INDICE

I. INTRODUCCIÓN ......................................................................................................................................... 2
II. OBJETIVOS: ................................................................................................................................................ 3
2.1. OBJETIVO GENERAL: ................................................................................................... 3
2.2. OBJETIVOS ESPECÍFICOS: ........................................................................................... 3
III. MARCO TEORICO ....................................................................................................................................... 4
3.1. TRATAMIENTO DE DATOS .......................................................................................... 4
3.2. ANÁLISIS DE DATOS .................................................................................................... 7
3.3. CORRELACIÓN .............................................................................................................. 9
3.4. ANÁLISIS DE REGRESIÓN ......................................................................................... 12
3.5. ANÁLISIS DE CONSISTENCIA DE DATOS: ............................................................. 13
3.6. DEMANDA DE AGUA .................................................................................................. 24
3.6.1. EVAPOTRANSPIRACION (ETo) ................................................................................................. 24
3.6.2. EVAPOTRANSPIRACIÓN DEL CULTIVO (ETC) ........................................................................... 24
IV. CONCLUSIONES ................................................................................................................................... 25
V. BIBLIOGRAFÍA .......................................................................................................................................... 26
 I. INTRODUCCIÓN

Según la FAO (s.f.), La mayor parte del agua usada por los cultivos deriva de la
humedad del suelo aportada por las lluvias, El riego proporciona solamente cerca del 10 por
ciento del agua agrícola, pero tiene una función estratégica: suplementa el agua de lluvia
cuando esta no es suficiente para satisfacer las necesidades de los cultivos en áreas
vulnerables sujetas a una excesiva variabilidad climática o donde la producción de múltiples
cultivos requiere la provisión de agua fuera de la temporada de lluvias.

La Información de datos Hidrológicos que brindan Instituciones encargadas de su

medición y difusión como SENAMHI, EGENOR, CENTROMIN, pero una vez obtenido
ésta, una de las interrogantes que se debe hacer es: ¿Es confiable la información disponible?,
ya que para proyectos de envergadura como son Obras de Irrigación, Centrales
Hidroeléctricas u otros, es necesario diseñar con datos bastantes cercanos a lo real.

La respuesta a esta pregunta, se obtiene realizando un análisis de consistencia de la

información disponible, mediante criterios físicos y métodos estadísticos que permitan
identificar, evaluar y eliminar los posibles errores sistemáticos que han podido ocurrir, sea
por causas naturales u ocasionados por la intervención de la mano del hombre.

La no homogeneidad e inconsistencia, son los causales del cambio a que están

expuestas las informaciones hidrológicas, por lo cual su estudio, es de mucha importancia
para determinar los errores sistemáticos que puedan afectadas. Inconsistencia es sinónimo de
error sistemático y se presenta como saltos y tendencias, y no homogeneidad es definido
como los cambios de datos vírgenes con el tiempo.

La no homogeneidad en una serie de tiempo hidrológica, se debe a factores humanos

(tala indiscriminada de una cuenca, construcción de estructuras hidráulicas, etc.) o a factores
naturales de gran significancia, como los desastres naturales (inundaciones. derrumbes, etc.).
La inconsistencia de una serie de tiempo, está dada por la producción de errores sistemáticos
(déficit en la toma de datos, cambio de estación de registro, etc.).

II. OBJETIVOS:

2.1.OBJETIVO GENERAL:

 Calculo de la demanda de agua para 6 Ha de terreno el distrito de

Marcará, provincia de Huaraz – Ancash.

2.2.OBJETIVOS ESPECÍFICOS:

 Realizar un tratamiento de datos que comprenden la completación, el

análisis de consistencia y tendencia, de datos de precipitación.
 Verificar si los datos proporcionados son confiables mediante el
tratamiento de datos.
 Con los modelos de regresión analizar si los datos se correlacionan y
Mediante la prueba estadística “t” student comprobar si se acepta o se
rechaza el análisis de regresión con un 5% de error.
 Hacer el análisis de consistencia (consistencia la media, consistencia
a la desviación estándar) nuestros datos completos y si no son
consistentes hacer la corrección correspondiente.
 Hacer el análisis de tendencia a la media de los datos completos a los
datos pluviométricos e Hidrométricos.
 Realizar un balance hídrico mensual en el área del proyecto.

 Calcular el caudal real a necesitar nuestro proyecto, respecto al mes de mayor

consumo de agua por parte del cultivo.
 III. MARCO TEORICO

3.1.TRATAMIENTO DE DATOS

Proceso que consiste en la detección, descripción remoción de la no homogeneidad

o inconsistencia de los datos recopilados o de la serie de tiempo hidrológico.
(CHEREQUE M., 2002)

METODOLOGÍAS:

a. ESTIMACIÓN DE DATOS FALTANTES

Frecuentemente se halla uno con que faltan datos en los registros de lluvias.
Esto se debe a ausentismo del operador o a fallas instrumentales.
Se llama correlación a la operación o procedimiento por medio del cual se
completan los datos faltantes. Para ello se utilizan los datos de estaciones
índices, que sí tienen los datos completos y que se seleccionan de modo que
estén lo más cerca posible y sean de altitud parecida a la estación en estudio.
Distancia y altitud son pues los factores principales para la selección de las
estaciones índices.

Método de la recta de regresión.

- Por razones de comodidad se va a designar con "y" a la estación con datos
incompletos y con “x" a la estación índice. Básicamente, el método consiste
en:
- Dibujar el diagrama de dispersión (puntos de coordenadas x, y).
- Ajustar una recta a ese diagrama de dispersión.
- Esta recta, llamada "línea de regresión", se usa para completar la información
faltante en y.
 Esto mismo puede realizarse analíticamente.

Cuando hay varias estaciones índices surge la interrogante de cuál de ellas

utilizar. La respuesta la encontramos en la Estadística: de varias estaciones
índices la mejor correlacionada con la estación incompleta es la de mejor
coeficiente de correlación (r).
∑(𝑥 − 𝑥)(𝑦 − 𝑦)
𝑟= … … … … … … … … … … … … . . (3)
(𝑛 − 1)𝑆𝑥. 𝑆𝑦

∑((𝑥 − 𝑥)2
𝑆𝑥 = √ … … … … … … … … … … … … … … … … (4)
𝑛−1

∑((𝑦 − 𝑦)2
𝑆𝑦 = √ … … … … … … … … … … … … . . … … … (5)
𝑛−1
r = o, significa que no existe ningún grado de asociación entre los valores de x y
los valores de y (correlación nula).
r = 1, significa que los puntos del diagrama de dispersión se alinean en una recta
de pendiente positiva (correlación directa óptima).
r = -1, significa que los puntos del diagrama de dispersión se alinean en una recta
de pendiente negativa (correlación inversa óptima).

Correlación directa

Entonces la ecuación de la recta de regresión es:

𝑦 ′ = 𝛼 + 𝛽𝑥 … … … … … … … … … … … (6)

La letra y con índice (y̛') sé emplea para referirse a los valores derivados de la
recta de regresión.

Los valores de los coeficientes α y B se hallan generalmente con la teoría de

los mínimos cuadrados.

Entonces se prefiere usar la siguiente ecuación:

𝑦 ′ = 𝑎 + 𝑏(𝑥 − 𝑥) … … … … … … … . . . (7)

Con la teoría de mínimos cuadrados se halla:

𝑎 = 𝑦 … … … … … … … … … … … … . . . . (8)
 ∑(𝑥 − 𝑥)𝑦 ∑𝑥𝑦 − 𝑛𝑥𝑦
𝑏= 2
= … … . . (9)
∑(𝑥 − 𝑥) ∑𝑥 2 − 𝑛𝑥 2

Se demuestra también que:

𝑆𝑥
𝑏=𝑟 … … … … … … … … … … . … (10)
𝑆𝑦

Siendo r, como antes, el coeficiente de correlación.

3.2.ANÁLISIS DE DATOS

a. ANÁLISIS DE CONSISTENCIA DE DATOS Y SU AJUSTE

Reyes (1992) menciona que:

Cuando en una estación pluviométrica tiene lugar algún cambio en las

condiciones de medición, como por ejemplo cambio de operador, de
localización o de las condiciones adyacentes, las tendencias del registro
sufren normalmente alteraciones que pueden llegar a ser importantes en
cuanto a su homogeneidad. Para detectar y corregir estas alteraciones se
puede usar una técnica llamada “curva masa doble”, que se basa en
observaciones hechas en el sentido de que la precipitación acumulada media
para varias estaciones no es muy sensible a cambios en una de ellas, debido
a que muchos de los errores se compensan, mientras que la lluvia acumulada
de una estación particular se afecta de inmediato ante la presencia de
cambios importantes. Así, si en una gráfica se pone en un eje la precipitación
anual acumulada media de varias estaciones circundantes a la estación en
estudio y en el otro eje se pone la lluvia anual acumulada de la estación en
cuestión, se obtendrá una línea recta siempre que en ésta no hayan existido
cambios o no sean importantes; en caso contrario, la línea cambia de
pendiente en el año a partir del cual la estación comenzó a operar en
condiciones diferentes.
b. ESTIMACIÓN DE DATOS FALTANTES

Es frecuente que, por una u otra razón, existan vacíos o interrupciones en el

registro de datos, entonces se hace necesario para completar estos registros,
la estimación de los datos faltantes.

Existen varios métodos para el cálculo de estos datos:

Promedio aritmético

Este método se utiliza cuando los promedios anuales en un período de 25

años, de las estaciones índices (estaciones que tienen sus datos completos),
solamente difieren en más o menos un 10% de la estación bajo estudio F
(estación que le faltan datos), entonces la precipitación (P) para un período
puede obtenerse mediante un simple promedio aritmético:

𝑃𝑓= (𝑃𝐴 + 𝑃𝐵 + 𝑃𝐶 + ⋯ +𝑃𝑛 )/𝑛……………………………….(12)

Donde:

Pf: es la precipitación del dato faltante de la estación bajo estudio

PA: precipitación de la estación a.

PB: precipitación de la estación b.

PC: precipitación de la estación c.

Pn: precipitación en la enésima estación índice.

n: número de estaciones índice.

Proporciones normales.

En este método, se ponderan las precipitaciones de las estaciones índices

 con las proporciones de la precipitación normal anual de la estación en
estudio F, lo que queda expresado en la fórmula siguiente:

𝑃𝑓 = 1/𝑛[(𝑁𝐹 /𝑁𝐴 )𝑃𝐴 + (𝑁𝐹 /𝑁𝐵 )𝑃𝐵 + (𝑁𝐹 /𝑁𝐶 )𝑃𝐶 + ⋯ +

(𝑁𝐹 /𝑁𝑛 )𝑃𝑛 ]…...(13)

Donde:

𝑃𝑓 = es el dato faltante de la precipitación que se desea obtener en el periodo

respectivo

𝑁𝐹 = precipitación normal anual de la estación en estudio

𝑁𝐴 , 𝑁𝐵, 𝑁𝐶 = precipitación normal anual de las estaciones índices.

𝑁𝑛 = precipitación normal anual de la enésima estación índice.

𝑃𝐴 , 𝑃𝐵, 𝑃𝐶 = precipitación de las estaciones índices durante el mismo periodo

del tiempo del dato faltante.

𝑃𝑛 = precipitación en la enésima estación índice durante el mismo periodo del

tiempo del dato faltante.

Correlación lineal.

Este método permite el cálculo de los datos faltantes, estableciendo una

relación entre una estación y otra, o entre una estación y un grupo de ellas,
requiriéndose para el trazado de la línea o plano que mejor se ajuste a los
datos existentes, un período común de registro para ambas variables. Lo que
nos genera un modelo, a partir del cual se determinan los valores de los
datos faltantes.

3.3.CORRELACIÓN

a. COVARIANZA
Es una medida que permite determinar qué tan independiente es una variable
aleatoria de otra, es decir el grado de independencia de dos variables
aleatorias. (REYES, 1992)

CORRELACIÓN

Se define como la asociación de dos o más variables aleatorias, que explica

sólo parcialmente la variación total de una variable aleatoria, por la variación
de otras variables aleatorias involucradas en la ecuación de asociación.

Medidas de Correlación

Se necesita un estadístico para medir el grado de asociación correlativa entre

las variables bajo consideración. Los estadísticos más utilizados son los
coeficientes de correlación, determinación y desviación típica de los
residuos.

Análisis de Correlación

Está estrechamente relacionada con el análisis de regresión, puesta que la

fórmula utilizada en el cálculo de la medida de correlación, depende del
modelo de regresión adoptado.

Coeficiente de correlación

El coeficiente de correlación estadístico permite medir el grado de asociación

de dos variables linealmente relacionadas, en nuestro análisis se utiliza la
muestra.


X
X i

Y
Y i

n n
 n XY   X  Y
r
n X  
..............(14)
  X  n Y   Y 
2 2 2 2

El valor de r esta entre -1 y 1, describen los varios grados de asociación.

REGRESIÓN LINEAL SIMPLE

En hidrología el modelo más simple y común, está basado en la superposición

de que dos variables se relacionan en forma lineal.

 Caudales y precipitaciones de una misma cuenca.

 Precipitaciones de una estación, con precipitación de otra estación.
 Caudal de una estación con caudal de otra estación.
 Precipitación con la altitud de una cuenca.

Lo cual permite correlacionar estas variables para completar datos o extender

un registro.

b. ECUACIÓN DE REGRESIÓN

La ecuación general de regresión lineal es:

y  a  bx …………………………………………………(15)

Dónde:

x : Variable independiente, variable conocida.

y : Variable dependiente, variable que se trata de predecir.

a : Intercepto, punto donde la línea de regresión cruza el eje y.

b : Pendiente de la línea o coeficiente de regresión.

c. ESTIMACIÓN DE PARÁMETROS
 Dada la ecuación de regresión lineal, donde a y b son los parámetros de la
ecuación. El método más utilizado para la estimación de los parámetros a y b
es el de mínimos cuadrados.

a 
y x  x y  x
i i
2
i i i
…………………………(16)
n x  ( x )
2
i i
2

n xi yi  xi  yi
b …………………………………(17)
n xi2  ( xi ) 2

3.4.ANÁLISIS DE REGRESIÓN

Es la técnica determinística, que permite determinar la naturaleza de la relación

funcional entre dos o más variables, que permite predecir los valores de y=f(x) con
un cierto grado de aproximación.

Pasos para el Análisis de Regresión:

- Seleccionar una función de relación correlativa, simple o múltiple, lineal o no

lineal.
- Estimación de los parámetros que miden el grado de asociación correlativa (r2
y r).
- Prueba de significación de los estadísticos que miden la asociación correlativa,
para lo cual se aplica la prueba “t”.

Proceso:

- Se plantea la hipótesis:

Ho: r = 0
 Ha: r ≠ 0

- Calculo de t calculado (tc):

r n2
tc  ………………………………………………..(18)
1 r 2

Dónde:

r = Coeficiente de correlación

n = Número de pares de valor

- Calculo de t tabular (tt):

El (tt) se obtiene de las tablas preparadas para este efecto, con un nivel de
significancia  o una probabilidad (1-  ), y con grado de libertad (V = n-
2), donde “n” es el número de pares de valores.

- Criterio de Decisión:

Si: t c  tt
Se acepta la hipótesis nula, por lo que r = 0, y por lo tanto no hay correlación
significativa.

Si: t c  tt
Se rechaza la hipótesis nula, por lo que r ≠ 0, indicándose que es significativo
y por lo tanto existe correlación entre las variables.

3.5.ANÁLISIS DE CONSISTENCIA DE DATOS:

EL análisis de consistencia de la información, es el proceso que consiste en la

identificación o detección, descripción y remoción de la no homogeneidad e
inconsistencia de una serie de tiempo hidrológica.
Esta inconsistencia y no homogeneidad se pone de manifiesto con la presencia de
saltos y/o tendencias en las series hidrológicas (las cuales se muestran en las
figuras 1 y 2, afectando las características estadísticas de dichas series, tales como
la media, desviación estándar y correlación serial.

Antes de utilizar la serie histórica para el modelamiento, es necesario efectuar el

análisis de consistencia respectivo, a fin de obtener una serie confiable, es decir,
homogénea y consistente.

Figura 1: Serie con componente transitoria en la forma de salto.

 Figura 2: Serie con componente transitoria en la forma de tendencia.

El análisis de consistencia de la información hidrológica, se realiza mediante los

siguientes procesos:

- Análisis visual gráfico.

- Análisis doble masa.
- Análisis estadístico.
a. ANÁLISIS VISUAL GRAFICO:

En coordenadas cartesianas se plotea la información hidrológica histórica.

Ubicándose en las ordenadas, los valores de la serie y en las abscisas el tiempo
(años, meses, días).

Un ejemplo de una serie de caudales promedio anuales se muestra en la figura 3.

Este gráfico sirve para analizar la consistencia de la información hidrológica en
forma visual, e indicar el período o períodos en los cuales la información es
dudosa, lo cual se puede reflejar como picos muy altos o valores muy bajos. Saltos
y/o tendencias, los mismos que deberán comprobarse, si son fenómenos naturales
que efectivamente han ocurrido, o si son producto de errores sistemáticos.

Figura 3: Serie histórica de caudales promedios Anuales.

Para conocer la causa del fenómeno detectado, se puede analizar de diversas formas:

- Cuando se tienen estaciones vecinas, se comparan dos gráficos de las series

históricas, y se observa cuál período varía notoriamente uno con respecto al otro.
- Cuando se tiene una sola estación, esta se divide en varios periodos y se compara
con la información de campo obtenida.
- Cuando se tienen datos de precipitación y escorrentía, se comparan los diagramas,
los cuales deben ser similares en su comportamiento.

La interpretación de estas comparaciones, se efectúa conjuntamente con el análisis

doble masa.

b. ANÁLISIS ESTADÍSTICO:

Después de obtener de los gráficos construidos para el análisis visual y de los de

doble masa, los períodos de posible corrección, y los períodos de datos que se
mantendrán con sus valores originales se procede al análisis estadístico de saltos,
tanto en la medía como en la desviación estándar. (VILLON, 2002)

c. ANÁLISIS DE SALTOS:

- Consistencia de la Media:
Consiste en probar, mediante la prueba “t” (prueba de hipótesis), si los valores

 
medios X 1 , X 2 , de las submuestras son estadísticamente iguales o diferentes
con una probabilidad del 95% o con 5% de nivel de significancia, de la siguiente
manera:

 Calculo de la media y de la desviación estándar para las submuestras:

1 n1 n2
X1   xi
n1 i 1
X2 
1
n2
x j
j 1
 0.5 0.5
 1 n2   1 n1 
S2 ( X )    ( x j  x2 ) 2  S1 ( X )  
;  ( xi  x1 ) 2  ..20
 n2  1 j 1   n1  1 i 1 

Dónde:

X1 : Valores de la serie del periodo uno.

X 2 : Valores de la serie del periodo dos.

X1, X 2 : Media de los periodos uno y dos respectivamente.

S2 ( X ), S1 ( X ) : Desviación de los periodos uno y dos respectivamente.

N  n1  n2 : Tamaño de la muestra.

(a) Calculo del t calculado (tc):

Se realiza mediante la ecuación:

tc 
x1  x2   u1  u2 
Sd ……………………………………….(21)

Dónde:

u1  u2   0 (La hipótesis es que las medias son iguales)

Entonces:

tc 
x1  x2 
Sd

1
 n  1S12  n2  1S 22  2
Sp   1  ………………………………………..(22)
 n1  n2  2 
 1
 1 1 2
S d  S p    ………………………………………...(23)
 n1 n2 

Dónde:

Sd : Desviación de las diferencias de los promedios.

Sp : Desviación estándar ponderada.

 Calculo del t tabular ( tt ):

El valor critico de t se obtiene de la tabla t de Student con una probabilidad al 95%,

o con un nivel de significación del 5% es decir con α/2=0.025. Con grados de
libertad:

Figura 6 Calculo del t tabular (tt)

(v = n1 + n2 -2)

Fuente: (VILLON, 2002)

Si: tc  tt 95%  X 1  X 2 (estadísticamente).

En este caso, siendo las medias X 1  X 2 estadísticamente, no se debe realizar

proceso de corrección.

Si: tc  tt 95%  X 1  X 2 (estadísticamente).

En este caso, siendo las medias X 1  X 2 , estadísticamente, se debe corregir la

información.
- Consistencia de la Desviación Estándar:

El análisis estadístico consiste en probar, mediante la prueba F, si el valor de

desviación estándar de la sub muestra son estadísticamente iguales o diferentes
con una probabilidad del 95% o con 5% de nivel de significancia, de la siguiente
manera:

(a) Calculo de las varianzas de ambos periodos:

 1 n1   n2 
S12 ( X )  
 n1  1
i 1
( xi  x1 ) 2  ; S 22 ( X )   1
  n2  1
 ( x j  x2 ) 2  ……………….(24)

j 1

(b) Calculo del F calculado ( Fc):

S12 ( X )
Fc  Si: S12 ( X ) S 22 ( X ) ……..(25)
S 22 ( X )

Fc 
S 22 ( X )
Si:
S 22 ( X ) S12 ( X ) …………..(26)
S12 ( X )

(c) Calculo de F tabular ( Ft):

Se obtiene de las tablas F para una probabilidad del 95% es decir, con un nivel de
significación α = 0.05 y grados de libertad:

Si: S12 ( X ) S 22 ( X )

Entonces:

G.L.N. = n1-1

G.L.D. = n2-1
 Si: S 22 ( X ) S12 ( X )

Entonces:

G.L.N. = n2-1

G.L.D. = n1-1

Dónde:

G.L.N. = Grados de libertad del numerador.

G.L.D. = Grados de libertad del denominador.

(d) Decisión:

Si: lFcl ≤ Ft (95%), entonces S1 ( X )  S 2 ( X ) (Estadísticamente)

Si: lFcl > Ft (95%), entonces: S1 ( X )  S 2 ( X ) (Estadísticamente), por

lo que se debe corregir.

(e) Corrección de Datos:

En los casos en que los parámetros media y desviación estándar de las submuestras
de las series de tiempo, resultan estadísticamente iguales. La información original
no se corrige, por ser consistente con 0.5% de probabilidad, aun cuando en la doble
masa se observe pequeños quiebres. En caso contrario, se corrigen los valores de
las sub muestras mediante las siguientes ecuaciones:

xt  x1
X (t )  S 2 ( x)  x2
S1 ( x) ……………………………..(27)
xt  x 2
X (t )  S1 ( x)  x1
S 2 ( x) ……………………………..(28)
Dónde:
X (t )
: Valor corregido de saltos.

xt : Valor a ser corregido.

La ecuación (2.27), se utiliza cuando se deben corregir los valores de la sub-

muestra de tamaño n1 y la ecuación (2.28), si se deben corregir la sub-muestra de
tamaño n2.

d. ANÁLISIS DE TENDENCIA:

Las tendencias son componentes determinísticas transitorias que se definen como

un cambio sistemático y continúo sobre una muestra de información
hidrometereológica en cualquier parámetro de la misma, que afectan las
distribuciones y dependencias de las series.

Previamente a este análisis se ha corregido los saltos existentes, para luego analizar
la tendencia en la media y en la desviación estándar.

Las tendencias por lo general pueden ser aproximadas por la ecuación de regresión
lineal.

- Tendencia a la Media:

La tendencia a la media puede ser expresada en forma general por el polinomio:

Tm  Am  Bm t  Cm t 2 ………………………..(29)

Para muchos casos para estimar esta tendencia, es suficiente la ecuación de

regresión lineal simple:

Tm  Am  Bm t ………………………………………..……..(30)

Dónde:
 Tm : Tendencia a la media.

t : Tiempo de análisis (años, meses, días).

Am, Bm : Coeficientes de la ecuación de regresión.

Los parámetros de regresión de estas ecuaciones, pueden ser estimados por el

método de mínimos cuadrados, o por el método de Regresión Lineal simple.

El cálculo de la tendencia en la media, se realiza con el siguiente proceso:

(a) Cálculo de los parámetros de la ecuación de Regresión Lineal simple:

Am  T m  tBm

ST m .
Bm  R
St

t.Tm  t.Tm
R
S t .STm

1 n 1 n
T m   Tmi   X (t )i
n i 1 n i 1

1 n
t   ti
n i 1

1 n
t.Tm   ti .Tmi
n i1

1
1
 n 2
 
2

     ti  t
n 2 2

  Tmi  T m 
STm   i 1 
; S t   i 1  ……………………………..(31)
 n 1   n 1 
   
   

Dónde:
 T m : Promedio de Tendencias, Tm, o promedio de los datos corregidos de saltos

X (t )i

t : Promedio del tiempo t.

S Tm : Desviación estándar de la tendencia de la media Tm.

St : Desviación estándar del tiempo.

(b) Evaluación de la tendencia Tm.

Para averiguar si la tendencia es significativa, se analiza el Coeficiente de

regresión Bm o también Coeficiente de Correlación R.

El análisis de R según el estadístico t, es como sigue:

Cálculo del estadístico tc según:

R n2
tc  ………………………………………....(32)
1 R2

Dónde:

tc = Valor del estadístico t calculado.

n = Número total de datos.

R =Coeficiente de Correlación.

Cálculo del tt:

El (tt) se obtiene de las tablas preparadas para este efecto, con un nivel de
significancia  = 0.50 y con grado de libertad (V = n - 2), donde n es el número
de pares de valores.

Comprobación del tc con el tt:

 Si tc  tt  R no es significativo.

En este caso, la tendencia no es significativa y no hay que corregir.

t c  tt  R
Si es significativo.

En este caso, la tendencia es significativa y hay necesidad de corregir la

información de tendencia de la media.

3.6.DEMANDA DE AGUA

3.6.1. EVAPOTRANSPIRACION (ETo)

FAO (2006) menciona que:

Se conoce como evapotranspiración (ET) la combinación de dos procesos
separados por los que el agua se pierde a través de la superficie del suelo por
evaporación y por otra parte mediante transpiración del cultivo.
La evaporación y la transpiración ocurren simultáneamente y no hay una
manera sencilla de distinguir entre estos dos procesos. Aparte de la disponibilidad
de agua en los horizontes superficiales, la evaporación de un suelo cultivado es
determinada principalmente por la fracción de radiación solar que llega a la
superficie del suelo.

3.6.2. EVAPOTRANSPIRACIÓN DEL CULTIVO (ETC)

FAO (2006) menciona que:

La evapotranspiración del cultivo se calcula multiplicando ETo por Kc el

cual es un coeficiente que expresa la diferencia entre la evapotranspiración de la
superficie cultivada y la superficie del pasto de referencia. Esta diferencia puede
ser combinada dentro de un coeficiente único o integrado del cultivo, o puede ser
separada en dos
IV. CONCLUSIONES

 Se realizo un tratamiento de datos que comprenden la completación,

el análisis de consistencia y tendencia, de datos de precipitación de
las estaciones de Chancos, Anta y Yungay.
 Se realizo la verificación si los datos proporcionados son confiables
mediante el tratamiento de datos.
 Con los modelos de regresión analizar si los datos se correlacionan y
Mediante la prueba estadística “t” student se comprobó si se acepta o
se rechaza el análisis de regresión con un 5% de error los resultados
obtenidos se muestran en cálculos realizados en excel.
 Se realizo el análisis de tendencia a la media de los datos completos a
los datos pluviométricos e Hidrométricos.
 Se realizó un balance hídrico mensual en el área del proyecto.

 El caudal real a necesitar nuestro proyecto es de 8.43 lts/seg, el mes de mayor

consumo de agua por parte del cultivo es de Setiembre.
V. BIBLIOGRAFÍA

 CHEREQUE M., W. (2002). Hidrologia. Lima: Edit. Lugo.

 CHOW, V. T. (1995). Hidrologia Aplicada. México: Edit. Mc Graw-Hill.

 REYES, C. L. (1992). Hidrologia Basica. Lima: Edit. CONCYTEC.

 VILLON, B. M. (2002). Hidrologia. Lima: Edit. Villon.

 FAO (2006). Estudio de riego y drenaje. Recuperado de
http://www.fao.org/3/a-x0490s.pdf