Documente Academic
Documente Profesional
Documente Cultură
En esos casos existen criterios para obtener el dato buscado conociendo los valores
registrados en estaciones vecinas que tienen influencia sobre la zona de ubicación del
dato faltante, la cual se llamará Estación Incógnita.
Este método es uno de los más utilizados; se recomienda para la estimación de datos
mensuales y anuales de la estación en estudio y las de una estación pluviométrica
cercana, que cuente con una estadística consistente y observada. Para ello se
requiere establecer una regresión y correlación lineal entre una estación patrón y la
estación que tenga carencia de información, mediante una ecuación lineal de dos
variables, del tipo:
y = a + b*x
Donde:
a, b= constantes de regresión.
Este método, a pesar de ser de muy fácil aplicación, no puede ser aplicado
indiscriminadamente, dado que es necesario saber si la calidad del ajuste es buena o
mala. Una mala calidad del ajuste, puede llevar a la generación de información sin
consistencia, lo cual en lugar de mejorar la situación, la empeora por la agregación
estadística de datos no representativos de la realidad que se pretende estimar
(UNESCO-ROSTLAC, 1982).
Por esta razón, es posible utilizar el coeficiente de correlación como una forma de
establecer la calidad de los datos. Con la determinación del coeficiente de correlación
(R), se puede estimar el grado de correlación lineal que existe entre las estaciones en
estudio, y cuyo valor oscila entre –1 y 1, donde el valor 0 indica una correlación nula,
en tanto los valores 1 y –1, denotan una correlación total.
Donde:
X = Representa la posición de una estación con carencia de información.
A y B = Señala la presencia de estaciones con información completa.
A y b = Representa la distancia sobre un plano desde la estación X.
La estación con carencia de datos debe quedar entre dos estaciones que presenten
una estadística completa; así, y utilizando la siguiente expresión, se puede estimar el
dato faltante.
P − P
P = P +a∗
(a + b)
En este método se ocupan las precipitaciones y las distancias, por lo tanto se asume
que existe una variación lineal de las precipitaciones, en función de la disposición
espacial.
De cumplir con esto, es posible la utilización de la expresión siguiente para estimar las
precipitaciones.
P
P =
n
Donde:
Pi = Precipitación de la estación i en el período de estudio;
N = Número total de estaciones.
Este método, es básicamente una estimación que resulta del cálculo de un promedio
aritmético en las n estaciones vecinas existentes.
∑(P ∗ W)
P =
∑W
Donde:
W= , siendo,
Escoger una estación índice (PA) cuya precipitación media anual es 𝑃 ; si la estación
con dato faltante es PX, se halla su correspondiente precipitación media anual 𝑃 con
la siguiente relación:
P
P = ∗P
P
P P P P
P = ∗ + +⋯
N P P P
Donde:
Lo que se logra al aplicar este método, es realizar una estimación para la estación faltante,
en función de las relaciones entre las precipitaciones de un periodo de estudio y las
precipitaciones normales.
Cabe señalar que se entiende por precipitación normal, el promedio de los últimos años;
de no contarse con los registros, se puede establecer un periodo común a las estaciones
de análisis, que se sugiere sea mayor o igual a 20 años de ser posible.
PX ∗ rX + PX ∗ rX + ⋯ + PX ∗ rX
P =
rX + rX + ⋯ + rX
Donde:
PX = valor estimado de precipitación en X
PXi = valor estimado de precipitación en x, a partir de las regresiones con cada una de las
i estaciones.
rXi = coeficiente de correlación entre los registros de la estación x y cada una de las i
estaciones consideradas.
Paso 2) Calcular para todos los años completos los porcentajes mensuales de
precipitación, los que serán igual a la lluvia mensual entre el promedio mensual
calculado en el paso anterior y por 100. Al sumar los porcentajes calculados y obtener
su promedio deberán de obtenerse 1200 y 100, respectivamente.
Paso 3) Todos los porcentajes mensuales correspondientes a cada uno de los doce
meses se suman y se divide tal suma entre el número de años completos, es decir se
calcula el porcentaje promedio Sj, con j variando de 1 a 12, uno para enero y 12 para
diciembre.
Paso 4) El método acepta la hipótesis que considera que los meses desconocidos
tendrán un porcentaje igual al porcentaje promedio (Sj). Se designan las siguientes
variables:
∑P
P = ∗S
1200 − ∑ S
Donde:
i = cada uno de los meses desconocidos, como máximo pueden ser once.
Pi = precipitación mensual desconocida en cada año incompleto, en mm.
ΣSi = suma de los porcentajes promedio de los meses cuya precipitación se
desconoce, en porcentaje.
Σp = suma de las precipitaciones mensuales conocidas en los años incompletos, en
mm.
Si = porcentaje promedio asignado a cada uno de los meses desconocidos o faltantes.
Este método es una extensión del método de regresión simple y su forma de estimar la
precipitación se basa en la expresión matemática siguiente:
Y = a + bX + cX + dX + ⋯ + nX
Donde:
Y = valor de la precipitación estimada para la estación con carencia de información
Xi = valor de la precipitación en estaciones con información completa
a, b, c, n = constantes de regresión
Ejercicio
Completar la información faltante de la estación X, utilizando los diferentes métodos
estudiados.
Distancias A X B C
A 0
X 4.88 0
B 3.23 6.86 0
C 3.57 4.2 3.25 0
Dato A X B C
1980 1617.5 1720.3 1681.5 1291.7
1981 1591.8 1633.3 1641.4 1437.8
1982 1775.7 1880.9 1812.0 1699.5
1983 1789.3 1923.0 1832.7 1483.0
1984 1188.3 1341.0 1340.5 1165.7
1985 1260.1 1529.8 1427.4 1062.3
1986 1401.0 1745.5 1582.3 1288.2
1987 1317.6 1537.4 1334.0 1201.8
1988 1624.2 1874.5 1610.3 1486.3
1989 1417.2 1658.4 1370.1 1130.0
1990 1597.1 1801.2 1618.7 1349.3
1991 1279.6 1509.3 1308.3 1074.5
1992 1429.2 1739.6 1505.7 1194.3
1993 1286.5 1687.3 1580.8 1135.7
1994 1353.8 1631.0 1610.1 1205.3
1995 1286.3 1645.4 1425.7 1087.3
1996 1488.6 1819.7 1722.7 1277.7
1997 1425.4 1752.1 1673.9 1279.8
1998 1358.9 1720.8 1565.6 1287.6
1999 1864.6 1997.9 1922.6 1780.8
2000 1780.8 1754.1 1768.3 1577.6
2001 1457.3 1748.9 1510.3 1331.9
2002 1336.4 1365.7 1322.9 1101.3
2003 1316.0 1499.7 1311.0 1070.0
2004 1590.5 1789.2 1618.9 1441.1
2005 1475.9 1680.6 1514.7 1346.0
2006 1334.2 1630.2 1385.7 1176.6
2007 1231.3 s/d 1256.5 1045.3
2008 1899.9 s/d 1970.0 1653.9
2009 1493.0 s/d 1371.0 1257.4
2010 1748.8 s/d 1659.3 1516.3
2011 1663.3 s/d 1591.9 1425.6
2012 1645.6 s/d 1537.1 1371.2
2013 1699.6 s/d 1569.3 1448.8
2014 1449.2 s/d 1244.7 1317.6
2015 1568.3 s/d 1515.4 1414.6
2016 1635.5 s/d 1549.5 1539.8
2017 1420.8 s/d 1417.3 1264.2