atmospheric Sciences, 22(6):789
797.
Zakaria Z.A. y A. Shabri, 2012. Regional frequency analysis of extreme rainfalls using
partial L moments method.Theoretical and Applied Meteorology, DOI
10.1007/s00704-012-0763-2.
Zhang J. y M.J. Hall, 2004. Regional flood frequency analysis for the Gan-Ming River
basin in China. Journal of Hydrology, 296:98117.
Zhang Q, M. Gemmer y J. Chen, 2008. Climate changes and flood/drought risk in the
Yangtze Delta,China, during the past millennium. Quaternary International, 17: 62-
69.
45
CAPTULO 3: ESTIMATING IDF CURVES WITH INCOMPLETE DATA
Ben Ingram, Nicolas Delgado

Facultad de Ingeniera, Universidad de Talca
RESUMEN
En el presente captulo, se muestra el uso de varios mtodos de mnimos cuadrados para ajustar las
curvas Intensidad-Duracin-Frecuencia. Cuando existe informacin disponible para cada duracin y sta
no es homognea, generalmente se utiliza el mtodo tradicional de mnimos cuadrados, con resultados
insatisfactorios en el ajuste de las curvas. En este documento, se utilizaron los mtodos mnimos
cuadrados ponderados y los mnimos cuadrados reponderados iterativos, mtodos que son robustos
ante la presencia de valores atpicos. Para denir las ponderaciones, se utilizaron dos criterios
diferentes: nmero de observaciones de una duracin en particular y la varianza de la informacin. Estos
mtodos presentaron mejores resultados en la estimacin de los parmetros de ajuste y la carga
adicional de clculo de estas tcnicas es mnima.
ABSTRACT
In this chapter, we demonstrate the use of several least squares methods for tting
Intensity-Duration-Frequency curves. When the available data for each duration are heterogeneous,
blindly applying ordinary least squares results in unsatisfactory curve ts. We show how weighted least
squares and iteratively reweighted least squares can be applied to improve the estimation process as
well as being robust to outliers. We estimate the weights from two dierent criteria: number of
observations for a particular duration and the variance of the data. The extra computational burden of
using these techniques is minimal.
46
3.1. INTRODUCTION
Characterising Intensity-Duration-Frequency (IDF) relationships when data with full temporal resolution
is not available can present a number of challenges. Accurate IDF curves are essential tools in water
resource engineering [1] and as such, the accuracy must be major consideration when applying the
methodology. The procedure for estimating IDF curves is split into two parts: a suitable distribution
(such as the Gumbel distribution) is tted to the data for each duration to perform frequency analysis
and then a curve is tted to the durations for each return period. In this work we will focus on the
second step of this process.
With the advances of technology, new tools are being developed which permit the estimation of IDF
curves with greater accuracy. One such tool is a pluviograph measurement station band scanner which
has recently been developed. Not only is band reading precision increased, but also the speed at which
bands can be scanned is signicantly improved. The result of these advances are large datasets of
rainfall intensity which then need to be analysed.
Generally, these newly generated datasets of rainfall intensities are generated for a xed number of
durations. In this study, durations of 15min, 30min, 45min, 1hr, 2hr, 4hr, 6hr, 12hr and 24hr are used.
The rainfall intensity durations often stretch back for up to a century and have spent much of their
paped-based lifetime in storage hence do not always provide accurate precipitation intensity. As a
consequence, for some years there is incomplete data. In this study we will use data from the Pudahuel
pluviograph monitoring station that is based in Santiago, Chile. Of the 36 years of registered data, 13
years do not have precipitation measurements for durations less than an hour. Ordinary least squares
would unfairly put too much weight on durations less than an hour.
IDF curve estimation techniques utilise ordinary least-squares to t a given IDF model to the observed
duration data. In the case where more available data exists for some durations than others, IDF curve
estimation using ordinary least squares is not satisfactory. This problem can be addressed by utilising
weighted least squares. By taking into account what is known about the data for each duration, the
curve tting process can better estimate the parameters of the IDF curve. Since the precipitation
intensity for each lag is correlated, a further improvement would be the use of generalised least squares
which utilises the covariance structure for the dierent durations. The covariance structure for the
dierent durations is not know, hence we present a compromise method called iterative reweighted
least squares.
Not only is the quantity of available data for a particular duration of importance, but also the variability.
If the variance for a given duration is large (relatively), it can be assumed that we are less certain about
the characteristics of the data for that duration. If the data is grouped, we can be more certain about the
characteristics of the data.
Some IDF studies [7, 6] rely on tting IDF curves using the closed-form least square estimators. Linear
IDF curves are obtained by relying on simple linear IDF relationships or alternatively, linearising the IDF
curve using a transform of the data. In this work we will directly obtain the IDF curve parameters by
using a non-linear least squares techniques. This avoids biases in the parameters caused by
transformations and enable the use of more complex IDF curves. To obtain the parameters of these
non-linear techniques, iterative minimisation algorithms are used.
47
3.2. METHODOLOGY
T
We will start this section by introducing some of the notation that will be used. We assume that I d
denotes a precipitation intensity for a given return period T and duration d , the result of already having
tted a suitable distribution for each of the durations. In this work we will use the Gumbel distribution[4]
which has been analysed and well studied in depth in Chile. We will represent a given IDF curve for a
specic return period by f T (I, D, T ) where I = I1 I n is a vector of intensities that
correspond to durations D = d1 d n and T is xed as the return period and should not be confused
with the matrix transpose. The observed I n intensities are included in the function since some IDF
curve families are constructed based on the observed data.
Next, a specic IDF curve function is chosen. There are a number of families of IDF curves that have been
developed, in this work we will use the curve proposed by [1] which takes the form:
Tm
I dT = K
Dn (1)
where K, m and n are parameters of the model. To avoid complex iterative methods such as those that
we will utilise in this study, this model is often linearised for computational convenience by applying a
log e transform. One undesirable drawback of using the log e transform is that for precipitation
intensities closer to zero, the transform becomes increasingly non-linear and hence skews the parameter
tting process, this can often produce sub-optimal parameters.
3.2.1. Ordinary Least Squares
The typical procedure for tting an IDF curve for a given return period is to use an ordinary least-squares
(OLS) methodology to nd the parameters, that minimise:
n
E = | I d f T ( ) |2 (2)
d =1
where the sum index, refers to a particular duration. This methodology calculates the squared residual
or squared distance between the observed precipitation intensity for a duration and the estimate for the
IDF curve given the parameters . The assumed relationship between the observations and the model
is of the form: I dT = f T +, where is a normally distributed random variable. The sum-of-squares
dierence, E , is minimised by iteratively adjusting the parameters of the IDF model. An ecient way to
perform this minimisation is by calculating the gradients of the parameters with respect to the E and
then utilising a gradient-based optimiser.
48
3.2.2. Quasi-Newton optimisation
To minimise the objective function and obtain the optimal parameters, we utilise a Quasi-Newton based
optimiser. The Quasi-Newton method uses the matrix of second order derivatives or the Hessian matrix
( Hf (x n ) to determine step-size and the direction to take at each iteration of the algorithm. Given
parameters x n the parameters , a new estimation of the parameters x n +1 is given by the Newton
method update
equation:
x n ++11 = x n [ Hf (x n )]1 f (x n )
(3)
where f (x n ) is the rst-order derivatives or Jacobian and is a step size for each iteration. The
Quasi-Newton method diers from the traditional Gauss-Newton method by avoiding a direct inverse of
the Hessian matrix. Instead, the inverse Hessian is updated iteratively [3]. The derivatives can be
calculated numerically or analytically, but in this study we preferred analytic derivatives. Newton-based
methods for parameter optimisation are known to have a good convergence rate when the initial
starting parameters, x n , are not far from a local minimum [5].
3.2.3. Weighted Least Squares
Recognising that the information for each duration varies due to a number of factors suggests that a
weight should be assigned to each duration. Weighted Least Squares (WLS) can be applied when the
supposed variance of the observations are not equal or are heteroscedastic.
We suggest two possibilities for assigning weights to the data for each duration. Firstly, the variance of
the observations for a particular can be considered, or alternatively, we can assume that we are more
certain about a duration if there are more observations available. Using these assumptions, we can
extend Eq. (2) to:
n
E = wd | I d f T ( ) |2 (4)
d =1
where is the weight assigned to a particular duration . Weighted least squares assumes that the weight
is exactly known. This is rarely ever the case and hence we estimate the weight based on one of the
previously mentioned criteria. The additional eort of calculating the weight for each duration does not
add signicantly to the computational burden but at the same time provides a more realistic model.
Instead of using WLS, its possible to transform the data so that the OLS parameter estimates are
identical to that of WLS. However this requires a transform of the data for each dataset, hence we will
perform WLS directly.
49
Figure 1. IDF curve for the data gathered by the Pudahuel pluviograph showing 5 year and 100 year
return periods.
Figure 2. IDF curve for the data gathered by the Pudahuel pluviograph showing 5 year and 100 year
return periods. Only two observations have been retained. These observations are two years with low
rainfall.
50
Figure 3. Intensity-Duration-Frequency curve for the data gathered by the Pudahuel pluviograph
showing 5 year and 100 year return periods. Only two observations have been retained. These
observations are two years with high rainfall.
3.2.4. Iteratively Reweighted Least Squares
A further improvement on weighted least squares is generalised least squares (GLS). GLS can be applied
when there is both heteroscedasticity and there exists correlation between the observations. Obtaining
the correlation matrix between the observing is not possible without prior knowledge. Hence it is not
possible to use this method.
As a compromise, we suggest Iteratively Reweighted Least Squares (IRLS) as a possibility. IRLS can be
used to nd the maximum likelihood estimate of the parameters of the IDF curve. IRLS is used
particularly in the presence of outliers in an otherwise normally-distributed dataset. This approach
reduces the least squares problem to a sequence of WLS problems [2]. The basic algorithm takes the
following form:
1. If the weight vector is unknown, set w0 , to 1.0
2. Minimise WLS function (Eq.(4)) to obtain using wi
3. Estimate variance function
4. Use tted data to calculate new wi
5. Return to (2) and ret the model
The algorithm is run until convergence. Not more than a few iterations will be necessary for tting IDF
curves. The computational complexity isnt signicantly increased over the WLS method.
51
3.3. RESULTS
In this section we will look at the results of applying the four dierent least square methods that we have
outlined to the data. To further demonstrate and to add emphasis to the methods used, we also create
a 2nd and 3rd dataset based on the Pudahuel pluviograph. The dierence being that the datasets have
had the number of observations for durations of 15 minutes reduced to two observations per dataset.
In 2nd dataset, the two lowest observations have been retained and in the 3rd dataset, the two highest
observations have been retained. The estimated curves for all return periods for a given station were
estimated jointly, although only 5 year and 100 year return periods are show in each gure. The
reasoning for this is to maximise clarity.
Inspecting Figure 1, the performance of each model can be gauged. The WLS based on the number of
observations is almost identical to the OLS estimate and the IRLS estimate. The parameters in Table 1
give a clearer view of similarity. The WLS based on the variance of the observations shows the most
distinct curves. It clearly over-estimates for shorter durations and seems to have the smallest residual
for longer durations. At around 6hrs the curves ts the empirical data well. Just by visual inspection, it
can be seen that the empirical data has a reduced variance as the duration increases. This means that
the estimated weights are directly related to duration. In this case, more weight is given to data from a
longer duration.
Figure 2 shows the performance of the dierent methods when even fewer data are recorded for
durations. The smallest two durations are retained. Now it can be seen that the OLS estimate has been
signicantly aected by the duration only having 2 observations. Now for longer durations, the OLS
method over-estimates. The IRLS and WLS (num) estimates are still similar and the WLS (var) exhibits the
similar over-estimating behaviour as with the previous dataset. Comparing the parameters from Table 1
and Table 2, it can also be noted that the parameters for WLS (var) are similar if not almost identical. The
intuition is that the duration is down-weighted since the variance of the observations at this duration
is much greater than at the duration. Even though the parameter for the WLS (num) and IRLS methods
are dierent, the generated IDF curves look plausible.
Now contrasting the under-estimated curves with the over-estimated curves in Figure 3, we expect
similar results. As can be seen, the OLS estimate is reasonable for durations shorter and including ,
however for durations greater than this, the curve severely under-estimates the intensity. Again, the
WLS (var) has barely changed, since as we suggested earlier, the duration is down-weighted. Yet again
the WLS (var) and IRLS methods have generated what could be considered the most plausible IDF curves
for the data. Comparing the parameters estimated in Table 2 and Table 3, there is little dierent between
the parameters estimated by the WLS (num) and IRLS methods, even though the data for the duration
is vastly dierent.
The WLS (num) and IRLS methods show very little dierence and its dicult to gauge which most
accurately estimates the IDF curve parameters.
52
Table 1. Parameters estimated for the Pudahuel data.
METHOD k m n
OLS 78.943 0.175 0.521
WLS (num) 73.378 0.173 0.502
WLS (var) 68.923 0.208 0.484
IRLS 73.377 0.175 0.503
Table 2. Parameters estimated for the Pudahuel data using two lowest intensities for the 15 minute
duration.
METHOD k m n
OLS 21.875 0.176 0.254
WLS (num) 52.676 0.173 0.432
WLS (var) 69.307 0.208 0.485
IRLS 52.675 0.175 0.433
Table 3. Parameters estimated for the Pudahuel data using two highest intensities for the 15 minute
duration.
METHOD k m n
OLS 357.782 0.113 0.842
WLS (num) 55.117 0.172 0.441
WLS (var) 69.614 0.208 0.485
IRLS 55.116 0.174 0.442
53
3.4. CONCLUSIONS
In this article we have presented a number of methods for estimating the parameters of IDF curves with
particular application to datasets where incomplete information is available. Deciding which of the
methods is best depends on a number of factor and also on the assumptions of the analyst. Clearly, OLS
is decient when a variable number of observations is available at each duration. We have
demonstrated, using an extreme example of how this signicantly skews the IDF curve. In the practical
example, its more dicult to gauge the accuracy of the WLS (num) method over the OLS method.
However it is clear that the tted IDF curve will be sub-optimal.
The WLS (var) method, based on the variance of the observations for each duration was less useful for
shorter durations. This is due to there being more variability between extreme events in the rst of the
event than after . Its probably not sensible to put more weight on the longer durations.
Looking at the IDF curves and the ts to the empirical, it could also be suggested that the IDF curve
family selected here might not be the most appropriate for the data. It seems that the curve ts the data
well for either short or long durations, but never for the whole dataset.
For IDF curve tting, we recommend the use of IRLS since this is a robust estimator and is based on
sequential application of the WLS (num) method which also takes into account the additional
knowledge that an analyst has about the data, such as the number of observations in each duration. If
there is an equal number of observations in each duration, WLS simplies to OLS, although if IRLS is used,
correlations between the dierent durations will be taken into account.
An extension to this work would be to consider a spatial context. Each station has a dierent number of
years worth of data. When performing spatial interpolation of intensity-duration-frequency
relationships, it would be important to include the certainty that we have about each pluviograph data.
54
3.5. REFERENCES
Bernard, M. 1932. Formulas for rainfall intensities of long duration. Transactions of the American Society
of Civil Engineers, 96(1):592606.
Bjorck, A. 1996. Numerical methods for least squares problems. Number 51. Society for Industrial
Mathematics.
Bonnans, J., J. Gilbert, C. Lemarchal, and C. Sagastizbal. 2006. Numerical optimization: theoretical and
practical aspects. Springer.
Chow, V. 1984. Handbook of applied hydrology: a compendium of water-resources technology.

McGraw-Hill Book Co. New York,(SW/2778), 1964, 1500.
Madsen, K., and H. Nielsen. 2004. Methods for non-linear least squares problems, technical university of
denmark, lecture notes.
Nhat, L., Y. Tachikawa, and K. Takara. 2006. Establishment of intensity-duration-frequency curves for
precipitation in the monsoon area of vietnam. Ann. Dis. Prev. Res. Inst, 49:93102.
Pizarro, R., R. Valds, P. Garca-Chevesich, C. Vallejos, C. Sangesa, C. Morales, F. Balocchi, A. Abarza, and
R. Fuentes. 2012. Latitudinal analysis of rainfall intensity and mean annual precipitation in chile. Chilean
Journal of Agricultural Research, 72:2.
55
CAPITULO 4: MODELACIN Y CONSTRUCCIN GRFICA IDF
Dr. Ignacio Vidal.

Instituto de Matemtica y Fsica, Universidad de Talca.
RESUMEN
Con el objetivo de modelar las intensidades mximas anuales de lluvia en diferentes zonas geogrcas
de Chile, se desarroll inferencia estadstica clsica y Bayesiana en la distribucin de valores extremos
tipo 1 (distribucin Gumbel). Para la inferencia clsica buscamos las estimaciones mximo verosmiles
con sus respectivos intervalos de conanza. Para la inferencia Bayesiana consideramos una distribucin
a priori no informativa para el parmetro de localizacin, , y una gamma invertida para el parmetro de
escala, . Para estas condiciones obtuvimos la distribucin a posteriori de (, ) y medidas de resumen
a posteriori tales como modas, valores medios, cuantiles e intervalos de credibilidad. Con la nalidad de
hacer pronsticos y estimar los perodos de retorno obtuvimos la distribucin a posteriori de
observaciones futuras, su valor medio, cuantiles e intervalos de credibilidad. Para obtener varias de
estas medidas de resumen a posteriori fue necesaria la utilizacin de aproximaciones numricas y el
mtodo de aproximacin de Laplace. Adems estimamos las curvas de perodos de retorno por medio
de los estimadores mximo verosmiles y con la distribucin predictiva.
ABSTRACT
With the purpose of modeling annual maximum rainfall intensities in dierent geographical zones of
Chile, classic and Bayessian statistical inference was developed for Type I extreme value distribution
(Gumbel distribution). For the classic inference, we look for the maximum verisimilar with their
respective condence intervals. For the Bayesian inference, we considered a non-informative
pre-distribution for the location parameter, , and an inverted gamma for the scale parameter, . For
these conditions we obtained a post-distribution of (, ) and descriptive values such as mode, mean,
quintiles, and condence intervals. With the purpose of better predicting and estimating return periods.
To obtain several of these descriptive values on the post-distribution, numerical approaches and the
Laplaces approximation method were used. Besides, return period curves were estimated through
maximum verisimilar estimators and the pre-distribution.
56
4.1. INTRODUCCIN
Las intensidades de precipitacin muy altas son poco frecuentes, pero cuando ocurren pueden provocar
grandes desastres tales como inundaciones, desbordes de ros, deslizamiento de laderas, etc. Estos
problemas se pueden mitigar o evitar con un buen diseo de obras hidrulicas, los que necesariamente
requieren del conocimiento de las intensidades mximas de precipitacin.
Por tanto es importante el estudio de los valores mximos de intensidades de precipitacin, las que
representan la cantidad de lluvia cada en funcin del tiempo, expresada comnmente en mm/hr.
Adems, es importante relacionar dicha intensidad con la frecuencia de ocurrencia y con la duracin. De
aqu surge la importancia de contar con las curvas de Intensidad-Duracin-Frecuencia (curvas IDF) que
se construyen en base a intensidades mximas de precipitacin. Estas curvas permiten establecer
intensidades de diseo asociadas a un periodo de retorno y a una determinada duracin de lluvia. Esta
relacin es de gran importancia, ya que la cantidad total de precipitacin registrada en un lugar por
unidad de tiempo puede tener efectos muy diferentes en funcin de su intensidad. Lo anterior, debido a
que un incremento en el monto de las intensidades acaba en un aumento del volumen de escorrenta, y
por consiguiente, en un mayor caudal aguas abajo.
En este sentido, la construccin grca y el modelamiento matemtico de las curvas IDF cobran una
relevancia fundamental para la toma de decisiones relativas al estudio de las intensidades de
precipitacin y le entrega potencia a las investigaciones realizadas en el proyecto.
57
4.2. SELECCIN DE INTENSIDADES MXIMAS
Para la elaboracin de las curvas IDF, en primer lugar se deben determinar las cantidades mximas de
precipitacin para distintas duraciones, siendo posible utilizar una serie anual o una serie de duracin
parcial. Una serie anual est formada por el evento mximo de cada ao, mientras que la serie parcial
est formada por todos los valores que se ubican por sobre un valor umbral, elegido arbitrariamente, sin
considerar el ao en que ocurren. Si esta serie est formada por el mismo nmero de datos que el
nmero de aos de registro, se le denomina serie de excedencia. En este estudio se trabaj con la serie
anual de valores extremos, es decir, se extrajo el mximo valor de intensidad por cada ao.
Tradicionalmente, la determinacin de las intensidades mximas se hace en forma visual (mtodo

analgico), pero dado que las bandas pluviogrcas disponibles son del tipo semanal (se registran 7 das
por banda) slo es posible determinar las intensidades para duraciones mayores a 1 hora, derivado del
tamao de la traza para el ojo lector de un observador. Por tal motivo, se desarroll un equipo lector de
bandas que permiti obtener intensidades con duraciones menores a 1 hora, esto es a 15, 30 y 45
minutos (mtodo digital).
Una vez seleccionados los valores extremos de precipitacin para cada ao y distintas duraciones, se
calcul la intensidad horaria. Esta se obtiene dividiendo los valores de cada una de las series de lluvia por
la duracin correspondiente en horas, obteniendo intensidades en mm/h, como se muestra en la
siguiente expresin:
P
I=
t
Donde:
I = intensidad de precipitacin (mm/h);
P= diferencial de precipitacin (mm);
t = diferencial de tiempo (h).
58
4.3. CONSTRUCCIN GRFICA DE LAS CURVAS IDF
4.3.1. Anlisis de Frecuencia de Eventos Extremos
Luego de obtener la base de datos de precipitaciones extremas, se realiz un anlisis de frecuencia de

los datos, con el n de vislumbrar su comportamiento en cada estacin y por cada duracin. Debido a
que la distribucin Gumbel es una de las distribuciones lmites de los mximos de una muestra aleatoria,
y debido tambin a su sencillez, se realiz la modelacin de las intensidades mximas de lluvia con esta
distribucin. La distribucin acumulada Gumbel de parmetros (perteneciente al conjunto de
nmeros reales, R) y (perteneciente al conjunto de nmeros reales positivos) est dada por:
( )
F ( x , ) = exp e ( x ) / ,
donde - < x < .
En este trabajo consideramos que x1,x2,...,xn es una muestra aleatoria de los mximos anuales de lluvia
en una determinada estacin de medicin de agua cada. Como la distribucin Gumbel puede ser
obtenida a travs de un proceso lmite de la distribucin del mximo de variables aleatorias,
independientes e idnticamente distribuidas (de manera que cuyas colas tienen una cada exponencial:
ver, por ejemplo Johnson et al. (1995)); entonces es perfectamente factible suponer que x1,x2,...,xn se
distribuye de acuerdo a la Funcin de Distribucin de Probabilidad de Gumbel (, ).
Diferentes mtodos clsicos de estimacin de los parmetros (, ) pueden verse en Johnson et al.
(1995). Por su sencillez, y a diferencia de los estimadores mximos verosmiles (MLE, por sus siglas en
ingls), los estimadores de momento han sido muy utilizados en la prctica. Sin embargo, son bien
conocidas las buenas propiedades de los MLE en modelos probabilsticos regulares como el modelo
Gumbel, para ms detalles sobre MLE se puede indagar en Lehmann and Casella (1998) o Shao (2003).
Es por esta razn, y por el desarrollo de cmputo actual, que nosotros recomendamos la utilizacin de
los MLE entre los dems mtodos de estimacin clsicos.
Muchas de las series de datos que debemos ajustar en este proyecto tienen una longitud de pocos aos,
es decir, son series relativamente cortas si quisiramos considerar los ciclos de precipitaciones mximas
de lluvia en algn modelo. Por esta razn cobran importancia las opiniones de expertos sobre la
cantidad de agua cada en cada estacin de medicin. Adems, por otras razones como la gran
variabilidad de las intensidades mximas, la inuencia de cambios climticos, altitud y localizacin
geogrca de las estaciones de medicin, etc. Teniendo en cuenta estas razones, tambin se decidi
llevar a cabo inferencias Bayesianas en el modelo Gumbel.
En la bsqueda de los estimadores Bayesianos consideramos la distribucin a priori no informativa

( )
1 para el parmetro , y una distribucin a priori Gamma Invertida para el parmetro .
Bajo estos supuestos es posible calcular las modas, valores esperados e intervalos de credibilidad de las
distribuciones marginales a posteriori. Adems, obtuvimos la distribucin predictiva F(xn+1,...,xm|x1,...,xn)
y de esta calculamos el valor esperado, la mediana e intervalos de credibilidad para m = n + 1.
59
En las estimaciones Bayesianas realizadas, un experto deni tres regiones homogneas diferentes
donde se agrupaban diversas estaciones de medicin de agua cada. Esta agrupacin se hizo teniendo en
cuenta las similitudes entre las diferentes estaciones de medicin. Luego, para cada una de estas tres
regiones se determinaron los hiperparmetros de las distribuciones a priori. Esta metodologa tiene
como caracterstica que las estimaciones obtenidas para cada estacin de medicin estn inuenciadas
por los datos de las estaciones de medicin similares a esta. Desde un punto de vista optimista, se
mejoran las estimaciones en estaciones de medicin con pocos datos. Desde un punto de vista
pesimista, las estimaciones de una estacin de medicin estn contaminadas con la informacin de
otras estaciones similares.
Debido a lo anterior, y de acuerdo al objetivo de quien analice los resultados, se puede utilizar la
metodologa Bayesiana o la de los MLE. Se recomienda utilizar la metodologa Bayesiana salvo que se
quieran obtener resultados especcos para una estacin de medicin sin que los datos de otras
estaciones similares inuyan en dichos resultados. No obstante, en la plataforma IDF, se dan las opciones
de ajustar con el mtodo MLE, de los momentos y el de momentos de probabilidad ponderada.
Otro aspecto importante en el anlisis de frecuencia de eventos extremos es dar una estimacin del
tiempo esperado para que ocurra un evento extremo de determinada magnitud o mayor. Una de estas
estimaciones, comnmente utilizada, es el perodo de retorno que est denido por
1
= [1 F ( x | , )]
1
T ( x) =
P( X > x)
Donde P(X > x) es la probabilidad de obtener intensidades mximas mayores a un valor determinado x.
En este trabajo hemos estimado los perodos de retorno para diferentes valores de x utilizando los MLE
y la metodologa Bayesiana.
Para la obtencin de las estimaciones Bayesianas fue necesario el uso de aproximaciones y clculos
numricos que estn detallados en el reporte tcnico Vidal y Pizarro (2012)1 . La metodologa de anlisis
de frecuencias que se emple en este trabajo permite que pueda ser usada de forma permanente en el
tiempo y en diferentes estaciones pluviogrcas. Adems, si esta metodologa se implementara en
forma automatizada no requerira de la presencia permanente de un experto en estadstica Bayesiana.
4.3.2. Ejemplo
A modo de ejemplo, en esta seccin mostramos los resultados obtenidos para una de las localidades
observadas. Los datos consisten en las intensidades (mm/hr) mximas de agua cada anualmente en San
Javier, Chile, desde 1974 hasta 2009. De los datos tenemos las siguientes estadsticas bsicas: nmero de
aos en la muestra, 36; promedio de las intensidades mximas de lluvia, 12.73 mm/hr y desviacin
estndar de las intensidades mximas de lluvia, 4.01 mm/hr. La tabla 1 muestra las estimaciones clsicas
junto con el Test de Kolmogorov-Smirnov (KS). De aqu podemos ver que los MLE son ms precisos que
las estimaciones de momentos.
1
Vidal, I. and Pizarro, R. (2012). A Bayesian analysis of the Gumbel distribution: an application to extreme rainfall
data. Tech. Report. Email: ividal@inst-mat.utalca.cl.
60
Tabla 1. Estimaciones clsicas de los parmetros de la distribucin Gumbel y el test de
Kolmogorov-Smirnov para datos de la estacin de San Javier.
Estimacin maxima verosimilitud Estimacin de momentos

Estimacin Intervalo de Estimacin Intervalo de
puntual conanza (95%) puntual conanza (95%)
11.07 (10.05,12.09) 10.93 (9.82,12.03)
2.96 (2.32,3.78) 3.12 (2.05,4.19)
Media Gumbel ( , ) 9.36 9.12
Aunque los valores-p del test de K-S hayan sido bastante altos, los datos de intensidades mximas de
lluvia para esta estacin de medicin no parecen seguir una distribucin Gumbel, rerase por ejemplo
al grco de probabilidad que se muestra en la Figura 1. Los puntos deberan ubicarse sobre la lnea
recta, pero vemos que esto no ocurre as, mostrndose adems un valor bastante extremo. Esto sugiere
que el modelo Gumbel no es suciente para describir apropiadamente estos datos por lo que en trabajos
posteriores utilizaremos la distribucin de valores extremos generalizada para ajustar los datos de
intensidades mximas de lluvia.
Figura 1. Grco de probabilidad de las intensidades mximas de lluvia anuales en San Javier para la
distribucin Gumbel.
La gura 2 muestra la curva del perodo de retorno estimado utilizando los MLE, ( , ) , y la funcin de
distribucin acumulada F (x , ), donde y son la media y desviacin estimadas. De la Figura 2 vemos
que las estimaciones empricas (representadas por los puntos) estn fuera de los intervalos de conanza
estimados al 95%. Esto rearma la idea de que, al menos para los datos de esta estacin de medicin, se
debe utilizar la distribucin de valores extremos generalizada para ajustar los datos de intensidades
mximas de lluvia.
61
Figura 2. Curva de los perodos de retorno de las intensidades mximas de precipitacin anuales en San
Javier estimada con los MLE.
La tabla 2 muestra las estimaciones Bayesianas utilizando los hiperparmetros =5.12y=12.85. Dichos
valores fueron tomados considerando la opinin de un experto y teniendo en cuenta la informacin
proporcionada por los datos de estaciones de medicin similares a la de San Javier. Adems, podemos
ver que para la estacin de medicin ubicada en San Javier las precisiones de las estimaciones
Bayesianas y los mximos verosmiles fueron similares.
Tabla 2. Estimaciones Bayesianas de los parmetros de la distribucin Gumbel para datos de la estacin
de San Javier.
Intervalo de
Moda a posteriori Media a posteriori Conanza (95%)
11.02 11.02 (10.00,12.08)
2.85 2.98 (2.22,3.55)
Media de Gumbel ( ) 9.38 9.30 -
Varianza de Gumbel ( ) 13.32 14.65 -
!
El enfoque Bayesiano permite utilizar la distribucin acumulada predictiva, F(xn+1|x1,...,xn), para estimar
los perodos de retorno, ver Figura 3. Aqu tambin se aprecia la incapacidad del modelo Gumbel para
describir los perodos de retorno empricos para los datos de esta estacin pluviogrca.
62
Figura 3. Curva de los perodos de retorno de las intensidades mximas de lluvias anuales en San Javier,
estimada con la distribucin predictiva.
La gura 4 muestra en un papel de probabilidad el ajuste de la distribucin Gumbel por los diferentes
mtodos de estimacin utilizados en este trabajo. Tambin reeja la necesidad de utilizar la distribucin
de valores extremos, generalizada para ajustar las intensidades mximas de lluvia anuales en estaciones
de medicin.
Figura 4. Papel de probabilidad para la distribucin Gumbel ajustada por diferentes mtodos de
estimacin utilizando las intensidades mximas de lluvia anuales en San Javier.
Por ltimo, la gura 5 muestra un histograma de los datos y las densidades de la distribucin Gumbel
(,) ajustadas a los datos segn mtodos de estimacin que se mencionaron anteriormente.
63
Figura 5. Histograma y densidades de la distribucin Gumbel ajustadas por diferentes mtodos de
estimacin utilizando las intensidades mximas de lluvia anuales en San Javier.
De las guras 4 y 5 tambin se ve que las estimaciones obtenidas por los MLE y las medias a posteriori
son muy parecidas. A diferencia de la estacin pluviogrca de San Javier, los datos obtenidos por la
localizada en Talca tuvieron un mejor ajuste con la distribucin Gumbel. Por ejemplo, el test K-S,
utilizando los MLE, tuvo un valor-p igual a 0.81. Esto tambin se puede apreciar, por ejemplo, con la
curva de los perodos de retorno estimados, ver Figura 6.
Figura 6. Curva de los perodos de retorno de las intensidades mximas de lluvias anuales en Talca,
estimada con la distribucin predictiva.
El anlisis de las dems estaciones fue entregado en base de datos al proyecto y se coordinaron entre los
investigadores Dr. Vidal y Dr. Ingram para el procesamiento de informacin y su posterior incorporacin
en la Cartografa digital del comportamiento de las precipitaciones extremas que se encuentra en la
plataforma IDF.
64
4.4. PRUEBAS DE BONDAD DE AJUSTE
Estas pruebas permiten vericar la calidad del ajuste, comparando los datos observados de una variable
(intensidad mxima) con los datos ajustados a la funcin de Gumbel u otra (Pizarro, 1986). Se utilizan 2
mtodos para vericar el ajuste de los datos: el coeciente de determinacin R2 y el test no paramtrico
de Kolmogorov-Smirnov.
4.4.1. Coeciente de Determinacin
Segn Gujarati (1992), el coeciente de Determinacin (R2) mide la proporcin o porcentaje de variacin
total de la variable dependiente, que es explicada por el modelo de regresin, siendo la medida de
bondad de ajuste ms utilizada. Adems, para Pizarro et al., (1986), este coeciente queda denido por
la siguiente expresin, para este caso:
( F ( x)
n i F ( x) i ) 2
R2 = 1
( F ( x)
n i Fn (x )i ) 2
Donde:
R2 : Coeciente de determinacin; 0R21
Fn ( x )i : Frecuencia observada acumulada
F ( x )i : Frecuencia terica acumulada
Fn ( x )i : Media de las frecuencias observadas acumulada
4.4.2 Test de Kolmogorov Smirnov
En el test de KolmogorovSmirnov es necesario determinar la frecuencia observada acumulada y la

frecuencia terica acumulada; una vez determinadas ambas frecuencias, se obtiene el supremo de las
diferencias entre ambas (Pizarro y Novoa, 1986), lo que dene al estadgrafo Dc de Kolmogorov-Smirnov.
Adems y segn Canavos, (1994), es una prueba de bondad de ajuste apropiada, cuando Fn(x) es
continua. Es una prueba que no necesita que los datos se encuentren agrupados y es aplicable a
muestras pequeas.
De esta denicin, se desprende que es necesario determinar tanto la frecuencia observada acumulada,
como la frecuencia terica acumulada. En el primer caso, para determinar la frecuencia observada
acumulada de la serie, se ordenan los datos de menor a mayor y se trabaja con la probabilidad de
excedencia asignada a cada valor de la muestra, cuya expresin ms usada es la de Weibull (Vlez, 2002):
n
Fn ( X ) =
N +1
65
Donde:
Fn(X) = frecuencia observada acumulada;
n = nmero de orden;
N = nmero total de datos.
Por otra parte, la frecuencia terica acumulada se determina a travs de la funcin de Gumbel, que fue
indicada anteriormente. Por lo tanto cuando han sido obtenidas ambas frecuencias, se selecciona el
supremo de las diferencias entre ambas, en la i-sima posicin de orden, denido por la siguiente
expresin:
Dc = Sup | Fn (X)i - F(X)i |
Donde:
Dc = supremo de las diferencias entre la frecuencia observada y terica acumulada;
Fn (X)i = frecuencia observada acumulada;
F (X)i = frecuencia terica acumulada.
Una vez obtenido el valor de Dc, se recurre a la tabla de valores crticos de D en la prueba de bondad de
ajuste de Kolmogorov Smirnov, con un tamao de muestra n y asumiendo un 95% de conanza. Luego
se decide si el ajuste es o no adecuado, considerando las siguientes armaciones:
Si el valor D calculado<D tabla, se acepta H0 (H0: el ajuste es adecuado);
Si el valor D calculado>D tabla, se rechaza H0 (Ha: el ajuste no es adecuado).
4.4.3. Construccin grca de las curvas IDF
Luego de ajustar los datos a la funcin de distribucin de probabilidad de Gumbel y de validarlos a travs
de las pruebas de bondad de ajuste, se gracaron las respectivas intensidades y duraciones de
precipitacin para cada uno de los perodos de retorno determinados y para cada una de las estaciones
pluviogrcas. Los perodos de retorno considerados fueron de 5, 10, 20, 30, 50, 75 y 100 aos. As, la
informacin para generar las curvas IDF se resumi en cuadros donde se muestra, para cada estacin,
las intensidades mximas de precipitacin en mm/h y para las distintas duraciones (tabla 3).
Tabla 3. Intensidades mximas anuales de precipitacin (mm/h) para cada duracin.
Duraciones (h)
Ao
0,25 0,5 0,75 1 2 4 6 12 24
1 I 0,25 1 I 0,5 1 I 0,751 I 11 I 21 I 41 I 61 I 121 I 241
2 I 0,25 2 I 0,5 2 I 0,752 I 12 I 22 I 42 I 62 I 122 I 242
3 I 0,25 3 I 0,5 3 I 0,753 I 13 I 23 I 43 I 63 I 123 I 243
N I 0,25 n I 0,5 n I 0,75n I 1n I 2n I 4n I 6n I 12n I 24n
Media X 0,25 X 0,5 X 0,75 X1 X2 X4 X6 X 12 X 24
Desviacin estndar S 0,25 S 0,5 S 0,75 S1 S2 S4 S6 S 12 S 24
66
La forma de las curvas IDF se presenta en la Figura 6, en que la duracin (en horas) va en la abscisa y la
intensidad (en mm/h) va en la ordenada, mientras que cada curva representa a un periodo de retorno,
donde A es mayor que B y C (Figura 6). En esta gura, se puede apreciar que el valor de Ia intensidad
aumenta al disminuir la duracin, de tal manera que presenta una forma exponencial negativa. Esto se
explica debido a que la probabilidad de encontrar intensidades mayores aumenta a medida que las
duraciones disminuyen; por el contrario, las menores intensidades se encuentran vinculadas a las
mayores duraciones (Tmez, 1978).
Figura 6. Esquema de las curvas IDF, segn el mtodo propuesto por Tmez (1978).
67
4.5. MODELACIN MATEMTICA DE LAS CURVAS IDF
Es importante precisar que las curvas IDF no slo se construyen de manera grca, sino que tambin
pueden expresarse como ecuaciones con el n de evitar la lectura de la intensidad de lluvia de diseo en
una grca (Chow et al., 1994).
Dado el contexto anterior, el planteamiento de las primeras relaciones matemticas que modelaron
dichas curvas, data del inicio de los aos treinta en el siglo pasado, y fueron realizadas por Sherman
(1931) y Bernard (1932). Estos modelos condujeron a numerosos investigadores del mundo a generar
nuevas expresiones matemticas que representan las curvas IDF (Linsley et al., 1949; Bell, 1969; Wenzel,
1982; Chen, 1983; Varas y Snchez ,1983; Aparicio, 1997 y Koutsoyiannis et al., 1998).
4.5.1. Modelos Matemticos
Existen diversos mtodos para la construccin de estas curvas y muchos modelos provienen de
relaciones empricas, partiendo de la relacin existente entre la lmina de lluvia generada por una
tormenta y su duracin, lo que se expresa de la siguiente manera:
h = ct n (1)
Donde h es la lmina de lluvia registrada, t es la duracin de la tormenta en horas, c es un coeciente y

n es un exponente positivo menor que uno; tpicamente n vara entre 0,2 y 0,5 (Ponce, 1989).
Considerando que la intensidad y duracin de una tormenta estn inversamente relacionadas, de la
ecuacin 1 se puede obtener la intensidad de la lluvia a travs de la derivada de la lmina de lluvia con
respecto al tiempo.
dh
= i = cnt n 1 (2)
dt
Simplicando la ecuacin (2) se obtiene

i= (3)
d
Con d= t, =cn y = 1- n. Como n es menor que 1, tambin es menor que uno.
Otro modelo intensidad-duracin es el descrito por Ponce (1989) para cuencas pequeas

i= (4)
d +
Donde y son parmetros que se determinan por anlisis de regresin. Luego, un modelo general que
combina las ecuaciones (3) y (4) es el siguiente:

i=
(d + )
68
As, se proponen muchas expresiones analticas para curvas IDF paramtricas que estn caracterizadas
por un nmero variable de 3 a 4 parmetros, permitiendo una mayor exibilidad de ajuste para los
cuantiles de precipitacin. Este proyecto tiene como objetivo ajustar seis tipos de relaciones IDF a los
datos de cada una de las estaciones de las regiones homogneas, con el n de probar la capacidad y
potencia del anlisis de frecuencia de las precipitaciones. Los modelos son los siguientes:
Tabla 4. Modelos matemticos para curvas IDF utilizados en el proyecto.

AUTOR MODELO PARMETROS
c
aT
Chow et al. (1994) I tT = a, b, c y d
tb + d
a
Chen (1983a) I tT = itT a, b, c
(t + b )c
aT b
Sherman (1971) I tT = a, b, c y d
(t + c )d
Bernard TaT b
I = c
t a, b y c
t
Log Bernard log I tT = a + b log T c log t a, b y c
1
b ln ln1
Koutsoyiannis et al. (1998) T a, b, c y d
i=a
(t + c) d
a
i= ayb
Linsley (1949) t + b ,para 5 > d > 20 minutos
c cyd
i=
d ,para d > 60 minutos
a
Wenzel (1982) i= c a, b y c
t +b
Donde: I = Intensidad, expresada en mm/h; T = Perodo de retorno, expresado en aos; t = Duracin de

la precipitacin, expresada en horas; a, b, c y d = parmetros obtenidos mediante anlisis de regresin
no-lineal.
4.5.2. Medidas de Bondad de Ajuste para Validar los Modelos
Finalmente, con el n de determinar si es adecuada la calidad del ajuste de los datos al modelo escogido,
se realizan las prueba de bondad de ajuste R2, el test de Kolmogorov- Smirnov (K-S) y adems se
adicion en el anlisis, la prueba U de Mann-Whitney, as se asegura consistencia estadstica al modelo
matemtico construido.
69
4.6. RESULTADOS
Debido al gran nmero de estaciones analizadas (49 estaciones) se presentarn algunos resultados
tomando como ejemplo la estacin San Javier de la Regin del Maule. Cabe mencionar que se utiliz la
plataforma IDF de eventos extremos, la que ya est programada y permite en forma fcil y rpida
obtener los resultados de Intensidad de precipitacin utilizando diferentes modelos y mtodos de
ajuste.
A continuacin se presentan los valores de los parmetros y estadgrafos del ajuste de la funcin de
Gumbel para cada duracin, para la estacin San Javier (Tabla 5).
Tabla 5. Parmetros y estadgrafos de acuerdo al ajuste de FDP Gumbel para la estacin San Javier.
Duracin (Hrs)
ESTADGRAFO
0,25 0,5 0,75 1 2 4 6 12 24
Promedio 25,867 18,056 14,521 12,729 8,898 6,254 5,036 3,543 2,214
Desv 8,640 5,711 4,385 4,006 3,108 2,180 1,876 1,542 1,068
U 21,978 15,486 12,547 10,927 7,499 5,272 4,192 2,849 1,734
D 0,148 0,225 0,292 0,320 0,413 0,588 0,684 0,832 1,201
Tabla 6. Valores obtenidos de intensidad de precipitacin segn Gumbel para la estacin San Javier
Duracin (Hrs)
F(x) T
0,25 0,5 0,75 1 2 4 6 12 24
0,80 T=5 32,08 22,17 17,68 15,61 11,13 7,82 6,39 4,65 2,98
0,90 T=10 37,14 25,51 20,24 17,96 12,95 9,10 7,48 5,55 3,61
0,95 T=20 41,99 28,71 22,70 20,20 14,70 10,32 8,53 6,42 4,21
0,97 T=30 44,78 30,56 24,18 21,50 15,70 11,03 9,14 6,92 4,55
0,98 T=40 46,74 31,86 25,12 22,41 16,41 11,52 9,57 7,27 4,79
0,98 T=50 48,27 32,86 25,89 23,11 16,96 11,90 9,90 7,54 4,98
0,98 T=60 49,50 33,68 26,52 23,69 17,40 12,22 10,17 7,76 5,14
0,99 T=75 51,02 34,68 27,29 24,39 17,95 12,60 10,50 8,03 5,32
0,99 T=100 52,97 35,97 28,28 25,29 18,65 13,09 10,92 8,38 5,56
Como se mencion anteriormente, a partir del ajuste a la funcin de Gumbel de cada serie de datos, se
estableci una familia de 9 curvas para cada serie, con periodos de retorno de 5, 10, 20, 30, 40, 50, 60,
75 y 100 aos y duraciones que varan entre 15 minutos y 24 horas. La que se presenta grcamente con
la construccin de la siguiente Curva IDF (Figura 6).
70
Figura 6. Construccin Grca de la curva IDF estacin San Javier, Regin del Maule.
Posteriormente, se utiliz la plataforma IDF, la que ya est programada y permite en forma fcil y rpida
obtener los resultados de Intensidad de precipitacin utilizando diferentes modelos y mtodos de
ajuste. As, en la tabla 7 se indican las ecuaciones matemticas que representan las curvas IDF para la
estacin San Javier, segn los distintos modelos matemticos utilizados.
Tabla 7. Valores de intensidad mxima de precipitacin obtenidos por diferentes modelos matemticos
de IDF para intensidades de 1 y 24 horas y 100 aos de periodo retorno, ajustado mediante mtodo de
los momentos para las estacin pluviogrca San Javier de la Regin del Maule.
100
MODELO ECUACIN MATEMTICA I 1100 mm/h I 24 mm/h
88,142 T 0,173
Log Bernard I= 26,6 5,7
t 0, 487
99,797 * T 0,159
Bernard I= 26,1 5,2
t 0,507
174,576
I=
Linsley (1949) t 0,507 21,9 4,4
106,040 T 0,170
I =
Chow et al. (1994) t 0,553 + 1,610 26,7 5,8
1
5,040 ln ln 1
Koutsoyiannis et al. (1998) T
I = 12,735 24,0 6,2
(t 6,719) 0, 411
76,521 T 0,160
Sherman (1971) I = 25,6 5,9
3,996
(t + 0,455)
196,472
I=
Wenzel (1982) t 0,563
+ 1,869 21,5 5,2
I 1100= intensidad para 1 hora de duracin y 100 aos de periodo de retorno; I 24

100
intensidad para 24 horas de duracin y 100
aos de periodo de retorno; I = intensidad de precipitacin (mm/h); T = perodo de retorno (aos); t = duracin (minutos).
71
Finalmente, se presentan las grcas de las curvas IDF y los modelos matemticos obtenidos para el
modelo Bernard con los distintos mtodos de ajuste: mtodo de los Momentos, de Mxima
Verosimilitud y el de Momentos de Probabilidad Ponderada, para la misma estacin San Javier. Cabe
mencionar que estos resultados tambin se obtuvieron de la plataforma IDF de eventos extremos.
Figura 7. Curva IDF San Javier obtenida a travs del mtodo de los Momentos y el modelo de Bernard.
Figura 8. Curva IDF obtenida a travs del mtodo de Mxima Verosimilitud y el modelo de Bernard
72
Figura 9. Curva IDF obtenida a travs del mtodo de Momentos de Probabilidad Ponderada y el modelo
de Bernard
73
4.7. CONCLUSIONES
La motivacin de este trabajo proviene de un problema prctico que consista en estimar las curvas IDF en
diferentes localidades de Chile. El mtodo que tradicionalmente se usa en Chile para estudiar la frecuencia de
intensidades mximas de lluvia es el ajuste de la distribucin de Gumbel a travs de los estimadores de
momentos. Por lo que la solucin a este problema tena dos restricciones prcticas: la primera era seguir
usando la distribucin de Gumbel. La segunda era ofrecer un mtodo de estimacin permanente en el tiempo
que fuera capaz de actualizarse en forma automtica sin la presencia necesaria de un experto. Otra dicultad
adicional era que haban varias estaciones pluviogrcas con poca cantidad de registro de datos.
En este trabajo hemos dado una solucin desde el punto de vista Bayesiano que satisface los tres requisitos
mencionados en el prrafo anterior. En esencia hemos asignado distribuciones a priori para los parmetros de
la distribucin de Gumbel de forma tal que ests distribuciones a priori son capaces de utilizar la informacin
de un experto para ayudar a la estimacin en localidades con poca cantidad de datos. Otra ventaja de la
solucin Bayesiana que hemos presentado es que para obtener las estimaciones a posteriori no es necesario
el uso de mtodos de simulaciones ni la presencia permanente de un estadstico Bayesiano.
Por otra parte, los tomadores de decisiones tienen la posibilidad de utilizar la metodologa Bayesiana o la de
los MLE. Nosotros recomendamos utilizar la metodologa Bayesiana salvo que se quieran obtener resultados
especcos para una estacin pluviogrca sin que los datos de otras estaciones similares inuyan en dichos
resultados.
Otros aspectos que debieran abordarse en trabajos posteriores son utilizar distribuciones ms generales para
la modelacin de la frecuencia de eventos extremos, como por ejemplo, la distribucin de valores extremos
generalizada. Tambin podra estimarse directamente las curvas IDF y no utilizar el mtodo tradicional
utilizado en este trabajo.
74
4.8. REFERENCIAS
Aparicio, J. 1997. Fundamentos de hidrologa de supercie. Editorial LimusaS.A.. Ciudad de Mexico,

Mexico. 303 p.
Bell, F. 1969. Generalized rainfall duration frecuency relationships. Journal of HydraulicsDivision,

ASCE, vol. 95, N1, pp. 311 327.
Bernard, M. 1932. Formulas for rainfall intensities of long durations.Trans. ASCE, Vol. 96, pp. 592.
Canavos, G. 1994. Probabilidad y estadstica. Aplicaciones y mtodos. Primera edicin. Editorial

McGraw-Hill. Espaa.
Chen, C. 1983. Rainfall Intensity-Duration-Frequency Formulas. Journal of Hydraulic Engineering

109(12) : 16031621.
Chow, V., D. Maidment, and L. Mays. 1994.Hidrologa Aplicada.Santaf de Bogot. Editorial McGraw-Hill.
584 p.
Gujarati, D. 1992. Econometra. Segunda edicin. Editorial McGraw-Hill. Mxico. 597 p.
Johnson, N., S. Kotz, and N. Balakrishnan. 1995. Continuous Univariate Distributions. Second edn. Vol.
2. New York: Wiley & Sons.
Koutsoyiannis, D., D. Kozonis, and A. Manetas. 1998. A mathematical framework for studying rainfall
intensity-duration-frequency relationships.Journal of hydrology, vol 206, pp 118:135.
Lehmann, E., and G. Casella. 1998. Theory of Point Estimation. Second edn. New York: Springer.
Linsley, R., M. Kohler, and J. Paulhus. 1949.Applied hydrology. New York, USA: McGraw-Hill. 689 p.
Pizarro, R., and P. Novoa. 1986. Determinacin de valores probabilsticos para variables hidrolgicas.
Elementos tcnicos de hidrologa. Instructivos Tcnicos. Corporacin Nacional Forestal, Ministerio de
Agricultura. La Serena, Chile. 78p.
Ponce, V. 1989. Engineering hydrology principles and practices. USA. 640 p. Puentes, A. 2000.
Caracterizacin hidrolgica de cuencas tropicales. La cuenca del ro San Diego en la Provincia de Pinar
del Ro. (Cuba). Universidad de Crdoba. Espaa.
Shao, J. 2003. Mathematical Statistics. Second edn. New York: Springer.
Sherman, C. 1971. Frequency and intensity of excessive rainfall at Boston. Mass. Trans. ASCE, Vol. 95, pp.
951 - 960.
Tmez, J. 1978. Clculo hidrometeorolgico de caudales mximos en pequeas cuencas naturales.

Direccin General de Carreteras. Madrid. Espaa. 111p.
75
Varas, E., and S. Snchez. 1988. Curvas generalizadas de intensidad - duracin-frecuencia de lluvias.
Hidrologa y drenaje vial. Chile. 332 p.
Vlez, M. 2002. Precipitacin. Documento disponible en http://hidraulica.unalmed.edu.co/PARH/

materias/hidrologia/mariav/Docs/
Vidal, I., and R. Pizarro. 2012. A Bayesian analysis of the Gumbel distribution: an application to
extremerainfall data. Tech. Report. Email: ividal@inst-mat.utalca.cl.
Wenzel, H. 1982. Rainfall for urban stormwater design. In: Urban storm water hydrology. Water
Resources Monograph 7. Washington DC, USA: American Geophysical Union. pp. 35 67.
Zevallos, O. 1996. Ocupacin de laderas: Incremento del Riesgo por Degradacin Ambiental Urbana en
Quito, Ecuador.
76
CAPTULO 5: APLICACIN DE MTODOS GEOESTADSTICOS
PARA LA EXTENSIN DE LAS CURVAS IDF DE CHILE CENTRAL
Juan P. Flores, Marcelo Retamal

Centro de Informacin de Recursos Naturales
RESUMEN
El presente trabajo permite analizar el comportamiento espacio-temporal de las intensidades de lluvia para
la zona central de Chile. La problemtica se presenta por la escasez de datos pluviomtricos de cortas
longitudes de las series temporales y la baja densidad de estaciones con registros horarios de precipitacin.
Dada la amplitud geogrca del rea de estudio y las caractersticas de las series de datos se estima un
cuociente de intensidad de lluvia, que da cuenta de la relacin entre la intensidad horaria y la intensidad de
precipitacin en 24 horas para cada perodo de retorno. Estas relaciones permitirn la interpolacin a zonas
o estaciones que carezcan de registros pluviogrcos. Mediante el empleo de un sistema de informacin
geogrca y de mtodos geoestadsticos de interpolacin, se estima los valores de intensidad de lluvia para
distintas duraciones de una forma continua. El Krigeado ordinario, junto con la utilizacin de un sistema de
informacin geogrca, result ser una ecaz tcnica de interpolacin de datos muestrales, de modo que
permiti realizar una cartografa del ndice de precipitacin e intensidades para distintas duraciones (cortas
y largas) y periodos de retorno, a partir del anlisis de frecuencias de precipitaciones anuales mximas.
Asimismo, genera un estimador lineal e insesgado que hace mnima la varianza del error de estimacin.
Resulta interesante indagar nuevas variables auxiliares que mejoren las estimas de los modelos de
interpolacin, por ejemplo, el estudio de las inuencias de las masas y cuerpos de aguas en la intensidad de
lluvia para duraciones cortas (< 1 hora) y largas (> 1 hora). Se hace necesario robustecer el modelo para
intensidades de precipitacin sobre cotas de 1.600 m.s.n.m. debido a la inuencia topogrca en reas de
montaa.
ABSTRACT
This study allows analyzing the spatial and temporal behavior of rainfall intensities for the central portion of
Chile. The problem is originated by the lack of short-duration rainfall data on temporal series, as well as a
low density of automatic (recording) stations. Given the wide extension of the study area and the data series
characteristics, a rainfall intensity quotient was estimated, giving the relationship between hourly intensity
and 24-hour-intensity for each return period. These relationships can be used to interpolate to areas with
low or no data. Using GIS and interpolation statistical methods, rainfall intensity values are estimated
continuously. The combination between ordinary Krigeado and GIS was an ecient way to interpolate
sample data, which made possible to develop maps of precipitation index and rainfall intensities for
dierent durations and return periods, from the frequency analysis of maximum annual precipitation.
Similarly, a linear estimator is generated, minimizing the estimation of the errors variance. It is interesting
to search new auxiliary variables to improve the estimations of interpolation models, for example, studying
inuences of masses and water bodies in short and long rainfall intensities. It is necessary to strength the
model for rainfall intensities over 1,600 m.o.s.l., due to the topographic inuences in mountain areas.
77
5.1. MTODOS DE INTERPOLACIN
La interpolacin espacial es el proceso de usar puntos de valores conocidos para estimar los valores en
puntos en los que no se tiene informacin. Con la interpolacin espacial se obtienen datos para generar
supercies empleando datos de muestras puntuales, como tambin mapas de contorno dibujando
isolneas. Para ello, se requieren datos autocorrelacionados, puntos con valores conocidos y los mtodos
de interpolacin.
Se pueden distinguir dos tipos de interpolacin, global y local:

a.Interpolacin Global: Utiliza todos los puntos conocidos disponibles para estimar el valor del
punto no muestreado (por ejemplo, regresin).
b.Interpolacin local: Utiliza una muestra de los valores de los puntos muestreados para estimar
el valor del punto no muestreado, capturando la variabilidad local.
En particular, el funcionamiento del mdulo de precipitacin de este trabajo requiere del

conocimiento y prueba de algunos de los mtodos de interpolacin, expuestos en la literatura (cuadro 1).
Cuadro 1. Clasicacin de los mtodos de interpolacin (Miranda y Condal, 2003).

Global Local
Determinstico Estocstico Determinstico Estocstico
Inverse distance weighted (IDW).
Anlisis de tendencia Regresin EXACTO Krigeado
(Trendsurface) INEXACTO* Splines. EXACTO EXACTO
INEXACTO*
Nearest Neighbor. EXACTO
Interpolacin determinstica (no cuantica el clculo del error de los valores predichos)
Interpolacin Estocstica (cuantica el error de los valores predichos estimando la varianza)
Del cuadro 1, se desprende que los mtodos exactos se diferencian de los inexactos, debido a que en los
primeros el valor interpolado en una localidad donde existe un dato de muestreo, no presenta diferencia
respecto al valor utilizado de base para la interpolacin. Segn Lam (1983) el resultado de la interpolacin
va a depender de las caractersticas del atributo en estudio, de la dependencia espacial y de factores
asociados de la modelizacin del atributo, que se obtiene de la distribucin de los datos sobre el terreno,
la medicin del valor medio, su variabilidad y la eleccin del modelo predictor.
En relacin a lo anterior, es posible destacar los siguientes cuatro mtodos espaciales de interpolacin
(Albrecht, 2007):
1. El primero de ellos es la distancia inversa ponderada (IDW), el cual no puede estimar valores
mayores y/o menores a los valores de los puntos conocidos. Para una supercie inclinada, este mtodo
tiene un efecto de suavizar los picos y valles. Debido a que el valor estimado es el resultado de promedios,
la supercie resultante no pasar por los puntos control.
2. El segundo es el mtodo spline, el cual ajusta una supercie exible a travs de los puntos de
referencia, en vez de promediar valores. El efecto exible es valioso si se quieren estimar valores por
arriba y/o por debajo de los valores de los puntos de referencia. Esta caracterstica hace que este mtodo
sea una buena opcin para estimar valores mayores y/o menores que no estn incluidos en los puntos de
referencia.
78
3. En tercer lugar, el mtodo ms simple, es el de vecindad, el cual est basado en aumentar el dominio
de los valores vecinos (puntos de referencia) para calcular el valor del punto no muestreado, pero el
error estndar tiende a ser ms signicativo que otros mtodos de interpolacin.
4. Y en cuarto lugar, est el Krigeado, que est basado en la teora de las variables regionalizadas y
asume que la variacin espacial es estadsticamente homognea a travs de toda la extensin de
inters. El Krigeado produce el mejor estimador lineal (sin tendencia) de los puntos no muestreados,
siempre y cuando la semivarianza de los datos y el modelo, hayan sido previamente ajustados. Existen
varios tipos de krigeado, por ejemplo, ordinario, universal, puntual, en bloques, co-krigeado. Se suman
a ellos las tcnicas de regresin con krigeado y krigeado con una variable externa, que son mtodos
considerados hbridos y que muchas veces llevan a confusin (Hengl et al., 2003)
79
5.2. APLICACIN DEL KRIGEADO
En este trabajo, se desarrolla el mtodo de interpolacin por krigeado ordinario, por cuanto no existen
direcciones especcas en las tendencias de los datos de intensidad de lluvia en la zona central de Chile
(Flores, 2007). El modelo matemtico (asume media local y varianza constante) utilizado para describir
la variacin espacial de una variable distribuida en el espacio de una forma continua, se expresa como:
Z (x) = (x) + (x) (1)
Donde: Z(x)= variable regionalizada en x; (x)= media local; (x)= componente aleatorio (error). El
semivariograma experimental, dependiente del nmero total de datos y de la consistencia de los
mismos, expresa el grado de dependencia espacial entre muestras vecinas, a saber (Goovaerts, 1997):
1 n
( h) = {Z (xi ) Z (xi + h )}2 (2)
2 N (h ) i =1
Siendo (h)= semivarianza experimental, considerando una distancia h;Z(xi)= valores medidos de la
variable considerada en los puntos xi, existiendo datos en xi y xi+h; N(h)= nmero de pares de datos
separados por la distancia h entre s. Para interpretar el semivariograma, hay que ajustar una funcin o
modelo terico, que proporciona unos parmetros con los cuales es posible describir la variacin
espacial de la variable y que despus van a ser utilizados por el krigeado. El modelo de ajuste para el
ndice I1/I24y las intensidades de lluvia ser el exponencial (Isaaksy Srivastava, 1989):
h

(h) = C 0 + C1 1 e a cuando h > 0 (3)

(h) = 0 cuando h = 0 (4)
Donde: C0= varianza en el origen; a= alcance; h= vector distancia; C0 + C1= meseta.
Finalmente, la prediccin del valor de la variable en un punto no muestral (ZA), por los mtodos de
interpolacin espacial de datos, adoptan en general el siguiente algoritmo para obtener ZA:
n
Z A = i Z i (5)
i =1
Donde ZA= valor interpolado de la variable Z en el punto A; i= peso (o funcin de ponderacin) que se
asigna a la variable Z en el punto de muestro i; Zi= valor de la variable en cada punto i de la muestra de
tamao.
En general, el proceso geoestadstico se lleva a cabo en tres etapas: 1 exploracin de datos, 2 anlisis
estructural para ver su continuidad espacial, mediante el clculo del semivariograma experimental y el
posterior ajuste de una funcin terica que mejor explique su variabilidad espacial, y nalmente, 3 la
prediccin y validacin de la variable en los puntos no muestrales, mediante alguna tcnica de
interpolacin, en este caso, Krigeado ordinario.
80
5.3. REA DE ESTUDIO
El rea de estudio (gura 1) comprende la macrozona biogeogrca central de Chile, con una supercie
de 115.285 Km2 (15,2% de la supercie nacional). Esta macrozona est constituida administrativamente
por las regiones (de norte a sur) de Valparaso, Metropolitana, OHiggins, Maule y Biobo, las que se
encuentran insertas en un sistema climtico mediterrneo, semirido y sub-hmedo (Miller, 1976),
donde la temperatura mnima en invierno es de unos 0C, mientras que la mxima en verano alcanza los
26C, en promedio. Cabe destacar que el rgimen de las precipitaciones en esta macrorregin ocurre en
un 90% durante el periodo mayo septiembre y est principalmente asociado con los frentes fros, que
ocasionalmente alcanzan esta regin cuando el anticicln subtropical del pacco suboriental es
anormalmente dbil (Garreaud y Rutllant, 2006). As, esta macrozona central se caracteriza por una
extrema variabilidad de las precipitaciones entre un ao y otro, observndose ciclos alternos que se
descomponen en perodos muy lluviosos y perodos con precipitaciones por debajo de lo normal, y que
en parte (1/3 de ella), est relacionada con la Oscilacin del Sur y el fenmeno de El Nio (ENSO)
(Aceituno 1988, Montecinos y Aceituno 2003), mientras que el comportamiento interdecadal se asocia
a la oscilacin decadal del pacco (PDO) (Montecinos et al., 2003). Segn datos de la Direccin
Meteorolgica de Chile, la precipitacin de un ao normal en la regin central de Chile, vara
considerablemente tanto de Norte a Sur, como de Cordillera a Ocano Pacco, de 312 mm a 2.000 mm.
Por otra parte, los valores ms altos de precipitacin promedio por da de lluvia se encuentran en torno
a las regiones del Maule y Bo-Bio (Stappung, 1999).
81
5.4. BASE DE DATOS
47 series de datos de precipitacin mxima anual para distintas duraciones (0,25; 0,5; 0,75; 1; 2; 4; 6;
12 y 24 horas), correspondiente a las estaciones de las regiones Metropolitana, Maule y Biobo.
7 estaciones de datos de precipitacin mxima anual para distintas duraciones (0,25, 0,5; 0,75; 1; 2;
4; 6; 12 y 24 horas), correspondiente a las estaciones de las regiones de Valparaso y OHiggins.
190 series de datos de precipitaciones mximas diarias anuales, correspondientes a las estaciones de
las regiones entre Valparaso y Biobo.
Modelo de elevacin digital del terreno ASTER-GDEM (30x30 m).
Se pretende recoger el mximo nmero de estaciones y datos pluviomtricos para alcanzar una adecuada
representacin de la variabilidad espacio-temporal de las precipitaciones intensas, en esta macrozona central
de Chile.
Figura 1. Mapa de Ubicacin de las estaciones pluviomtricas de Chile central.
82
5.5. METODOLOGA DE TRABAJO
Dada la amplitud geogrca del rea de estudio y las caractersticas de las series de datos, se plantea el
siguiente esquema (gura 2) modicado de Salas (2004):
1. Objetivo: Obtener el dato de intensidad mxima anual para cada duracin y periodo de retorno para
todo este territorio.
2. Problema: Ausencia de pluvigrafo en amplias zonas.
3. Solucin: Establecer dos metodologas complementarias en estaciones con y sin pluvigrafos.
Figura 2. Esquema metodolgico para obtener las intensidades mximas de lluvias en Chile Central.
En efecto, inicialmente se recopilaron 54 series de datos de precipitaciones mximas anuales para

distintas duraciones (desde 15 minutos a 24 horas), sin embargo, la representatividad espacial de los
datos resulta ser incipiente (0,00047/km2). Se hizo necesario incorporar nuevas estaciones de medicin
que permitieran mejorar la variabilidad local de las precipitaciones mximas. Se recopilaron 190 series
de datos de precipitaciones mximas diarias anuales y se normaliz la base de datos de todas las
estaciones pluviomtricas del estudio. Adems, se georreferenciaron las estaciones DATUM WGS84
huso 19S. A partir de ello, se confeccionaron los archivos vectoriales para la interpolacin de datos, con
una densidad espacial de 0,002 por km2, todava considerado bajo para zonas montaosas (100 a 250
km2 por estacin descrito por WMO, 1996). El cuadro 2 muestra la distribucin espacial de las estaciones
estudiadas y el anexo 1 presenta las principales caractersticas de estas.
Cuadro 2. Nmero de estaciones con informacin de precipitaciones diarias y horarias, por regin.
Nmero de estaciones Nmero de estaciones

Regin con informacin de precipitacin horaria con informacin de precipitacin diaria
Valparaso 5 35
Metropolitana 13 37
O`Higgins 3 19
Maule 18 47
Bio-Bo 15* 52*
TOTAL 54 190
*Las estaciones (de borde) Poco a Poco y Troyo Endesa estn ubicadas en la Regin de La Araucana.
83
Tratamiento de los datos provenientes de pluvigrafos: Se realiz un anlisis exploratorio de los datos
mediante test estadsticos no paramtricos. Se estimaron intensidades mximas horarias para cada
ao y distintas duraciones (entre 0,25 y 24 horas), mediante el ajuste de la funcin de distribucin de
probabilidad de Gumbel. Se calcul un ndice de precipitacin que relaciona la intensidad horaria con
la intensidad en 24 horas, denominado parmetro K, denidos por Pizarro et al. (2001).
Tratamiento de los datos de precipitacin mximos diarios: Se realiz un anlisis exploratorio de los
datos. Se estimaron intensidades mximas horarias para cada ao. Se determin la funcin de distribu-
cin de probabilidad y sus parmetros mediante L-momentos (Hosking y Wallis, 1997). Se estimaron
para cada estacin de medicin los cuantiles para distintos periodos de retorno.
Se interpolaron mediante krigeado ordinario (modelo exponencial) los valores del parmetros K para el
rea de estudio y se multiplic por la intensidad mxima diaria (ec. 6). A partir de ello, se estimaron la
intensidad horaria para cada estacin y distintos periodos de retorno y duraciones. Se establece que la
intensidad mxima horaria se obtiene con un ndice que relacione la precipitacin de 1 y 24 horas ,
( )
PT / PT de modo que:
1 24
I iT = k I 24
T
(6)
T
Donde: I i = intensidad de precipitacin hora i (i= 0,25; 0,5; 0,75;1; 2;4;6; 12 y 24 hrs); I 24 = intensidad
T
de precipitacin en 24 hrs.
Finalmente, se interpolaron mediante krigeado ordinario (modelo exponencial) los datos de intensidad
de precipitacin para distintos periodos de retorno (5, 10, 25, 50 y 100 aos) y duraciones (0,25; 0,5; 1;
6; 12 y 24 horas). Se elaboraron isolneas de intensidad de lluvias cada 1 mm/h para cada duracin.
84
5.6. RESULTADOS Y DISCUSIN
5.6.1. Exploracin de los datos para el anlisis de frecuencia local y regional
En la primera parte del trabajo se ajust la informacin a la distribucin de valores extremos de Gumbel
con coeciente de asimetra ja (de 1,14). Cuando las series son cortas como las de Chile central, resulta
aceptable esta asimetra por cuanto da robustez a las estimaciones. Sin embargo, valores dismiles a 1,14
la funcin es sensible a subestimar los cuantiles, e incluso no es recomendada, segn Ferrer (1991).
Frente a este planteamiento, para el ajuste de los valores mximos diarios se indicara utilizar las
distribuciones de dos (con asimetra ja) y tres parmetros (con asimetra libre, por ejemplo, pearson
tipo 3 y general de valores extremos) como lo sugerido por Sveinsson et al. (2001).
Datos provenientes de pluvigrafos (intensidades de 15 minutos a 24 horas): El ltrado y la exploracin

de los datos primarios de observaciones contemplaron la deteccin de datos incorrectos y outliers a
travs del test de Grubbs y Beck (Rao y Hamed, 2000), puesto que la presencia de estos ltimos
ocasionan dicultades cuando se trate de ajustar datos a una funcin de distribucin de probabilidad. Es
por esto que ser el juicio del experimentador el que decide eliminar, ponderar o asumir como real la
observacin considerada (Flores, 2007). Se registr menos de un 1% de outlier del total de datos de las
series, donde la mayora de estos registraron en la serie de 12 y 24 horas, por lo cual se eliminaron del
anlisis de precipitaciones.
El estadstico de Wald-Wolfowitz (Garca, 2000), comprob que los datos de precipitaciones son
independientes y estacionarios. De esta forma, este estudio consider un nivel de signicancia del 1%,
para lo cual la totalidad de las series de precipitaciones mximas cumplen el requisito de independencia
y estacionariedad, aun cuando tambin para un nivel de signicancia del 5% puede concluirse que sobre
el 85% de las series cumplen dicho supuesto.
Cuadro 3. Resumen estadstico del anlisis exploratorio de los datos de intensidad horaria.
Nmero de Series con problemas Series con problemas
Duracin (h) de independencia % %
datos anmalos de tendencias
0,25 8 7 14,0 1 2,0
0,5 4 6 12,0 2 4,0
0,75 10 5 10,0 3 6,0
1 9 1 1,9 1 1,9
2 14 6 11,1 3 5,6
4 14 3 5,7 2 3,8
6 14 4 7,5 2 3,8
12 19 4 7,4 0 0,0
24 19 3 5,7 2 3,8
nivel de signicancia igual a 0,05
Otro aspecto importante en el anlisis de las serie temporales fue la deteccin de tendencias montonas,
en trminos de que los procesos hidrolgicos se consideran, convencionalmente, como procesos
estacionarios. Sin embargo, hay una evidencia creciente de la existencia de tendencias y variabilidad a
largo plazo que pueden estar relacionados con inuencias antropognicas y con los rasgos naturales del
clima (Xu et al., 2003). Para ello, se indag la posible presencia de tendencias en las series mximas
extremas de las 54 estaciones pluviogrcas, con el test no-paramtrico de Mann-Kendall (Burn et al., 2002;
85
Yue et al., 2002). No se detectaron tendencias montonas en las series para los valores de conanza
jados para esta investigacin.
Datos provenientes de pluvimetros (precipitaciones diarias en 24 horas): Los datos provenientes de

pluviomtros (intensidad horaria de lluvia diaria) fueron examinados segn las exigencias del anlisis de
frecuencias para vericar la presencia de datos anmalos, estacionariedad e independencia. Se registr
menos de un 2% de outlier del total de datos de las series, por lo cual se eliminaron del anlisis de
precipitaciones.
Cuadro 4. Resumen estadstico del anlisis exploratorio de los datos de intensidad horaria, a partir de
informacin diaria.
Nmero de Series con problemas Series con problemas
Duracin (h) de independencia % %
datos anmalos de tendencias
24 111 0 0,0 0 0,0
El estadstico de Wald-Wolfowitz comprob que los datos de precipitaciones son independientes y

estacionarios. Se indag la posible presencia de tendencias en las series mximas extremas de las 190
estaciones pluviomtricas, utilizando el test de Mann-Kendall. No se detectaron tendencias montonas
en las series para los valores de conanza del 95%.
5.6.2. Georreferencia de intensidades de precipitacin para duraciones cortas y largas
Un primer resultado es obtener archivos vectoriales georreferenciados (DATUM WGS 84 huso 19S) de
las intensidades de lluvias para distintas duraciones y periodos de retorno. Esta informacin espacial
(x,y,z) se sincroniza con el modelo de elevacin digital ASTERGDEM (resolucin de 30 m), como variable
auxiliar. A partir de la informacin de las 54 estaciones pluviogrcas, la gura 3, muestra las
intensidades de lluvia de 1 hora-10 aos para Chile central.
86
Figura 3. Mapa de intensidades para una duracin de 1 hora y un periodo de retorno de 10 aos. Regin
Central de Chile.
5.6.3. Obtencin del parmetro K y su extensin a zonas sin aforo
Asumiendo la hiptesis de comportamiento similar de cuociente de precipitacin I(1,T)/1(24,T) entre

estaciones vecinas, se espacializ este parmetro para toda la zona de estudio (anexo 3). Los resultados
se obtuvieron para todas las duraciones y periodos de retorno mediante la construccin de un algoritmo
que modela la interpolacin de los datos del parmetro K con Krigeado ordinario en ArcGis 9.3 (Model
Builder de ESRI). Esto provoc una reduccin en los tiempos de geoprocesamiento, asumiendo la
complejidad de los modelos tericos utilizados.
87
Figura 4. Cuocientes de precipitacin K I(1,10)/I(24,10)
Segn la gura 4 y para una duracin de 1 hora y un periodo de retorno de 10 aos, el parmetro K vara
entre 3 y 5 en gran parte del territorio de la zona central de Chile. Estos resultados son concordantes por
los obtenidos en Pizarro et al. (2001 y 2008). La gura 5 y el cuadro 5 demuestran que la variabilidad
espacial del ndice de tormenta (I1/I24) para duraciones largas (sobre 1 hora) es muy pequea.
88
89
Cuadro 5. Estimacin del ndices K para distintas duraciones yun periodo de retorno de 10 aos.*
COMUNA REGIN K(0,25_10) K(0,5_10) K(1_10) K(6_10) K(12_10) K(24_10)
VIA DEL MAR VALPARAISO 10,10 6,75 3,41 2,13 1,53 1,00
VALPARAISO VALPARAISO 10,27 6,95 3,42 2,11 1,52 1,00
QUILPUE VALPARAISO 9,97 6,61 3,36 2,13 1,53 1,00
VILLA ALEMANA VALPARAISO 9,85 6,47 3,35 2,13 1,53 1,00
SAN ANTONIO VALPARAISO 12,03 9,12 6,01 2,10 1,48 1,00
QUILLOTA VALPARAISO 9,54 6,10 4,03 2,29 1,57 1,00
SAN FELIPE VALPARAISO 8,76 5,35 3,60 2,07 1,47 1,00
LOS ANDES VALPARAISO 8,73 5,39 3,88 2,10 1,52 1,00
CALERA VALPARAISO 9,49 6,05 3,90 2,23 1,53 1,00
LIMACHE VALPARAISO 9,59 6,15 3,52 2,18 1,54 1,00
CON-CON VALPARAISO 10,00 6,64 3,64 2,17 1,54 1,00
LA LIGUA VALPARAISO 9,77 6,37 3,51 2,11 1,47 1,00
PUENTE ALTO METROPOLITANA DE SANTIAGO 9,46 6,26 4,13 1,96 1,48 1,00
MAIPU METROPOLITANA DE SANTIAGO 11,71 6,78 4,33 2,01 1,49 1,00
LA FLORIDA METROPOLITANA DE SANTIAGO 8,34 5,85 3,78 2,02 1,50 1,00
LAS CONDES METROPOLITANA DE SANTIAGO 8,76 5,92 3,75 2,05 1,50 1,00
SAN BERNARDO METROPOLITANA DE SANTIAGO 11,61 6,83 4,47 1,96 1,48 1,00
PEALOLEN METROPOLITANA DE SANTIAGO 8,31 5,89 3,75 2,04 1,50 1,00
SANTIAGO METROPOLITANA DE SANTIAGO 8,49 5,61 3,99 2,10 1,52 1,00
PUDAHUEL METROPOLITANA DE SANTIAGO 10,19 6,39 4,03 2,01 1,48 1,00
LA PINTANA METROPOLITANA DE SANTIAGO 10,77 6,57 4,31 1,99 1,49 1,00
EL BOSQUE METROPOLITANA DE SANTIAGO 11,80 6,79 4,41 2,02 1,50 1,00
UOA METROPOLITANA DE SANTIAGO 8,88 5,94 3,94 2,07 1,51 1,00
CERRO NAVIA METROPOLITANA DE SANTIAGO 9,72 6,18 4,06 2,07 1,50 1,00
RECOLETA METROPOLITANA DE SANTIAGO 8,77 5,87 3,98 2,09 1,51 1,00
RENCA METROPOLITANA DE SANTIAGO 9,11 6,02 3,96 2,07 1,50 1,00
CONCHALI METROPOLITANA DE SANTIAGO 8,74 5,86 3,94 2,08 1,51 1,00
LA GRANJA METROPOLITANA DE SANTIAGO 10,30 6,33 4,16 2,03 1,50 1,00
ESTACION CENTRAL METROPOLITANA DE SANTIAGO 10,18 6,14 4,24 2,09 1,51 1,00
QUILICURA METROPOLITANA DE SANTIAGO 8,91 5,98 3,85 2,05 1,50 1,00
PROVIDENCIA METROPOLITANA DE SANTIAGO 8,91 5,95 3,96 2,08 1,51 1,00
PEDRO AGUIRRE CERDA METROPOLITANA DE SANTIAGO 11,71 6,61 4,37 2,07 1,51 1,00
LO ESPEJO METROPOLITANA DE SANTIAGO 12,52 6,90 4,47 2,05 1,51 1,00
MACUL METROPOLITANA DE SANTIAGO 9,14 6,00 3,97 2,06 1,51 1,00
LO PRADO METROPOLITANA DE SANTIAGO 9,87 6,13 4,17 2,08 1,51 1,00
QUINTA NORMAL METROPOLITANA DE SANTIAGO 8,82 5,82 4,06 2,09 1,51 1,00
SAN JOAQUIN METROPOLITANA DE SANTIAGO 9,92 6,13 4,11 2,07 1,51 1,00
LA REINA METROPOLITANA DE SANTIAGO 8,57 5,98 3,78 2,05 1,50 1,00
SAN RAMON METROPOLITANA DE SANTIAGO 11,00 6,53 4,28 2,03 1,50 1,00
MELIPILLA METROPOLITANA DE SANTIAGO 8,88 5,98 3,85 1,90 1,44 1,00
LA CISTERNA METROPOLITANA DE SANTIAGO 11,66 6,69 4,37 2,04 1,50 1,00
VITACURA METROPOLITANA DE SANTIAGO 9,06 5,94 3,86 2,07 1,50 1,00
SAN MIGUEL METROPOLITANA DE SANTIAGO 10,62 6,29 4,22 2,07 1,51 1,00
COLINA METROPOLITANA DE SANTIAGO 8,72 5,64 3,88 2,04 1,49 1,00
LO BARNECHEA METROPOLITANA DE SANTIAGO 8,98 5,88 3,78 2,06 1,50 1,00
HUECHURABA METROPOLITANA DE SANTIAGO 8,80 5,87 3,90 2,07 1,50 1,00
CERRILLOS METROPOLITANA DE SANTIAGO 13,23 7,12 4,55 2,06 1,51 1,00
PEAFLOR METROPOLITANA DE SANTIAGO 11,28 6,66 4,33 1,95 1,47 1,00
INDEPENDENCIA METROPOLITANA DE SANTIAGO 8,64 5,80 4,02 2,09 1,51 1,00
BUIN METROPOLITANA DE SANTIAGO 10,89 6,67 4,41 1,92 1,46 1,00
TALAGANTE METROPOLITANA DE SANTIAGO 10,74 6,50 4,25 1,94 1,46 1,00
PAINE METROPOLITANA DE SANTIAGO 10,42 6,52 4,3 1,89 1,45 1,00
LAMPA METROPOLITANA DE SANTIAGO 9,02 5,82 3,79 2,01 1,48 1,00
PADRE HURTADO METROPOLITANA DE SANTIAGO 12,07 6,89 4,43 1,99 1,48 1,00
RANCAGUA OHIGGINS 8,76 5,79 3,76 1,80 1,40 1,00
SAN FERNANDO OHIGGINS 8,56 5,76 3,78 1,80 1,39 1,00
RENGO OHIGGINS 8,22 5,53 3,89 1,78 1,39 1,00
SAN VICENTE OHIGGINS 8,65 5,98 4,09 1,83 1,40 1,00
SANTA CRUZ OHIGGINS 8,99 6,01 4,32 1,88 1,41 1,00
CHIMBARONGO OHIGGINS 8,07 5,35 3,91 1,83 1,40 1,00
TALCA MAULE 12,70 7,40 5,06 2,09 1,49 1,00
CURICO MAULE 8,08 5,32 5,34 2,01 1,42 1,00
LINARES MAULE 8,85 5,77 3,98 1,87 1,42 1,00
CONSTITUCION MAULE 8,53 5,64 4,35 1,93 1,44 1,00
CAUQUENES MAULE 8,78 5,96 4,25 1,89 1,40 1,00
MOLINA MAULE 8,47 5,53 4,81 2,02 1,44 1,00
PARRAL MAULE 9,00 6,40 4,54 1,86 1,39 1,00
SAN JAVIER MAULE 10,37 6,89 4,85 2,00 1,48 1,00
SAN CLEMENTE MAULE 10,76 6,69 4,61 2,00 1,47 1,00
TALCAHUANO BIOBO 16,23 9,79 6,57 2,18 1,46 1,00
CONCEPCION BIOBO 16,78 9,99 5,54 2,17 1,45 1,00
LOS ANGELES BIOBO 8,45 5,92 4,27 1,91 1,42 1,00
CHILLAN BIOBO 6,54 4,97 3,72 1,87 1,34 1,00
CORONEL BIOBO 14,34 8,70 4,92 2,09 1,45 1,00
CHIGUAYANTE BIOBO 15,18 9,14 4,93 2,11 1,44 1,00
SAN PEDRO DE LA PAZ BIOBO 17,10 10,06 5,62 2,16 1,45 1,00
TOME BIOBO 13,18 8,30 5,81 2,12 1,43 1,00
90
Continuacin Cuadro 5.
COMUNA REGIN K(0,25_10) K(0,5_10) K(1_10) K(6_10) K(12_10) K(24_10)
SAN CARLOS BIOBO 8,27 5,88 4,11 1,85 1,34 1,00
LOTA BIOBO 13,62 8,35 4,80 2,07 1,45 1,00
PENCO BIOBO 14,47 9,06 6,20 2,17 1,45 1,00
ARAUCO BIOBO 12,07 7,66 4,63 2,03 1,45 1,00
CURANILAHUE BIOBO 10,71 6,92 4,43 1,99 1,45 1,00
CAETE BIOBO 10,18 6,60 4,15 1,94 1,46 1,00
(*) = Ciudades con poblacin mayor a 30 mil habitantes.
5.6.4. Bondad de ajuste de los valores de intensidades de precipitacin medidos vs modelados
Se prob la calidad de la interpolacin para los datos de intensidades mediante el test

no-paramtrico de Kruskal Wallis, para una muestra de 28 estaciones de un total de 54 estaciones,
por cuanto, las series de datos no provienen de una poblacin de distribucin normal. Slo la
estacin de San Manuel en Perquilauqun present diferencia estadsticamente signicativa (valor p
< 0,05) entre las medianas a un nivel de conanza del 95.0%, lo que signica que los datos
interpolados en esa zona pueden ser no satisfactorios, mientras que, el resto de las estaciones los
resultados son auspiciosos. Para conocer el nivel de ajuste entre lo registrado en el pluvigrafo y lo
modelado mediante krigeado ordinario, por ejemplo, la tabla 1 muestra los datos de la estacin
Parral de la regin del Maule (cuadro 6).
Cuadro 6. Comparacin de las intensidades horarias modeladas y observadas. Estacin Parral

I(d_T) PLUVIGRAFO MODELADO
I(0,25_5) 34.8 35.8
I(0,5_5) 25.1 25.9
I(1_5) 18.1 18.6
I(6_5) 7.3 7.5
I(12_5) 5.3 5.3
I(24_5) 3.7 3.8
I(0,25_10) 40 40.3
I(0,5_10) 29 29.2
I(1_10) 20.7 20.8
I(6_10) 8.3 8.3
I(12_10) 6.3 6.1
I(24_10) 4.4 4.5
I(0,25_25) 46.4 46.6
I(0,5_25) 34 34
I(1_25) 23.9 24.1
I(6_25) 9.7 9.6
I(12_25) 7.5 7.1
I(24_25) 5.2 5.3
I(0,25_50) 51.3 50.9
I(0,5_50) 37.7 37.4
I(1_50) 26.2 25.7
I(6_50) 10.6 10.4
I(12_50) 8.4 8
I(24_50) 5.9 5.9
I(0,25_100) 56 54.9
I(0,5_100) 41.4 40.6
I(1_100) 28.6 27.7
I(6_100) 11.6 11.3
I(12_100) 9.3 8.8
I(24_100) 6.6 6.5
I(d_T): intensidad de lluvia para una duracin d y un periodo de retorno T.
91
En primera instancia, resulta bastante satisfactoria la bondad de ajuste entre los datos reales e
interpolados. No obstante a ello, se muestran los resultados del Test Kruskall-Wallis;
ORIGEN DEL DATO TAMAO MUESTRAL RANGO MEDIO

Pluvigrafo 30 30.5667
Modelado 30 30.4333
Estadstico = 0.000874511 P-valor = 0.976408
Puesto que el p-valor es superior o igual a 0.05, no hay diferencia estadsticamente signicativa entre
las medianas a un nivel de conanza del 95.0%. Esto nos indica que la interpolacin es satisfactoria.
5.6.5. Estimacin de las intensidades de precipitacin para distintas duraciones y periodos de

retorno en zonas sin pluvigrafo
Al igual que Stappung (1999), se presenta el cuadro 7 con la extensin a las principales comunas de
la zona central de Chile (de 54 a 190 estaciones), de las intensidades de precipitacin I(D,T) para cada
duracin y periodo de retorno obtenidas mediante algebra de mapas, con el uso del cuociente de
precipitacin I(1,T)/I(24,T), o tambin llamado, parmetro K.
Cuadro 7. Intensidades de lluvias para una duracin de 1 hora y un periodo de retorno de 25 aos,
comunas sobre 30 mil habitantes.
COMUNA REGIN I(1,5) I(1,10) I(1,25) I(1,50) I(1,100)
VIA DEL MAR VALPARAISO 16,3 19,0 22,6 25,3 28,3
VALPARAISO VALPARAISO 16,4 19,2 22,8 25,6 28,6
QUILPUE VALPARAISO 16,9 19,6 23,3 26,1 29,1
VILLA ALEMANA VALPARAISO 17,0 19,6 23,2 26,0 28,9
SAN ANTONIO VALPARAISO 17,0 20,1 23,7 26,3 29,1
QUILLOTA VALPARAISO 15,3 17,7 20,9 23,6 26,3
SAN FELIPE VALPARAISO 10,2 11,6 13,4 15,0 16,7
LOS ANDES VALPARAISO 10,7 12,1 13,8 15,4 17,0
CALERA VALPARAISO 14,4 16,6 19,7 22,1 24,8
LIMACHE VALPARAISO 16,5 19,0 22,4 25,0 27,8
CON-CON VALPARAISO 15,6 18,1 21,6 24,3 27,3
LA LIGUA VALPARAISO 11,2 12,9 15,3 17,3 19,5
PUENTE ALTO METROPOLITANA DE SANTIAGO 14,8 16,9 19,4 21,2 23,0
MAIPU METROPOLITANA DE SANTIAGO 11,8 13,6 15,8 17,5 19,1
LA FLORIDA METROPOLITANA DE SANTIAGO 13,5 15,3 17,5 19,1 20,7
LAS CONDES METROPOLITANA DE SANTIAGO 12,5 14,1 16,1 17,6 19,0
SAN BERNARDO METROPOLITANA DE SANTIAGO 13,8 15,9 18,4 20,2 22,0
PEALOLEN METROPOLITANA DE SANTIAGO 13,0 14,7 16,8 18,3 19,8
SANTIAGO METROPOLITANA DE SANTIAGO 11,3 12,8 14,8 16,3 17,7
PUDAHUEL METROPOLITANA DE SANTIAGO 11,8 13,7 15,9 17,6 19,2
LA PINTANA METROPOLITANA DE SANTIAGO 13,7 15,6 18,0 19,8 21,5
EL BOSQUE METROPOLITANA DE SANTIAGO 12,9 14,8 17,1 18,8 20,5
UOA METROPOLITANA DE SANTIAGO 12,1 13,7 15,7 17,3 18,8
CERRO NAVIA METROPOLITANA DE SANTIAGO 11,3 13,0 15,0 16,6 18,1
RECOLETA METROPOLITANA DE SANTIAGO 11,5 13,0 15,0 16,5 17,9
RENCA METROPOLITANA DE SANTIAGO 11,2 12,9 14,9 16,4 17,9
CONCHALI METROPOLITANA DE SANTIAGO 11,3 12,9 14,8 16,3 17,8
LA GRANJA METROPOLITANA DE SANTIAGO 12,9 14,7 16,9 18,5 20,1
ESTACION CENTRAL METROPOLITANA DE SANTIAGO 11,2 12,9 14,9 16,4 17,9
QUILICURA METROPOLITANA DE SANTIAGO 11,4 13,1 15,1 16,6 18,1
PROVIDENCIA METROPOLITANA DE SANTIAGO 11,7 13,3 15,2 16,7 18,2
PEDRO AGUIRRE CERDA METROPOLITANA DE SANTIAGO 11,9 13,7 15,8 17,4 19,0
LO ESPEJO METROPOLITANA DE SANTIAGO 11,9 13,7 15,9 17,5 19,1
MACUL METROPOLITANA DE SANTIAGO 12,4 14,1 16,2 17,8 19,4
LO PRADO METROPOLITANA DE SANTIAGO 11,2 12,9 14,9 16,5 18,0
QUINTA NORMAL METROPOLITANA DE SANTIAGO 11,2 12,8 14,8 16,3 17,8
SAN JOAQUIN METROPOLITANA DE SANTIAGO 12,2 13,9 16,0 17,6 19,2
LA REINA METROPOLITANA DE SANTIAGO 12,3 13,9 15,8 17,3 18,8
SAN RAMON METROPOLITANA DE SANTIAGO 12,8 14,7 16,9 18,6 20,2
MELIPILLA METROPOLITANA DE SANTIAGO 13,8 16,3 19,0 21,0 23,2
LA CISTERNA METROPOLITANA DE SANTIAGO 12,5 14,3 16,5 18,2 19,8
VITACURA METROPOLITANA DE SANTIAGO 11,8 13,3 15,2 16,6 18,0
92
Cuadro 7. (Continuacin) Intensidades de lluvias para una duracin de 1 hora y un periodo de
retorno de 25 aos, comunas sobre 30 mil habitantes.
COMUNA REGIN I(1,5) I(1,10) I(1,25) I(1,50) I(1,100)
SAN MIGUEL METROPOLITANA DE SANTIAGO 12,0 13,7 15,8 17,4 19,0
COLINA METROPOLITANA DE SANTIAGO 11,4 12,9 14,8 16,3 17,7
LO BARNECHEA METROPOLITANA DE SANTIAGO 12,2 13,8 15,7 17,2 18,6
HUECHURABA METROPOLITANA DE SANTIAGO 11,5 13,0 14,9 16,4 17,8
CERRILLOS METROPOLITANA DE SANTIAGO 11,5 13,3 15,3 16,9 18,5
PEAFLOR METROPOLITANA DE SANTIAGO 13,2 15,3 17,8 19,6 21,4
INDEPENDENCIA METROPOLITANA DE SANTIAGO 11,3 12,8 14,8 16,2 17,7
BUIN METROPOLITANA DE SANTIAGO 15,1 17,4 20,2 22,1 24,0
TALAGANTE METROPOLITANA DE SANTIAGO 13,9 16,2 18,8 20,7 22,6
PAINE METROPOLITANA DE SANTIAGO 15,7 18,1 20,9 22,9 24,8
LAMPA METROPOLITANA DE SANTIAGO 12,3 14,1 16,3 18,1 19,7
PADRE HURTADO METROPOLITANA DE SANTIAGO 12,4 14,4 16,7 18,5 20,2
RANCAGUA OHIGGINS 13,6 15,5 17,6 19,3 20,8
SAN FERNANDO OHIGGINS 16,7 19,0 21,7 23,7 25,5
RENGO OHIGGINS 14,2 16,1 18,3 20,0 21,6
SAN VICENTE OHIGGINS 16,5 18,8 21,4 23,3 25,1
SANTA CRUZ OHIGGINS 17,3 19,8 22,7 24,8 26,8
CHIMBARONGO OHIGGINS 16,6 19,0 21,8 24,0 26,0
TALCA MAULE 16,5 18,6 21,1 23,0 25,0
CURICO MAULE 17,0 19,6 23,0 25,4 28,0
LINARES MAULE 16,7 18,7 21,4 23,4 25,5
CONSTITUCION MAULE 16,5 18,7 21,0 23,0 24,9
CAUQUENES MAULE 18,0 20,3 23,2 25,4 27,6
MOLINA MAULE 17,6 20,0 23,1 25,5 27,9
PARRAL MAULE 17,2 19,5 22,5 24,7 27,0
SAN JAVIER MAULE 16,7 18,9 21,5 23,5 25,5
SAN CLEMENTE MAULE 17,2 19,4 22,1 24,0 26,2
TALCAHUANO BIOBO 23,6 27,2 31,9 35,6 39,3
CONCEPCION BIOBO 24,0 27,6 32,4 36,1 39,9
LOS ANGELES BIOBO 16,9 19,3 22,5 25,1 28,0
CHILLAN BIOBO 18,1 21,2 25,1 28,2 31,4
CORONEL BIOBO 24,2 27,6 32,3 35,8 39,7
CHIGUAYANTE BIOBO 23,9 27,4 32,2 35,8 39,6
SAN PEDRO DE LA PAZ BIOBO 25,6 29,3 34,2 38,0 41,9
TOME BIOBO 21,2 24,6 29,2 32,9 36,8
SAN CARLOS BIOBO 18,4 21,2 24,9 27,7 30,5
LOTA BIOBO 23,5 26,8 31,3 34,7 38,4
PENCO BIOBO 22,7 26,1 30,9 34,6 38,5
ARAUCO BIOBO 23,7 26,9 31,3 34,5 38,3
CURANILAHUE BIOBO 23,7 26,8 31,1 34,1 37,9
CAETE BIOBO 16,8 19,4 22,7 25,1 28,1
En la regin de Valparaso, de clima templado clido, la comuna de Valparaso registra las mayores
intensidades de lluvia, para un periodo de retorno de 10 aos, 25,9 y 22,8 mm/h respectivamente.
En la zona costera destaca la menor amplitud trmica por la inuencia martima; en que a menudo
se verica tambin una disminucin de las precipitaciones anuales. Tambin la humedad relativa
decrece hacia el interior, agravndose as las condiciones de dcit hdrico. Esta situacin se repite
en las regiones Metropolitana, OHiggins, Maule, y parte del Biobo. En la regin Metropolitana, en
el lmite entre las comunas de Puente Alto y San Jos de Maipo, se registran las mayores
intensidades de lluvia (23,7 mm/h). Asimismo, la comuna de Paine tambin registra altos valores de
intensidad (22,1 mm/h). En la regin de O`Higgins existe poca informacin pluviomtrica, pero la
comuna de Chpica registr los valores ms altos con 23,8 mm/h. En la regin del Maule destacan
los sectores aledaos a embalses. Destacan la zona oriente, en los faldeos de la precordillera andina
de las comunas de Colbn, Linares y Parral con registros sobre los 27 mm/h, para un periodo de
retorno de 10 aos. Finalmente, los sectores costeros de la baha de Concepcin, correspondiente a
las comunas de San Pedro de la Paz, Dichato, Concepcin, Hualpn, Penco y Talcahuano, presentaron
altos valores de intensidad.
93
De acuerdo a las estimaciones realizadas por Stappung (1999), la intensidad de lluvia en Santiago para
10 aos - 1 hora de duracin es de 12 mm/h, con una desviacin de 1 mm/h. Snchez y Varas (1984),
tambin obtuvieron similares resultados (12 mm/h). El cuadro 7, muestra un valor levemente superior
de 12,8 mm/h. Sin embargo, los registros de intensidades dentro de la ciudad de Santiago pueden variar
de 3 a 4 mm/h entre estaciones de medicin, por lo cual se debe tener cautela con los valores
promedios por ciudad. Por su parte, dichos estudios sealan que en la ciudad de Concepcin la
intensidad de lluvia no diere signicativamente para 10 aos -1hora (22,7; 25,0; 27,6 mm/h). De igual
forma, para periodos de retornos altos 100 aos - 1hora, en Santiago son de 18,0, 16,0 y 17,7,
respectivamente, mientras que en la ciudad de Concepcin, son de 36,0, 33,3 y 39,9, respectivamente.
En estas ltimas cifras se puede observar un diferencia signicativa (6 mm/h) entre las intensidades
estimadas.
Considerando los aspectos metodolgicos y la dismil longitud de las series analizadas, existen mayores
diferencias entre las intensidades de lluvias de corta duracin. Para la ciudad de Santiago la intensidad
de precipitacin para 10 aos- 30 min es 16,0mm/h (Stappung, 1999) y 20,5 mm/h (presente estudio).
Esta diferencia se hace ms notoria para periodos ms altos, 100 aos-30 min, a saber: 23,5 y 29,5
mm/h, respectivamente. No se puede descartar, en primera instancia, que las intensidades de lluvia de
corta duracin son cada vez ms intensas.
Es difcil poder establecer que la metodologa estadstica del anlisis de distribucin de frecuencias de
series de precipitaciones mximas, pueda proporcionar la nica fuente precisa de datos de los procesos
de eventos extremos. Actualmente, es posible utilizar informacin complementaria proveniente de
radares meteorolgicos que entregan un mapa de precipitacin con alta resolucin espacial y temporal.
Esto es importante cuando la representacin espacial de la red de observacin es baja, sobretodo en la
Cordillera de la Costa y los Andes.
Dada la gran amplitud y variabilidad geogrca del rea de estudio, cabe hacer notar de los complejos
mecanismos que fuerzan la cada de lluvias intensas en la zona central de Chile. Un acercamiento desde
el punto de vista climatolgico fue realizado por Barret et al.(2011) y Barret y Garraud (2009). Ellos
describen como afectan los factores topogrcos (a escala regional) en la estructura frontal de las
precipitaciones de la macrozona central de Chile.
Sin duda, el acercamiento presentado de las relaciones espaciales de la intensidad-duracin-frecuencia

resultan orientativas para contribuir al escaso conocimiento escrito sobre la estructura y recurrencia de
las tormentas intensas de esta zona. A continuacin, se presenta la gura 6, que muestra los resultados
de la extensin de las relaciones intensidad-duracin-frecuencia (de 54 a 190 estaciones) para las
intensidades de precipitacin de 1 hora y distintos periodos de retorno (10, 50 y 100 aos) en la zona
central de Chile.
94
95
5.6.6. Exploracin de variables auxiliares para mejorar las estimas de intensidad de precipitacin
Puesto que hay un nmero relativamente pequeo de puntos de muestra (es decir, 190 estaciones)
disponibles para este estudio, parece razonable investigar ms a fondo la adecuacin de otras tcnicas
de interpolacin, por ejemplo, co-krigeado. Para determinar si la tcnica de co-krigeado es capaz de
mejorar los resultados de interpolacin espacial, el primer paso es identicar la presencia de otras
variables regionalizadas que se correlacionen adecuadamente con la intensidad de lluvias.
5.6.6.1. Altitud
Varias investigaciones muestran que la intensidad de lluvia tiene un comportamiento ascendente hasta
los 400 600 m.s.n.m, superior a estas elevaciones, la intensidad de lluvia comienza a disminuir (Bek et
al., 2010; Allamano et al., 2009). Sin embargo, con los datos de Chile central no se pudo encontrar un
patrn concordante con la altitud. Estos Resultados son concordantes a los presentados en Michigan por
MDOT (2008). La gura 7 ilustra un grco de dispersin de las intensidades de lluvia de cada una de las
estaciones de medicin (5 aos, 24 horas), en funcin de la elevacin sobre el nivel del mar. El diagrama
de dispersin sugiere que la elevacin no tiene buena correlacin con las estimaciones de intensidad de
lluvia. Una prueba estadstica de t-student se realiz para determinar la signicacin de la pendiente
obtenida a partir de la regresin lineal simple. Los resultados de la prueba de la t demostr que, a un
nivel de signicacin 0.05, la hiptesis nula debe ser rechazada. Por lo tanto, la elevacin y la intensidad
de lluvia no estn bien correlacionadas.
100 20
DURACIN 15 MINUTOS, PERIODO DE RETORNO 5 AOS DURACIN 24 HORAS, PERIODO DE RETORNO 5 AOS
Coef of determination, R-squared = 0.0182005 Coef of determination, R-squared = 0.0138926
90
80
INTENSIDAD DE PRECIPITACIN (mm/h)
70
60
10
50
40
30
20
10 0
0 400 800 1200 1600 100000 200000 300000 400000

ALTITUD (m.s.n.m.) LONGITUD (m.)
Figura 7. Correlacin entre altitud e intensidad de lluvia para D=15 minutos y T= 5 aos (izquierda)
y Correlacin entre altitud e intensidad de lluvia para D=24 horas y T= 5 aos (derecha).
Los siguientes grcos de la gura 8 demuestran que para distintas duraciones de lluvia no
permiten encontrar una tendencia o correlacin adecuada (es decir, sobre 80%) entre intensidad
y elevacin. Para ventanas de 15 minutos, las intensidades de lluvias en territorios bajos (< 400
m.s.n.m.) pueden variar de 20 a 94 mm/h, por lo que existen otros factores meteorolgicos que
explicaran mejor este comportamiento. En la gura 8, se demuestra que para distintas duraciones
de intensidad de lluvia el modelo queda pobremente explicado por la altitud (R2< 0,1).
96
100 60
DURACIN 15 MINUTOS, PERIODO DE RETORNO 5 AOS DURACIN 30 MINUTOS, PERIODO DE RETORNO 5 AOS
90
80 50

70
40
60
50
30
40
30
20
20
10 10
0 400 800 1200 1600 0 400 800 1200 1600
ALTITUD (m.s.n.m.) ALTITUD (m.s.n.m.)
50 30
DURACIN 1 HORA, PERIODO DE RETORNO 5 AOS DURACIN 6 HORAS, PERIODO DE RETORNO 5 AOS
40
20
30
20
10
10
0 0
0 400 800 1200 1600 0 400 800 1200 1600

20 20
DURACIN 12 HORAS, PERIODO DE RETORNO 5 AOS DURACIN 24 HORAS, PERIODO DE RETORNO 5 AOS
10 10
0 0
0 400 800 1200 1600 0 400 800 1200 1600

Figura 8. Grcos de dispersin entre altitud e intensidad para distintas duraciones(D= 0,25; 0,5; 1; 6; 12
y 24 horas) y un periodo de retorno de 5 aos.
97
5.6.6.2. Longitud y Latitud
Allamano et al. (2009) incorpora la longitud como una variable externa para interpolar datos de
intensidades de lluvia para duraciones cortas de tres sub-regiones de los Alpes Italianos. Aun cuando las
correlaciones entre intensidad y longitud no son presentadas, se provee un mapa de intensidad de lluvia
para distintas duraciones, con una bondad de ajuste bastante discutible. Para los datos de Chile central
(gura 9), el modelo queda pobremente explicado por la longitud, por cuanto el coeciente de
determinacin no supera el 20%.
100 20
90
80

70
60
10
50
40
30
20
10 0
100000 200000 300000 400000 100000 200000 300000 400000

LONGITUD (m.) LONGITUD (m.)
Figura 9. Correlacin entre longitud e intensidad D=15 minutos y T= 5 aos (izquierda) y Correlacin
entre longitud e intensidad D=24 horas y T= 5 aos (derecha).
En cuanto a la latitud, Pizarro et al. (2007) vericaron y expusieron que, a medida que las estaciones se
ubican ms hacia el sur, los montos de las precipitaciones evidencian una tendencia a aumentar con la
latitud. Sin embargo, en relacin al comportamiento de las intensidades mximas de precipitacin,
estas evidenciaron una tendencia muy leve a aumentar con la latitud, principalmente para el periodo de
retorno de 5 aos, mientras que para el periodo de retorno de 100 aos el comportamiento tiende a ser
irregular. Incluso se observ la existencia de valores de intensidades muy similares entre estaciones
ubicadas al norte, con estaciones ubicadas ms al sur, como ocurre con la estacin Queln y Talca, las
que presentan intensidades de 9,67 y 10,78 mm/h respectivamente para un periodo de retorno de 5
aos y valores de 16,8 y 16,3 mm/h para el periodo de retorno de 100 aos. Asimismo, estas estaciones
se encuentran distanciadas ms de 700 km en lnea recta. Un caso similar se observ con la estacin
Embalse La Paloma, que con 23,4 mm/h para el periodo de retorno de 100 aos, supera a las cuatro
estaciones ubicadas ms al sur de la zona de estudio, como son Traigun, Curacautn, Pueblo Nuevo y
Pucn con 22,0, 20,4, 18,6 y 21,4 mm/h, respectivamente.
5.6.6.3. Precipitacin media anual e ndices de agresividad climtica
Por ltimo, la gura 10 muestra una sugerente tendencia lineal ascendente entre la precipitacin media
anual y la intensidad mxima de lluvia. El diagrama de dispersin, sugiere que la precipitacin media
anual puede ser estar ligeramente correlacionada con la intensidad de lluvia
98
(5 aos- 15 min) y que esta correlacin aumenta con duraciones de 5 aos-24horas. Esta conclusin,
concordara que los resultados de Stappung (1999), pero las correlaciones encontradas son mayores a
las encontradas por otros autores (por ejemplo, Allamano et al., 2009).
90 20
80

70
60
50 10
40
30
20
10 0
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
PRECIPITACIN MEDIA ANUAL (mm/ao) PRECIPITACIN MEDIA ANUAL (mm/ao)
Figura 10. Correlacin entre precipitacin media anual e intensidad D=15 minutos y T= 5 aos
(izquierda) y Correlacin entre precipitacin media anual e intensidad D=24 horas y T= 5 aos (derecha).
Las correlaciones aumentan cuando se relaciona la intensidad de lluvia con ndices de agresividad
climtica. En el caso de la relacin entre el ndice de Fournier e intensidad de lluvia (gura 11), el
coeciente de determinacin alcanza el valor 0,6 para 5 aos- 15 min y sobrepasa el 0,85 para 5 aos-24
horas. Una relacin inversa, result entre el ndice de concentracin de precipitacin y la intensidad de
lluvia. En este caso (gura 12), la bondad de ajuste es bastante pobre en todas las duraciones y periodos
de retorno. En la mayora de los casos el coeciente de determinacin no supera el 25%.
90 20
80
70
60
10
50
40
30
20 0
0 50 100 150 200 250 300 0 50 100 150 200 250 300
NDICE DE FOURNIER NDICE DE FOURNIER
Figura 11. Correlacin entre ndice de Fournier e intensidad D=15 minutos y T= 5 aos (izquierda) y
Correlacin entre ndice de Fournier e intensidad D=24 horas y T= 5 aos (derecha).
99
90 20
80

70
60
10
50
40
30
20 0
12 16 20 24 28 32 36 12 16 20 24 28 32 36
NDICE DE CONCENTRACIN DE PRECIPITACIN NDICE DE CONCENTRACIN DE PRECIPITACIN
Figura 12. Correlacin entre ndice de concentracin de precipitacin e intensidad D=15 minutos y T= 5
aos (izquierda) y Correlacin entre ndice de concentracin de precipitacin e intensidad D=24 horas y
T= 5 aos (derecha).
Cabe agregar que este trabajo no analiz la inuencia de la cercana a lagos en los montos de intensidad
de lluvias. Aravena (2006) demostr para datos de intensidades de lluvia de Chile central, que estas se
incrementan notablemente en las estaciones cercanas a cuerpos de aguas. Por lo tanto, se sugiere
insistir con este anlisis de variables auxiliar. Sin embargo, MDOT (2008), present resultados adversos
de la correlacin entre ambas variables, lo que hace poner en duda para este caso el uso de una tcnica
de interpolacin como el co-krigeado, para alcanzar una mejora signicativa, e incluso sobre el mtodo
de krigeado ordinario o universal.
5.6.7. Interpolacin de las intensidades de lluvia
El proceso de interpolacin espacial pudo lograrse mediante krigeado ordinario, ajustando una
supercie a la precipitacin puntual de las estimaciones de la IDF. El objetivo fue lograr el mejor ajuste
de una funcin a una serie 190 puntos (o estaciones); se seleccion el modelo exponencial porque
explic mejor el patrn de variabilidad espacial de la variable precipitacin, desde un punto de vista
estadstico (menor error cuadrtico medio de las estimas).
A partir de los valores de intensidades de lluvia, para distintas duraciones y periodos de retorno de los
distintos puntos muestrales, se consigui un mapa que representa cules son los valores estimados de
la misma, en cualquier punto del rea estudiada y con una precisin adecuada. El anlisis geoestadstico
no consider anisotropa debido a que no existen en principio causas que la puedan justicar. Adems,
con 190 puntos muestrales, la inuencia de las diferentes direcciones del espacio hubiera supuesto la
imposibilidad de denir unos variogramas direccionales aceptables (Isaaks y Srivastava, 1989). La
estimacin se realiz por krigeado ordinario, para una retcula, formada por celdas cuadradas de 1 x 1
Km. Al igual que Moral et al. (2003), esta estimacin geoestadstica supone mejorar a los otros mtodos
de interpolacin probados (Spline y Inverso de la Distancia ponderado) porque adems de ser un
estimador lineal e insesgado hace mnima la varianza de la estimacin en cada punto, y obtiene
adicionalmente un valor puntual de la varianza o de la desviacin tpica.
100
Paso 1: Exploracin de datos para la interpolacin. Normalidad y anlisis de tendencia
El test de normalidad Shapiro Wilk (cuadro 8) detect que los datos de intensidad de precipitacin para
todas las estaciones (190) no provienen de una distribucin normal, puesto que el valor-p es menor a
0,05. Por lo tanto, se transformaron los datos con funcin logartmica (LOG(X)).
Cuadro 8. Resultados del Test de Normalidad, mediante algoritmo de ShapiroWilk, para la serie de datos
de intensidad de lluvia, para D= 1 hora y T= 25 aos.
Adems, no se detectaron tendencias en los datos de tipo lineal, cuadrtica, ni polinmica. Como
ejemplo se muestra la gura 13.
Trend Analysis
Data Source: GEO_IDF Attribute: I1_25
Figura 13. Grca de tendencia de los datos de entrada al modelo geostadstico.
Paso 2: Clculo de los semivariogramas
El anlisis exploratorio del semivariograma nos permite comprobar que las estaciones ms prximas
presentan un mayor grado de similitud en sus semivarianzas y que estas aumentan a medida que se
incrementa la distancia entre los puntos. Aunque tambin se observa que algunas estaciones, a pesar
de estar muy distantes, son muy parecidas en cuanto a su semivarianza. La construccin del
semivariograma experimental (gura 15) se realiz con un intervalo de distancia de 57.670 m (lag size),
con una tolerancia en la direccin de 45. El nmero de intervalos en que se han agrupado las
distancias ha sido 12. El modelado del semivariograma se realiz mediante el
101
ajuste del modelo exponencial. No se pudo comprobar un comportamiento anisotrpico ya que la nube
de puntos del semivariograma no cambia segn la direccin elegida. Debido a la extensin del rea de
estudio y el nmero de estaciones de medicin, los parmetros obtenidos como la meseta se estabilizan
a mucha ms distancia (20 km), siguiendo la direccin del eje mayor de la elipse (NS), donde la
pendiente de la curva es mucho ms suave.
Figura 15. Semivariograma experimental y terico (modelo exponencial) para intensidades para una 1
hora y um perodo de retorno de 25 aos.
Sin embargo, los parmetros del variograma, la inuencia prctica del alcance (a) y la meseta (C0+C1)
son funciones del intervalo de recurrencia y de la duracin de la lluvia de diseo. Esas relaciones son
bien consistentes con las caractersticas aleatorias de las precipitaciones extremas. Por lo tanto,
considrese vlidas las relaciones presentadas (Cheng et al., 2003).
Paso 3: Validacin cruzada
La eleccin de un modelo terico u otro para el semivariograma muestral y la eleccin de los dems
parmetros, como son el nmero de puntos vecinos que se consideran en la interpolacin o el radio de
bsqueda, pueden ser asesoradas por una validacin del modelo geoestadstico, que tambin puede
servir para comparar el funcionamiento de diferentes metodologas de interpolacin. Para evitar el
desgaste de informacin, se suele usar la validacin cruzada (Vanderlinden, 2003), donde se elimina y
estima cada observacin a su vez. Existen diferentes medidas estadsticas para cuanticar la calidad de
las estimaciones. En este estudio usaremos el error cuadrtico medio (EMC) que reejan tambin la
exactitud pero dando ms peso a los errores ms grandes. Con la validacin del modelo de
semivariograma mediante validacin cruzada (cross-validation) utilizando las ecuaciones del krigeado
de modo retrospectivo (Caada, 2004), se obtuvieron los errores de la prediccin. La bondad de ajuste
del modelo usado para la estimacin se aproxima a cero (media de los errores y la media tipicada) por
lo cual las predicciones sern menos sesgadas. El error cuadrtico medio cuanto ms pequeo ms se
aproxima el valor de la prediccin al valor real. Para valorar la variabilidad de la prediccin, se utiliza el
error tpico medio que tiene que estar prximo al error cuadrtico medio para que la variabilidad sea la
correcta. Sera similar decir que el error cuadrtico medio tipicado, tiene que estar prximo a 1. A
continuacin, se muestra un ejemplo para la interpolacin de 25 aos- 1 hora.
PREDICTION ERRORS
SAMPLES 190 OF 190
MEAN -0,0065
ROOT-MEAN-SQUARE 4,6956
MEAN STANDARDIZED -0,0071
ROOT-MEAN-SQUARE STANDARDIZED 1,0766
AVERAGE STANDARD ERROR 4,3385
102
En este caso particular y para una muestra de 190 valores distribuidos entre las regiones de Valparaso y
Biobo, el error cuadrtico medio bordea los 4,69, mientras que el error cuadrtico medio estandarizado
de la interpolacin es prximo a 1. A pesar de que el EMC no es bajo, es la mejor aproximacin
encontrada por el modelo exponencial, a diferencia de otros modelos de krigreado probados (por
ejemplo, circular, esfrico, gaussiano y estable).
Figura 16. Grco de dispersin entre valores interpolados y reales.
La gura 16, permite evaluar la calidad de las estimaciones de intensidad de lluvia. En este caso, se
muestra la diferencia entre los valores reales e interpolados para 25 aos 1 hora. En los registros de
intensidades muy bajas y muy altas, se presenta la mayor dispersin de las estimaciones.
Figura 17. Mapa de los errores estndar de la prediccin.
La gura 17 presenta espacialmente la prediccin del error estndar alrededor de cada estacin. Se
puede apreciar que los valores varan en un rango de 4 a 6, lo que se aleja al valor cero deseado de una
interpolacin exacta. Cabe indicar que los valores altos de error se localizan mayoritariamente en zonas
costeras y andinas, donde la red de estaciones es pobre o casi nula y
103
no pueden recoger la variabilidad espacio-temporal de las lluvias intensas en altas elevaciones. El error
de estimacin bordea los 6 mm/h en las zonas cordilleranas. En denitiva, una buena bondad de ajuste
debera presentar un histograma centrados en el valor cero y deberan de ser lo ms estrechos posible.
Adicionalmente los errores se deben distribuir homogneamente en torno al valor cero, cuando se les
representa en funcin de los valores observados. As se puede controlar visualmente si la estimacin es
igual de ecaz para todos los valores observados.
Cabe hacer destacar la dicultad en la seleccin de un mtodo apropiado de interpolacin espacial, que
se atribuye en gran medida a la variabilidad de muestreo y la escasez de puntos de medicin, lo que
conduce a un alto grado de incertidumbre en las estimaciones del anlisis de frecuencia. En el futuro, la
precisin de la interpolacin mejorar en la medida de incorporar a la base de datos, nuevas estaciones
pluviomtricas pertenecientes a empresas privadas y/o la incorporacin de otros mtodos (regresin
krigeada) o variables auxiliares, con el objeto de aumentar la conanza en las estimaciones interpoladas.
5.6.8. Mapa de isolneas de intensidad de precipitacin para la zona central de Chile
La construccin del mapa de la isolneas se realiz a un intervalo de 1mm/h, a partir del histograma de
valores de intensidades, para dar una representacin cartogrca adecuada a la zona de estudio. Esto
permiti destacar la distribucin total de la variacin espacial de las intensidades de lluvia. La gura 18
muestra las isolneas de intensidad de precipitacin para una duracin de 1 hora y un periodo de retorno
de 25 aos.
104
Figura 18. Mapa de isolneas de intensidad de precipitacin mxima horaria para una duracin de 1 hora
y un periodo de retorno de 25 aos.
Estos resultados deberan contribuir a mejorar los resultados obtenidos por MINVU (1996). Otro
resultado interesante que presenta la variabilidad espacial de las lluvias intensas de la zona central de
Chile, es un mapa de isolneas de precipitaciones mximas para 30 aos-24 horas, a partir de datos
interpolados de la Direccin General de Aguas de Chile (Rojas et al., 2010).
105
5.7. CONCLUSIONES
Los resultados obtenidos en esta investigacin, concuerdan con los estudios de Snchez y Varas (1984),
Stappung (1999) y Pizarro et al. (2001 y 2008), en trminos de las magnitudes de las intensidades
horarias mximas de precipitacin (duracin y frecuencia) para la regin central de Chile. Sin embargo,
la incorporacin del anlisis regional de frecuencias provoca que la robustez de las estimaciones sea
ciertamente mayor, mejorando las estimaciones que resultan de un anlisis local de frecuencia, donde
se resuelve la carencia en el tiempo con la abundancia en el espacio.
El comportamiento espacio-temporal permite establecer que la variabilidad espacial del ndice de

tormenta (I1/I24) para duraciones largas (sobre 1 hora) sea muy pequea, mientras que el cuociente
precipitacin-duracin, sea una muestra independiente del periodo de retorno.
Los resultados obtenidos de valores anuales mximos de precipitacin pueden ser utilizados para
estimar la lluvia de diseo de proyectos en la regin central de Chile, capaces de obtener un valor
conable de I (d,T). Adems, reproducen las propiedades estadsticas de las lluvias extremas observadas
para la regin de estudio. As, la aplicabilidad de mtodos de interpolacin para la estimacin de la lluvia
de diseo es una herramienta fundamental para zonas sin registros pluviomtricos. Se debe insistir que
el nmero de estaciones pluviomtricas es bajo, problema que no se resuelve instantneamente con la
instalacin de nuevas estaciones, pues deben transcurrir varios aos para recoger una nueva serie de
datos de precipitacin conable. Ahora bien, siempre es deseable contar con una red de medicin ms
densa, a mediano plazo.
El Krigeado ordinario, junto con la utilizacin de un sistema de informacin geogrca, result ser una
ecaz tcnica de interpolacin de datos muestrales, permitiendo realizar una cartografa de ndice de
precipitacin e intensidades para distintas duraciones (cortas y largas) y periodos de retorno, a partir del
anlisis de frecuencias de precipitaciones anuales mximas. Asimismo, genera un estimador lineal e
insesgado que hace mnima varianza del error de estimacin. Resulta interesante indagar nuevas
variables auxiliares que mejoren las estimas de los modelos de interpolacin, por ejemplo, el estudio de
las inuencias de las masas y cuerpos de aguas en la intensidad de lluvia para duraciones cortas (< 1
hora) y largas (> 1 hora). Se hace necesario robustecer el modelo para intensidades de precipitacin
sobre cotas de 1.600 m.s.n.m., debido a la inuencia topogrca en reas de montaa.
Este trabajo permiti la construccin de un mapa de distribucin espacial (isolneas) de intensidades

mximas precipitacin para distintas duraciones y periodos de retorno, herramienta orientadora para el
diseo de proyectos hidrulicos e hidrolgicos, en zonas sin registro de la regin central de Chile.
106
5.8. REFERENCIAS
Aceituno, P. 1988. On the functioning of the Southern Oscillation in the South American sector. Part I:
Surface Climate. Mon. Wea. Rev., 116, 505-524.
Albrecht, J. 2007. Key Concepts and Techniques in GIS. Sage Publications Ltda. London:. 120 p. See
more:http://www.geography.hunter.cuny.edu/~jochen/GTECH361/lectures/lecture11/concepts/Kriging
.htm
Allamano, P., P. Claps, F. Laio, and C. Thea, C. 2009. A data-based assessment of the dependence of
short-duration precipitation on elevation. Physics and Chemistry of the Earth 34: 635641.
Aravena, G. 2006. Anlisis comparativo de las curvas Intensidad- Duracin- Frecuencia (IDF) de 31
estaciones pluviogrcas ubicadas en la zona rida y semirida de Chile. Memoria de pre-grado.
Facultad de Ciencias Forestales. Universidad de Talca.
Barrett, S., D. Bastine, and C. Barlow. 2011. Multiday Circulation and Precipitation Climatology during
Winter Rain Events of Diering Intensities in Central Chile. J. Hydrometeor, 12, 10711085.
Bek, S., J. Jezek, and Bliznak. 2010. Spatial relationships of heavy rains in the Czech Republic. Adv.
Geosci., 25, 8590.
Burn, D., and M. Hag. 2002. Detection of hydrologic trends and variability, Journal of Hydrology 255
(14), pp. 107122.
Caada, R. 2004. Modelado de la varioabilidad espacial del ozono en la Comunidad de Madrid. En: Clima
y Cartografa; representacin grca y modelizacin como base de la investigacin climtica. Grupo de
Climatologa de la AGE. Espaa.
Chang, T., G. Shyu, Y. Lin, and N. Chang. 1999.Geostatistical Analysis of Soil Arsenic Content in Taiwan.
Journal of Environmental Science and Health, Part A 34(7): 14851501.
Cheng, K., C. Wei, Y. Cheng, and H. Yeh. 2003. Eect of Spatial Variation Characteristics on Contouring of
Design Storm Depth, Hydrological Processes, Vol. 17, No. 9. pp 1755-1769.
Ferrer, F. 1991.Frequency analisys of daily rainfall anual mximum series in Guadalhorce Basin. Proc.
XXIV IAHR Congress. Madrid (Espaa). Vol A., pp 21-30.
Flores, J. 2007. Diseo de zanjas de inltracin. Anlisis de los procesos hidrolgicos de laladera ante
eventos extremos de precipitacin. Series Monogrcas, nmero 3. rea de Ingeniera Hidrulica.
Departamento de Agronoma. Universidad de Crdoba, Espaa. 56 p.
Garca, M. 2000. Anlisis Regional de las precipitaciones mximas en Andaluca, Estimacin de las
relaciones IDF. Trabajo profesional Fin de carrera ETSIAM. Crdoba. Espaa.
Garreaud, R., and J. Rutllant. 2006.Variabilidad atmosfrica de alta frecuencia en el borde oriental del
anticicln del Pacco Sureste. Cienc. Tecnol. Mar, 29 (1): 5-13.
107
Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation. Oxford Univ. Press, New York, USA.
Hengl, T., G. Heuvelink, and A. Stein. 2003. Comparision of kriging with external drift and
regression-kriging. Technical note, ITC. Disponible en http://www.itc.nl/library/Academic_output/. 17 p.
Hosking, J., and J. Wallis. 1997.Regional Frequency Analysis: An Approach Based on L-moments, 1st ed.,
Cambridge Univ. Press, New York. USA.
Isaaks, E., and R. Srivastava. 1989. An Introduction to Applied Geostatistics. Oxford Univ. Press, New
York, USA.
Koutouyiannis, D., D. Kozonis, and A. Manetas. 1998. A mathematical framework for studying rainfall
intensitydurationfrequency relationships. J. Hydrol. 206(1/2), 118135.
Lam, N. 1983. Spatial interpolation methods: a review. TheAmericanCartographer. 10(2): 129-149.
MDOT. 2008. MS4_Final_Report_Rainfall_Intensity in Michigan States. Michigan Department of

Transportation. USA. 228 p. disponible en:
http://www.michigan.gov/documents/MDOT_MS4_Final_Report_Rainfall_Intensity_91935_7.pdf
Miller, A. 1976. The climate of Chile. En: W Schwerdtfeger (ed.) Climate of Central and South America.
Elsevier Scientic, World Survey of Climatology: 113-145.
MINVU, 1996. Tcnicas alternativas para soluciones de aguas lluvias en sectores urbanos. Ministerio de
Vivienda y Urbanismo. Gobierno de Chile. En http://www.minvu.cl/opensite_20070404114325.aspx.
670 p.
Miranda, M., and A. Condal. 2003.Importancia del anlisis estadstico exploratorio en el proceso de
interpolacin espacial: caso de estudio Reserva Forestal Valdivia.Bosque 24(2): 29-42.
Montecinos, A., and P. Aceituno. 2003.Seasonality of the ENSO-related rainfall variability in central Chile
and associated circulation anomalies. Journal of Climate, 16, 281-296.
Montecinos, A., S. Purca, and O. Pizarro. 2003. Interannual-to-interdecadal sea surface temperature
variability along the western coast of South America.Geophysical Research Letters, vol. 30, no. 11, 1570
Moral, F., J. Canito, and P. lvarez. 2003. Representacin grca de la distribucin espacial de una plaga
en una plantacin mediante el uso de tcnicas geoestadsticas. ISSN 1131-9100, N 87/2003, p. 20-34.
Espaa.
Pizarro, R., A. Abarza, and J. Flores. 2001. Determinacin de las curvas Intensidad-Duracin-Frecuencia
IDF, para 6 estaciones pluviogrcas de la VII Regin. Revista Virtual de UNESCO.
http://biblioteca.unesco.org.uy. 48 p.
108
Pizarro, R., D. Aravena, K. Macaya, A. Abarza, M. Cornejo, M. Labra, M. Pavez, and L. Romn. 2007.
Curvas Intensidad - Duracin - Frecuencia para la zona centro sur de Chile. Universidad de Talca. Chile.
126 p.
Rao, A., and K. Hamed. 2000. Flood frequency analysis. CRC Press, Boca Raton (Florida, EE.UU.).
Rojas, M., R. Garreaud, and X. Vargas. 2010. Gestin del riesgo y ordenamiento territorial para la
reduccin de la vulnerabilidadante amenazas de origen natural", Seminario internacional. Comisin
Econmica para Amrica Latina (CEPAL). Santiago de Chile, 17 de Diciembre de 2010. Disponible en
http://www.subdere.gov.cl/sites/default/.../articles-81926_recurso_16.ppsx
Salas, L., and L. Carrero. 2006. Estimacin de la intensidad mxima anual para una duracin y perodo de
retorno determinados en la Espaa Peninsular mediante la aplicacin informtica MAXIN. Universidad
Politcnica de Madrid. Madrid, Espaa. 38 p.
Sivapalan, M., and G. Blschl. 1998.Transformation of point rainfall to areal rainfall:

intensitydurationfrequency curves. J. iradle. 204(1/2), 150167.
Stappung, C. 1999. Lluvias de diseo de sistemas de aguas lluvias en Chile. XIV Congreso de Ingeniera
Hidrulica. Sociedad Chilena de Ingeniera Hidrulica. 3, 4 y 5 noviembre 1999. Santiago, Chile.
Sveinsson, O., D. Boes, and J. Salas. 2001.Population index ood method for regional frequency analysis.
Water Resources Research. 37(11): 27332748.
Vanderlinden, K. 2001.Anlisis de procesos hidrolgicos a diferentes escalas espacio-temporales. Tesis

doctoral. Escuela Tcnica Superior de Ingenieros Agrnomos y Montes. Departamento de Agronoma.
Universidad de Crdoba. Espaa. 303 p.
WORLD METEOROLOGICAL ORGANIZATION. 1996. WMO No. 8, Guide to meteorological instruments

and methods of observations, 6th edition, 1996 (in particular Chapter 6);WMO, Geneva. Switzerland.
Xu, Z., K. Takeuchi, and H. Ishidaira. 2003.Detection of monotonic trend and step changes for Japanese
precipitation, J. Hydrol. 279, 144150.
Yu, P., and C. Chen. 1996. Extending the rainfall intensity-duration-frequency relationship to
non-recording raingauges, J. Chin. Inst. Eng., 4, 523-532.
Yu, P., and C. Chen. 1997. Potential of extending the rainfall intensity-duration-frequency relationship to
non-recording rain gauges, Hydrol. Process., 11, 377-390.
Yu, P., T. Yang, and C. Lin. 2004. Regional rainfall intensity formulas based on scaling property of rainfall,
Journal of Hydrology, 295 (1-4), 108-123.
Yue, S., P. Pilon, B. Phinney, and G. Cavadias. 2002. The inuence of autocorrelation on the ability to
detect trend in hydrological series, Hydrological Process, 16:1807-1829.
109
AGRADECIMIENTOS
Los autores desean agradecer muy especialmente a la Direccin General de Aguas, quien ha aportado
gran parte de la informacin base para este estudio, y quien junto a otras instituciones como la Direccin
de Obras Hidrulicas, la Ocina Nacional de Emergencias del Ministerio del Interior y la Universidad de
Crdoba en Espaa, han apoyado a este proyecto desde su concepcin.
Asimismo, los autores agradecen a la Direccin Meteorolgica de Chile y a la empresa elctrica Endesa,
quienes aportaron en forma desinteresada informacin pluviogrca de gran relevancia, con lo que ha
sido posible fortalecer la base de datos de eventos extremos de precipitacin.
Finalmente, los autores agradecen al Fondo Nacional de Fomento al Desarrollo Cientco y Tecnolgico,
FONDEF, que aport los recursos nancieros para el desarrollo de esta investigacin.
110

Aplicaciones Estadísticas en Hidrología

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Aplicaciones Estadísticas en Hidrología

Încărcat de

Drepturi de autor:

Formate disponibile

Oficina Regional de Ciencia para

Amrica Latina y el Caribe

Aplicaciones Estadsticas en Hidrologa:

Eduardo A. Varas Castelln

PHI-VII / Documento Tcnico N 31

ISBN 978-92-9089-191-8 Documento Tcnico N 31: Aplicaciones Estadsticas en

Las denominaciones que se emplean en esta publicacin y la presentacin de los

Se autoriza la reproduccin, a condicin de que la fuente se mencione en forma

UNESCO, 2013. Aplicaciones Estadsticas en Hidrologa: El Caso de las Intensidades

Programa Hidrolgico Internacional para Facultad de Ciencias Forestales

Cuando me solicitaron desde el Centro Tecnolgico de Hidrologa Ambiental (CTHA) de la Universidad de

CAPTULO 1: CURVAS INTENSIDAD DURACIN FRECUENCIA USANDO ESCALAMIENTO ESTADSTIC 4

CAPTULO 2: ANLISIS REGIONAL DE FRECUENCIAS DE PRECIPITACIONES EXTREMAS DE DURACIN

CAPTULO 3: ESTIMATING IDF CURVES WITH INCOMPLETE DATA 46

CAPTULO 5: APLICACIN DE MTODOS GEOESTADSTICOS PARA LA EXTENSIN DE LAS CURVAS

5.1. MTODOS DE INTERPOLACIN 78

5.6.7. Interpolacin de las intensidades de lluvia 100

Investigaciones recientes han mostrado que la lluvia y el escurrimiento exhiben propiedades de

ln( E[ I dr ]) = r + r ln(d / D) (3)

Tabla 1. Coecientes de Regresin y Correlacin para la Regin Metropolitana.

Tabla 2. Coecientes de Regresin y Correlacin para la Regin del Maule.

Tabla 4. Resumen de Comparacin de curvas en Lugares Seleccionados.

50 LOCAL - 21,1 17,8 15,8 11,8 8,8 7,4 5,5 4,1

50 LOCAL 57,6 39 31 26,4 17,9 12,1 9,6 6,5 4,4

50 LOCAL 39,6 31,8 27,6 24,9 19,1 14,6 12,4 9,3 7

Los resultados permiten concluir lo siguiente:

Jos L. Ayuso Muoz, Roberto Pizarro Tapia y Patricia Ayuso Ruiz

El diseo y gestin efectiva de las infraestructuras de las aguas pluviales depende de

El anlisis regional con los momentos-L requiere el establecimiento de regiones

The regional frequency analysis requires the establishment of homogeneous regions.

Es un hecho reconocido que el cambio climtico es una de las principales amenazas

El uso de series temporales de escasa longitud de registros de precipitaciones mximas

El ARF de las precipitaciones mximas anuales trata con la identificacin de regiones

La metodologa seguida en este proyecto est basada en el procedimiento de ARF

El objetivo de este estudio es proporcionar estimaciones actualizadas y fiables de los

2. REA DE ESTUDIO Y DATOS DE LLUVIA UTILIZADOS

Para la realizacin de este trabajo se han dispuesto de datos de precipitacin de 49

Tabla 1. Mnimo de aos disponibles y n de estaciones

Se presentan seguidamente los mtodos utilizados en este trabajo

3.1. Los momentos lineales

Los momentos-L constituyen un sistema alternativo de describir la forma de las

Siendo r el MPP de orden r; F(x) la funcin de distribucin acumulada (fda) de la

y los cocientes de los momentos-L como (Hosking,1990)

En la prctica los momentos-L, han de estimarse de una muestra finita de tamao n,

! ! !!! !!! !!!

Anlogamente a las ecuaciones (3a) a (3d), los momentos-L de la muestra se definen

y los cocientes de los momentos-L de la muestra como

Estos momentos son estimadores insesgados de los momentos r de la distribucin. La

3.2. Diagramas de los cocientes de los momentos-L

L-Ck (Coeficiente de curtosis)

L-Cs (Coeficiente de sesgo)

3.3. Anlisis regional de frecuencias basado en los momentos-L

El mismo procedimiento ha sido aplicado en el anlisis regional de frecuencias de las

La identificacin de regiones homogneas suele ser la ms difcil de todas las etapas

Entre las diversas metodologas empleadas para la determinacin de regiones

El resultado del anlisis cluster no necesariamente ser la solucin final. Ajustes

- Desplazar un lugar o unos pocos lugares de una regin a otra

3.3.2. Cribado de los datos mediante la medida de la discordancia

3.3.3. Prueba de la homogeneidad usando la medida de la heterogeneidad

La prueba de heterogeneidad de los momentos-L permite evaluar si un grupo de lugares

La realizacin de un gran nmero de simulaciones, Nsim, permite obtener los valores de

La simulacin se realiza mediante el ajuste de una distribucin Kappa de cuatro

De los tres estadsticos, el H1, basado en la medidas de V1, es el ms determinante a la

3.3.4. Seleccin de la distribucin usando la medida de la bondad de ajuste Z