Escolar Documentos
Profissional Documentos
Cultura Documentos
I. RESUMEN ...................................................................................................... vi
II. INTRODUCCIN............................................................................................ 1
2.1. Hiptesis ......................................................................................................................................... 2
2.1.1. Hiptesis general
10
11
18
18
4.5.3. Equipos
18
18
19
19
19
19
V. RESULTADOS Y DISCUSIN.................................................................... 21
4.1. Prueba de bondad de ajuste de precipitacin mxima a distribuciones de probabilidad ........... 21
4.2. Influencia de los factores climticos en la regionalizacin de precipitaciones mximas ............. 23
4.2.1. Modelo regional de frecuencia de precipitacin mxima para las estaciones
23
23
27
37
4.3.2. Modelo de Regresin no lineal entre factores, elementos climticos y precipitacin mxima
38
4.3.3. Modelo de Regresin no lineal 1 entre factores, elementos climticos y precipitacin mxima
39
4.3.4. Modelo de Regresin no lineal 2 entre elementos climticos y precipitacin mxima
40
41
41
42
ANEXOS .............................................................................................................. 48
iii
LISTA DE TABLAS
Tabla 1. Ubicaciones geogrficas de las estaciones meteorolgicas estudiadas ......................................... 15
Tabla 2. Resultados de la prueba de bondad de ajuste a las distribuciones ................................................ 22
Tabla 3. La prueba de normalidad de Anderson Darling y estadstica descriptiva .................................... 23
Tabla 4. Coeficiente de asimetra de las variables originales ..................................................................... 24
Tabla 5. Transformaciones realizadas de las variables ............................................................................... 24
Tabla 6. Coeficiente de asimetra de las variables transformadas ............................................................. 25
Tabla 7. Resultados del modelo regresin lineal mltiple .......................................................................... 25
Tabla 8. Anlisis de variancia de la regression de valores transformados ................................................. 25
Tabla 9. Estaciones meteorolgicas con variables para la aplicacin del anlisis clster .......................... 27
Tabla 10. Grupos homogneos de estaciones por anlisis clster ............................................................. 28
Tabla 11. Transformaciones de precipitacin mxima y periodo de retorno ............................................ 29
Tabla 12. Anlisis de regresin del modelo para la regin I ....................................................................... 29
Tabla 13. Anlisis de variancia del modelo para la region I ........................................................................ 29
Tabla 14. Transformaciones realizadas ....................................................................................................... 30
Tabla 15. Resultados del anlisis de regresin del modelo para la regin II .............................................. 31
Tabla 16. Anlisis de varianza de regresin del modelo para la regin II ................................................... 31
Tabla 17. Transformaciones realizadas ....................................................................................................... 32
Tabla 18. Resultados del anlisis de regresin del modelo para la regin III ............................................. 33
Tabla 19. Anlisis de varianza de regresin del modelo para la regin III .................................................. 33
Tabla 20. Transformaciones realizadas ....................................................................................................... 34
Tabla 21. Resultados del anlisis de regresin del modelo para la regin IV ............................................. 35
Tabla 22. Anlisis de varianza de regresin del modelo para la regin IV.................................................. 35
Tabla 23. Modelo de Regresin Lineal entre factores y elementos climticos con precipitacin mxima 38
Tabla 24. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima 39
Tabla 25. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima 39
Tabla 26. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima ................. 40
Tabla 27. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima ................ 41
iv
LISTA DE FIGURAS
Figura 1. Grficos de anlisis de los residuales de regresin...................................................................... 26
Figura 2. Dendograma del anlisis clster .................................................................................................. 28
Figura 3. Grficos de anlisis de los residuales de regresin...................................................................... 30
Figura 4. Grficos de anlisis de los residuales de regresin...................................................................... 32
Figura 5. Grficos de anlisis de los residuales de regresin...................................................................... 34
Figura 6. Grficos de anlisis de los residuales de regresin...................................................................... 36
Figura 7. Ajuste del modelo potencial en la estacin Isla Taquile .............................................................. 37
LISTA DE ABREVIATURAS
IDF = Intensidad duracin frecuencia
T = tiempo de retorno
TDPS = sistema hidrogrfico Titicaca Desaguadero Poop Salar de Coipasa
SENAMHI = Servicio nacional de meteorologa e hidrologa
Alt = altitud (msnm)
Lat = latitud sur
Long = longitud oeste
Osc = oscilacin media de temperatura (C)
HR = humedad relativa (%)
I.
RESUMEN
Palabras claves: regionalizacin, precipitacin mxima, vertiente del lago Titicaca, anlisis de clster.
vi
ABSTRACT
This paper of regionalization of maximum precipitation was carried out within the watershed of Lake
Titicaca on the Peruvian side, where there is a lack of data to make IDF pluviographic relationships, so is
used of heigths of maximum precipitation of 24 hours to cover these gaps, based on the hypothesis of
regional statistical similarity. The aim of the study was to determine the influence of climatic factors and
elements in the regionalization of the maximum rainfall of the 24-hour. The methodology is based on the
use of rainfall information of the stations, the probability distributions adjustment, frequency analysis,
cluster analysis and application of non-linear regression and multiple. Have been considered climatic
factors: latitude, longitude, altitude, and like climatic elements have been considered: temperature
oscillation, humidity and time of return, conducted the modeling with the maximum precipitation as
dependent variable and the independent variables the factors and climatic elements has been selected
variables based on p < 0.05 of the coefficients of predictors that best explain the maximum precipitation,
also was used cluster analysis to group the meteorological stations with similar data in 05 groups. In the
generated models based on climatic factors insignificant statistical parameters were obtained, but in the
generated models based on climatic elements were obtained statistical parameters highly significant (p <
0.05). The influence of climatic elements such as the oscillation of annual average temperature and
average relative humidity, together with climatic factors on the maximum rainfall in a nonlinear model
type potential obtained an: r2 = 47.98 %, r2adj. = 45.00 %, standard error of regression of 12.55 and
Durbin-Watson statistic of 0.64, indicating that the independent variables influence the variation of
maximum precipitation of 24 hours and that the regression is not spurious. The most suitable model is
obtained as equation: Pmax = 193.9512 (T)0.1586(Osc)-0.6508 where: Pmax = maximum precipitation of 24hour (mm ), T = return period (years), Osc = average temperature oscillation (C), this model has
statistically significant coefficients at 95 % confidence, r2 = 50 % and Durbin- Watson statistic of 0.52
indicating that the regression is not spurious.
vii
II. INTRODUCCIN
En obras hidrulicas en las que se requiere de un diseo hidrolgico, se recurre al uso de curvas intensidad
duracin - frecuencia (IDF) para estimar una tormenta asociada a un tiempo de recurrencia y calcular el
caudal pico mediante simulacin del proceso lluvia-escorrenta.
Sin embargo, en muchas regiones del altiplano existe una carencia de datos pluviogrficos que permitan
confeccionar las relaciones IDF. Por lo que se recurre a la regionalizacin a fin de cubrir estos vacos de
informacin, basndose en la hiptesis de la similitud estadstica regional.
Unos de los mtodos de extrapolacin de curvas IDF es el denominado de relacin entre duraciones cuya
principal hiptesis considera que los eventos de lluvias de gran intensidad y corta duracin obedecen a
procesos atmosfricos similares, que aparentemente son independientes de la regin de estudio. Para ello
utiliza datos pluviomtricos de distintas estaciones en la zona, que son relativamente ms fciles de obtener
que los pluviogrficos (Faras & Olmos, 2007).
Uno de los problema fundamentales que se observa a nivel de la vertiente del lago Titicaca, es la ocurrencia
de eventos mximos de precipitacin, los cuales causan problemas, como inundaciones dentro de las partes
bajas de la cuenca, destruccin de obras hidrulicas y los deterioros de los suelos agrcolas por la accin de
erosin hdrica, entre otros.
Sin embargo el conocimiento del anlisis de mximas avenidas es de mucha importancia, ya que los
Ingenieros de estructuras hidrulicas aplican el tema de dimensionamiento de obras hidrulicas ya sea para
sistemas de riego, aprovechamiento de la energa hidrulica, carreteras, sistemas de drenaje agrcola,
evacuacin de aguas pluviales en las zonas urbanas, entre otras. Pero es necesario e importante indicar que,
los estudios hidrolgicos constituyen una herramienta bsica para establecer hasta qu punto es factible y
seguro un proyecto de desarrollo hidrulico, dentro de una cuenca hidrogrfica. Uno de los problemas
hidrolgicos que presenta la vertiente del lago Titicaca es la ocurrencia de mximas avenidas que causan
inundaciones, riesgo de vida til de las obras de canalizacin, erosin y transporte de sedimentos, debido al
exceso de lluvias en los meses de Enero, Febrero, y Marzo.
Los daos que causan las avenidas, son notorios en el aspecto econmico y social en las comunidades de la
vertiente, con mayor incidencia en las actividades agrcolas, pecuarias y urbanas de la zona en estudio. Por
otro lado, la seleccin correcta de una avenida de proyecto constituye un aporte esencial de los estudios de
ingeniera, para prevenir y controlar los problemas mencionados, es importante tener un criterio tcnico muy
amplio en el estudio hidrolgico del potencial de avenidas. Para ello, es necesario disponer de informacin
de series de precipitaciones mximas de mayor longitud de registro, esta nos permitir interpretar el
comportamiento hidrolgico de un evento, con el propsito de predecir el riesgo que puede sufrir los
proyectos de mayor envergadura y garantizar la vida econmica de estructuras hidrulicas.
1
La razn fundamental de la presente investigacin es realizar el estudio del efecto de las variables
geogrficas en las precipitaciones mximas de la vertiente, con de propsito de establecer un modelo
regional que permita determinar la precipitacin en cualquier punto dentro de la vertiente.
Por otra parte, los mtodos estadsticos se apoyan en la existencia de series de datos de caudales en el lugar
de inters, las cuales son sometidas a un anlisis de frecuencias usando tcnicas tradicionales de estudio.
Esto implica que la curva de frecuencia definida para un determinado lugar es vlida rigurosamente para ese
lugar; cuando generalmente la informacin que se requiere es en un lugar diferente, donde no existen datos
medidos; la regionalizacin de datos permite combinar informaciones de diversos lugares en la cuenca o
regin, para producir por ejemplo, una curva regional de frecuencias, vlida en toda la regin y lugares sin
informacin; este recurso entre tanto, est limitado a descargas de hasta 100 aos de perodo de retorno. Los
resultados podran ser confiables siempre que existan suficientes datos disponibles y no hayan ocurrido
modificaciones importantes en el rgimen del curso de agua durante el perodo de registro, o despus; se
acepta entonces, la condicin de que el comportamiento del sistema continuar siendo el mismo durante el
perodo de clculo (en el futuro).
En el presente proyecto nos planteamos las siguientes interrogantes:
Cmo es la influencia de factores climticos en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca?
2.1. Hiptesis
2.1.1. Hiptesis general
Existe influencia directa de los factores climticos en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca.
2.1.2. Hiptesis especficas
Los factores climticos tienen influencia directa en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca.
Los elementos climticos influyen directamente en la regionalizacin de precipitaciones mximas en la
vertiente del lago Titicaca.
Dnde: Lat = representa a la latitud del lugar considerado y lpm(i)= es el lugar de presin mxima en Chile
para el mes i. Los coeficientes a y b dependen de la latitud (Lat) y longitud (lon) y estn dados por:
0.987 0.6850 0.1910 )
3.483 0.0862 0.0221 )
Donde el coeficiente de determinacin muestra que las relaciones explican el 87,9% de la variabilidad,
adems p < 0,01, lo que indica que las variables estn relacionadas significativamente con un 99% de
confianza.
Ellos calcularon la precipitacin mxima en 24 horas a partir de la relacin (Morales, Casanova, Castellaro,
& Mattar, 2005)
21.359495-../
Su modelo explica el 67.2% de la variabilidad, adems p < 0.01, indica que los valores de precipitacin
mxima en 24 horas y los montos medios mensuales estn relacionados significativamente con un 99% de
confianza.
- Determinacin de la altura pluviomtrica promedio anual 0, ya sea utilizando una estacin de referencia o
por interpolacin en el mapa de isoyetas.
- Estimacin de las alturas anuales para diversas frecuencias, ya sea a partir de ecuaciones generales
derivadas de las leyes estadsticas o mediante las relaciones del tipo
Dnde:
P0.5, P0.1, P0.01 = alturas de precipitacin anual para una probabilidad de 0.5, 0.1 y 0.01 respectivamente
(perodo de retorno de 2, 10 y 100 aos).
- Determinacin de la precisin de los resultados en funcin del nmero de aos de observaciones
disponible.
- Estimacin de las alturas pluviomtricas diarias H para diversos perodos de retorno, a partir de las leyes
estadsticas o mediante las relaciones:
Bell con las extrapolaciones realizadas por el USBW para los perodos de retorno de 50 y 100 aos lleg a la
siguiente ecuacin (Bell, 1969):
:;
0.21 ln > 0.52 2 ? > ? 100
:/-
Dnde: T = perodo de retorno (aos), t = duracin (min), :/- = altura de lluvia para una duracin
de t y 10 aos de perodo de retorno, en mm, :; = altura de lluvia para la duracin t y un perodo de
retorno T, en mm.
Para representar la relacin matemtica lluvia-duracin, Bell encontr que la siguiente ecuacin es
la ms conveniente (Bell, 1969)
:;
-.1
0.50 5 ? ? 120
; 0.54
@-
Dnde:
;
@= altura de lluvia para 60 minutos y un perodo de retorno T
Realizando la combinacin de las ecuaciones anteriores obtenidas por Bell se obtiene (Bell, 1969)
;
:; 0.21 ln > 0.520.54 -.1 0.50@-
:;
:/-G /:
/;
H ;
Cheng presenta un nomograma en el cual grfica los parmetros de tormenta contra R (Cheng,
1983).
La desventaja de esta ltima frmula es que requiere dos valores ms que la propuesta por Bell,
pero tambin se toma en cuenta que tiene menos suposiciones (Bell, 1969).
Segn Cheng las suposiciones de Bell no responden a las variaciones geogrficas que toma en
IK
INJOO
INJO
(Cheng, 1983).
Si, tomando en cuenta las consideraciones que realizo Bell, para las relaciones de duracin y
IK
:;
INJOO
INJO
De esta manera slo se requiere el valor de //- , los valores de a1 = 22.57, b1 = 7.48 y
IK
De acuerdo con los resultados anteriores, se pueden usar varias opciones: si slo se tienen el valor
/de //- , se emplear la ecuacin de Bell, aunque es ms fcil tener valores de
y mediante un
;
anlisis regional se puede obtener el valor de H /; /
, para deducir //- . Por otra parte, si se
Las funciones anteriores, aun cuando son las ms comnmente usadas en la hidrologa aplicada, no son
todas, pues el enfoque no es exhaustivo.
3.4.1. Distribucin Log-normal
Es una distribucin para una variable aleatoria cuyos logaritmos siguen una distribucin normal, con
parmetros y . Los datos hidrolgicos, a veces, tienen una distribucin fuertemente asimtrica y en
general en esos casos una transformacin logartmica la convierte en una distribucin normal.
As la funcin de densidad y la funcin de distribucin acumulada de probabilidad son:
f (Y ) =
1 Y
P (Y < Ydado ) = F (Y ) =
1
2
1 Y
2
dY
Dnde:
Y = ln Q o PP para precipitacin; = media poblacional. Promedio de Y.; y = desviacin estndar
de Y (Sy).
La distribucin Log Normal es de gran utilidad porque abre el amplio campo terico de aplicacin de la
distribucin Normal. Como ambas distribuciones, Normal y Log-Normal son de dos parmetros, basta
calcular la media y la desviacin estndar de los caudales o las precipitaciones y de sus respectivos
logaritmos. El grado de ajuste de una serie de datos puede, como en los dems casos, ser examinado a travs
del uso del papel de probabilidades Log Normal, donde debe resultar una recta.
3.4.2. Distribucin de Gumbel y Log Gumbel
Los valores extremos en cuestin seran las descargas o precipitaciones diarias mximas anuales, ya que cada
una es la mxima entre los 365 valores del ao. Para aplicar esa ley, se debe tener en cuenta que existen
muestras, cada una constituida de 365 elementos, del universo de la poblacin infinita de la variable aleatoria
que es el caudal o precipitacin diaria. De acuerdo con la ley de los extremos, la ley de distribucin de la
serie de n trminos constituidos por los mayores valores de cada muestra tiende asintticamente para una ley
simple de probabilidades, que es independiente de la que rige la variable aleatoria a las diferentes muestras y
en el propio universo de la poblacin infinita.
Esa es la base del mtodo de Gumbel (o distribucin de valores extremos Tipo I), en el cual se calcula P por
la siguiente relacin:
P = 1 e e
1
(Q Q + 0.45 Q )
0.7997
Y =
Dnde:
Q
diseada conocindose: Q =
n
(Q Q )
y SQ =
n 1
El eje donde estn marcados los valores de Y puede ser graduado en tiempos de retorno a travs de la
relacin T =
1
y de esta manera, a cada caudal le corresponde un perodo de retorno; conocindose a este
P
Q
Q =
n
(Q Q )
=
2S (Q Q )
3
cQ
(Q Q )
SQ =
n 1
n Q 3 3n( Q ) Q 2 + 2n( Q )
n(n 1)(n 2) S Q
f (Q) =
(Q ) e
( )
(Q ) e
( )
0
dQ
Dnde:
= parmetro de posicin: Q = +
= parmetro de escala: S Q =
= parmetro de forma: cQ =
De forma anloga al caso anterior, si se hace Y = ln Q, se genera la distribucin Log Pearson III,
procedindose con un anlisis semejante (Aparicio, 1992).
10
hiptesis que se formulen deben realizarse para analizar el comportamiento de la lluvia que ocurre con
mayor frecuencia (Cortes, 2003).
3.6.2. Distribucin regional de las lluvias mximas
La distribucin regional de las lluvias mximas se estructura con el apoyo de la hiptesis establecida y para
tal efecto se estipula que los atributos que diferencian un rea de otra, se reflejan en un mapa de isoyetas,
construido con datos de precipitaciones medias anuales y las ventajas obtenidas son: El mapa de isoyetas se
ha construido con informacin obtenida en un gran nmero de estaciones de la cuenca de estudio, registrada
durante un periodo de tiempo grande, lo cual garantiza su confiabilidad; El valor de la variancia de los datos
de precipitacin media anual, es menor que los valores asociadas con duraciones menores; y La hiptesis
establecida, como punto de partida, puede ser aceptada o rechazada de acuerdo con los resultados obtenidos.
Sin embargo, el proceso de la distribucin regional de lluvias mximas debe realizarse para precipitaciones
mximas asociadas a cortas y largas duraciones, y para llevar a cabo tal procedimiento se construyen tres
planos de isoyetas, uno de base y dos de apoyo, con las caractersticas siguientes:
El plano base se construye con datos de precipitacin media anual y se elabora con datos de precipitacin
mxima anual asociada a una duracin de 30 minutos y un periodo de retorno de 5 aos.
El segundo base se construye para el mismo periodo de retorno y con datos de lluvia mxima anual
asociados a una duracin de 24 horas (Cortes, 2003).
Y$ = b0 + b1 X 1 + b2 X 2 +...
La estimacin de los coeficientes de una regresin mltiple es un clculo bastante complicado y laborioso,
por lo que se requiere del empleo de programas de computacin especializados.
Sin embargo, la
interpretacin de los coeficientes es similar al caso de la regresin simple: el coeficiente de cada variable
independiente mide el efecto separado que esta variable tiene sobre la variable dependiente. El coeficiente
de determinacin, por otro lado, mide el porcentaje de la variacin total en Y que es explicado por la
variacin conjunta de las variables independientes (COLE, 2002).
El anlisis de regresin mltiple, dispone de una ecuacin con dos variables independientes adicionales:
T , , +/ X1 + b2X2
Se puede ampliar para cualquier nmero m de variables independientes:
T , , +/ X1 + b2X2 + +bnXn
11
Para poder resolver y obtener los parmetros en una ecuacin de regresin mltiple el clculo se presenta
muy tedioso porque se tiene que atender 3 ecuaciones normales que se generan por el mtodo de mnimo de
cuadrados:
Para poder resolver se puede utilizar programas informticos como AD+, SPSS, Minitab y Excel (Robles,
2009).
YT TZ[
W
1
Dnde:
Y=Valores observados en la muestra
TZ = Valores estimados a partir a partir de la ecuacin de regresin
n=
Nmero de datos
m=
x3
x1 , x 2
simultneamente.
\
U]^_^
a
U]::
12
3.12. Modelos
(Ponce, 1998) En ingeniera hidrolgica, existe cuatro tipos de modelos matemticos: (1) Determinstico, (2)
Probabilstico, (3) Conceptual y (4) Paramtrico. Un modelo conceptual es una representacin simplificada
del proceso fsico, obtenida por las variaciones espacial y temporal, agregado, y descrito en trminos de
cualquiera de las ecuaciones diferenciales ordinarias o ecuaciones algebraicas. Un modelo paramtrico
representa procesos hidrolgicos por medio de ecuaciones algebraicas, este contiene parmetros claves para
ser determinados en forma emprica.
13
Q(t ) = I (t )
14
IV. METODOLOGA
4.1. Extensin y Ubicacin
La vertiente del Lago Titicaca, est delimitada geogrficamente entre las coordenadas 1403' y 20 00' de
Latitud Sur y entre 66 21' y 7107' de Longitud Oeste. La superficie del Sistema TDPS es de 144,590.46
Km, y abarca gran parte del departamento de Puno - Per, su extensin es equivalente al
Tabla 1. Ubicaciones geogrficas de las estaciones meteorolgicas estudiadas
Estacin
Pmax (Mm)
Altitud
Latitud
Longitud
Ananea
52.86
4660
14.67872222
69.53452778
Arapa
50.94
3830
15.13555556
70.11861111
Ayaviri
55.96
3928
14.88111111
70.59277778
Azangaro
57.16
3863
14.91472222
70.19111111
Cabanillas
56.11
3900
15.63930000
70.34638889
Capachica
54.47
3933
15.61580000
69.84430000
Capazo
44.38
4530
17.18638889
69.74555556
Chuquibambilla
57.31
3971
14.79638889
70.72833333
Cojata
54.17
4380
15.01666667
69.35555556
Crucero
63.78
4183
14.36260000
70.02380000
Desaguadero
66.94
3808
16.56880000
69.04040000
Huancane
59.84
3890
15.20333333
69.76250000
Huaraya Moho
65.62
3890
15.38972222
69.49138889
Isla Taquile
84.04
3850
15.77944444
69.69472222
Juli
70.26
3812
16.20361111
69.45972222
Lampa
54.82
3892
15.35583333
70.37277778
Laraqueri
66.21
3900
16.15250000
70.06777778
Los Uros
50.41
3808
15.79638889
69.91500000
Maazo
61.54
3920
15.81333333
70.33888889
Mazo Cruz
40.22
4003
16.74555556
69.71166667
Muani
40.5
3948
14.77944444
69.96583333
Pampahuta
45.99
4400
15.49138889
70.67750000
Pizacoma
49.76
3930
16.91500000
69.37277778
Progreso
42.46
3980
14.69472222
70.35555556
Pucara
56.53
3900
15.03361111
70.37277778
Puno
63.61
3812
15.82333333
70.01805556
Putina
48.30
3878
14.9150000
69.86805556
Tahuacoyunguyo
56.72
3891
16.3050000
69.06750000
Taraco
68.61
3849
15.3050000
69.98250000
Fuente: SENAMHI-Puno
15
33.9% del TDPS, asimismo abarca los departamentos de La Paz y Oruro - Bolivia con una extensin
equivalente al 60.8% del TDPS y una pequea parte que est en territorio chileno equivalente al 5.2% del
rea total del sistema TDPS. Por sus caractersticas fsico naturales, el lago Titicaca constituye el elemento
de mayor importancia del sistema hdrico, tiene una superficie de 8400 Km para un nivel promedio de 3810
m.s.n.m. y embalsa aproximadamente un volumen de 932 mil millones de metros cbicos.
4.2. Geologa
Segn los estudios geolgicos, durante el cuaternario, la evolucin del altiplano ha estado ligada
fundamentalmente a los c de clima. La alternancia de los perodos hmedos y secos, clidos y glaciares, han
determinado en la cuenca endorreica del altiplano el desarrollo de lagos sucesivamente ms amplios o ms
reducidos que los actuales. Los estudios existentes (SERVANT, FONTES) muestran que durante el
Pleistoceno superior se sucedieron varias fases glaciares que determinaron una progresiva reduccin de la
superficie lacustre, que al comienzo del Pleistoceno se nivelaba alrededor de 200 m por encima de su nivel
actual, con un rea de ms de 50.000 km2; contra aproximadamente 8.400 actuales.
Los lagos ms antiguos del cuaternario (Mantaro y Cabana) ocupaban todo el altiplano, el cual ya formaba
una cuenca endorreica. Los posteriores lagos Ballivian, al norte y Escara al sur, estaban separados por el
paso Ulloma-Callapa. Sin embargo, en la poca del lago Minchn todo el rea comenz a tributar hacia los
salares de Copaisa y otras depresiones meridionales. En algunos perodos del Pleistoceno, el Lago Titicaca
alcanz niveles bastante ms bajos que los actuales, de manera especial durante las glaciaciones (algunos
autores hablan de 60 m). En el Holoceno, las investigaciones arqueolgicas y los datos de espesor de
aluviones muestran que el nivel del Lago alcanz fluctuaciones cercanas a los 30 m. Hace 500 aos el nivel
del Lago era mayor que el actual, en unos pocos metros.
Durante los periodos de descenso el clima era seco y el Desaguadero no llevaba agua fuera de la cuenca
endorreica del Titicaca. La divisoria con las cuencas del sur se encontraba en la zona de Aguallamaya. Los
ros que tributaban al Titicaca presentaban lechos erosionados y formaban canales que penetraban en el lago
actual varias centenas de metros.
Evidencias de tales canales se encuentran en el fondo del lago, a profundidades de 10 y 20 metros frente a
las desembocaduras actuales (en el Lado peruano se ha encontrado una formacin arcillosa lacustre con
paleocauces colmatados a 30 m de profundidad con respecto al nivel actual, debajo de un relleno de limos,
arenas y gravas). Evidentemente, durante los periodos de bajos niveles el ro Desaguadero verta al lago
mismo, al igual que los flujos de todas las napas localizadas aguas arriba de Aguallamaya. Al sur de esta
divisoria, los flujos se dirigan hacia el Desaguadero y los lagos del sur.
4.3. Topografa
Es una tpica cuenca de montaa, donde la porcin del altiplano es reducida y en gran parte cubierta por las
aguas del Lago, rodeadas por las cordilleras oriental y occidental. Las vertientes oriental y nor-oriental son
16
muy irregulares, con pendientes moderadas a altas y estn constituidas por montaas y colinas de rocas
sedimentarias en gran parte disectadas y con importantes acumulaciones de material detrtico, especialmente
fluvioglaciar; la red hidrogrfica es bien organizada y densa.
La vertiente occidental, en su mayor parte perteneciente a la cordillera occidental, est constituida
principalmente por macizos montaosos volcnicos de laderas redondeadas y amplias intercaladas con
algunos relieves sedimentarios.
4.4. Climatologa
Todos los datos utilizados, tanto para las interpretaciones climticas como hidrolgicas, provienen de los
Servicios Nacionales de Hidrologa y de Meteorologa (SENAMHI) de La Paz y Puno, quienes efectuaron
las colecciones. En las zonas de altitud inferior a 4.000 m, las temperaturas medias anuales varan entre 7 y
10 C. Alrededor del lago mismo, las temperaturas son, sin embargo, superiores a 8 C. (Boulange y Aquize,
1981) evalan que la temperatura media anual a nivel del lago debera ser de 0 C y atribuyen la diferencia
de temperatura al efecto trmico de la masa de agua.
No obstante, el mapa de las temperaturas medias anuales de Bolivia (Roche et al., 1990) muestra tambin
valores prximos a 8 C en toda la mitad este del Altiplano boliviano (7,3 C en Uyuni) y en el lago Poop,
de influencia trmica ms reducida. Se debe tambin notar que estaciones comprendidas entre 3.900 y 4.000
m, en los extremos sur y norte de la regin del lago, tienen temperaturas del orden de 7 C. El lago tempera
el clima, sobre todo disminuyendo la amplitud de las temperaturas, pero no parece ocasionar en su contorno
un aumento de la temperatura media anual superior a 2 C.
El mapa de curvas isotermas de la hoyada fue trazado con la correlacin establecida entre temperatura y
altitud, y a partir del mapa de curvas de nivel. Los datos de algunas estaciones situadas fuera de la cuenca
fueron tambin tomados en consideracin para obtener una escala de altitudes la ms amplia posible.
El gradiente trmico es de 0,76 C/100 m. Para la zona comprendida entre 3.800 y 4.000 m, la dispersin de
las temperaturas es grande debido a los efectos de exposicin, de abrigo y de distancia al lago. En las cimas
ms altas que delimitan la cuenca, la temperatura media anual desciende bajo cero alrededor de 5.100 m., las
temperaturas medias ms bajas tienen lugar en julio, en pleno invierno, mientras que las ms elevadas se
sitan de diciembre a marzo, generalmente centradas en febrero.
Por otra parte, segn las Memorias del Simposio Internacional sobre el Sistema del Lago Titicaca (2001) la
zona de la cuenca del Lago se caracteriza por tratarse de un clima templado, diferenciado en distintas reas:
El tipo de clima lluvioso y semifrgido con otoo, invierno y primavera secos ocurre en las cabeceras de las
cuencas del ro Suchez, ro Ramis y cuenca del ro Coata a altitudes entre 4.400 y los 5.000 metros. Los das
helados son superiores a los 150 das.
17
Si bien la precipitacin tiene un carcter lluvioso, precipita entre los 700 y 1.000 mm, las caractersticas
trmicas determinan una restriccin en la utilizacin de la tierra con fines agrcolas. El rea circunlacustre,
cuenca del ro Suchez, parte media de la cuenca del ro Ramis, cuenca del ro Coata y cuenca del ro Ilave
quedan incluidos dentro del tipo climtico lluvioso y fro con otoo, invierno y primavera secos. Su carcter
lluvioso est dando precipitaciones tambin entre 700 y 1000 mm.
El tipo de climtico semilluvioso fro con otoo, invierno y primavera secos corresponde a la parte baja de la
cuenca del ro Ramis y gran parte de la cuenca del ro Huancan, y al sur del lago, hasta las zonas de
Pizacoma en el Per e Irpa Chico en Bolivia. En esta subzona la precipitacin disminuye y vara entre 600 y
800 mm. El nmero de heladas es menor y las condiciones para las actividades agrcolas son buenas
4.5. Materiales
4.5.1. Informacin Meteorolgica
Para la modelacin, se utilizar registros meteorolgicos de cinco Estaciones, dependientes de la Oficina del
Servicio Nacional de Meteorologa e Hidrologa Puno, de una longitud de registro no menor de 26 aos,
consistente en lo siguiente.
Factores climticos: Latitud, longitud, altitud, etc.
Elementos climticos: Temperatura media mensual de las mnimas, Temperatura media mensual de las
mximas, Humedad Relativa media mensual, Evaporacin mensual, Radiacin solar, Insolacin diaria media
del mes y Velocidad media del viento. Las estaciones meteorolgicas utilizadas han sido todas las estaciones
existentes de la vertiente del lago Titicaca.
4.5.2. Informacin Cartogrfica
Se utilizar como auxilio las cartas Nacionales actualizadas a escala 1:100 000. (Modelo de elevacin
digital).
4.5.3. Equipos
Equipo de cmputo, con software: Excel, CROPWAT 8.0, ArcGis 10 y Eviews 5.
4.6. Mtodos
4.6.1. Diseo Estadstico
Para este efecto se utiliz el software: MINITAB 16.0, EXCEL 2010 y SAS 9.2 (sistema para el anlisis
estadstico) para clculos estadsticos. Para los clculos de regresiones y correlaciones se utiliz el software
MINITAB 16.0 y Excel 2010. Para la solucin del modelo de regresin mltiple de ser el caso, empleando
el siguiente modelo:
b 2G, c/ , c , , ca
18
Donde
i, i=1,2,,n = parmetros del modelo.
Para la obtencin de parmetros se soluciona las ecuaciones normales de la regresin mltiple.
4.6.2. Calibracin de la relacin
La calibracin se realiz aplicando la estimacin mnimo cuadrtica de coeficientes de regresin lineal
mltiple para el perodo determinado.
4.6.3. Validacin de la relacin
La validacin se realiz comparando el modelo o relacin con los valores observados de las estaciones.
4.6.4. Anlisis de Variancia
Para efectuar los anlisis comparativos se ha utilizado el diseo completo al azar cuyo modelo estadstico se
presenta a continuacin:
be f g he
Dnde:
i= 1.2...,t; t= nmero de tratamientos (valores estimados y los valores observados); j= 1,..., n (nmero de
meses del ao); y = error experimental
4.6.5. Estimacin de parmetros
La estimacin de los parmetros se hizo empleando el mtodo de la mxima verosimilitud. Este mtodo de
estimacin se utiliza cuando se supone conocida la funcin de densidad de probabilidad (pdf) del trmino de
perturbacin del modelo de regresin mltiple.
Sea el modelo de regresin lineal general Y = X + U . Si ese tiene informacin sobre la funcin de
distribucin del error, f(u) es posible utilizar el mtodo de la mxima verosimilitud para estimar los
parmetros del modelo de manera ms eficiente. Si suponemos que los errores son variables aleatorias
independientes y normalmente distribuidas, con media cero y varianza constante, se tendra:
2
In )
u
UNID(0;
f (u i ) =
1
2 n
2
1 u
i2
2 u
19
Si los errores, ui, son variables aleatorias independientes e idnticamente distribuidas (iid), la funcin de
densidad conjunta del vector de errores es:
n
f (u ) = f (u1 ). f (u 2 )... f (u n ) =
2 n
i =1
1
f (u ) =
2 2
n
1 2 ui 2
1
e 2 u
=
2 2
n
2
1 u
i2
2 u
1 2 U 'U
e 2 u
L(Y ; X ; ; u ) :
2
L(Y ; X ; ; u ) = 2 u
2
n
2 2
1
2 u 2
(Y X )'(Y X )
Con fines de facilitar los clculos, podemos hallar el logaritmo de la funcin de verosimilitud o la loglikelihood function, l(.) = log (L(.))
( )
n
n
1
2
2
(Y ' Y + ' X ' X 2 ' X 'Y )
l (Y ; X ; ; u ) = log(2 ) log u
2
2
2
2 u
Max l (.)
Donde
l (.)
l (.)
~ 2
= 0;
= 0 ; ~u
2
20
V. RESULTADOS Y DISCUSIN
4.1. Prueba de bondad de ajuste de precipitacin mxima a distribuciones de probabilidad
En estudios hidrolgicos el anlisis de frecuencia es una herramienta utilizada para, predecir el
comportamiento futuro de los eventos mximos en un sitio de inters, a partir de la informacin histrica de
datos hidrolgicos. Es un mtodo basado en procedimientos estadsticos que permite calcular la magnitud del
caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad de la serie
histrica, adems de la incertidumbre propia de la distribucin de probabilidades seleccionada. Cuando se
pretende realizar extrapolaciones, perodo de retorno mayor que la longitud de la serie disponible, el error
relativo asociado a la distribucin de probabilidades utilizada es ms importante, mientras que en
interpolaciones la incertidumbre est asociada principalmente a la calidad de los datos a modelar; en ambos
casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles. La extrapolacin de
frecuencias extremas en una distribucin emprica de crecientes es extremadamente riesgosa.
En el presente trabajo de investigacin, se ha visto por conveniente realizar las pruebas de bondad de ajuste
de las series histricas de datos de precipitaciones mximas de 24 horas y para las 29 estaciones que se
encuentran dentro de la vertiente del Lago Titicaca. En el cuadro 02 se presentan los resultados, de la prueba
de bondad de ajuste determinado en base del paquete estadstico de HIDROESTA, mostrando si la
distribucin se ajusta y el valor del D calculado entre parntesis, segn la prueba de bondad de ajuste de
Kolmogorov-Smirnov, en la ltima columna se presenta la distribucin que mejor se ajusta, por tener un
menor valor de D calculado.
Para el anlisis de frecuencia de precipitacin mxima, una vez escogida la distribucin de probabilidad que
mejor se ajusta, se realiz la determinacin de precipitaciones mximas para los perodos de retorno de 25,
50, 100 y 200 aos, valores usualmente utilizados en diseos para soportar caudales mximos
El valor de D calculado es la mxima diferencia entre la probabilidad acumulada emprica y terica, en valor
absoluto.
Las distribuciones de Log Normal 3 p y Log Gumbel son las que se ajustan mejor las precipitaciones
mximas de 24 horas en todas las estaciones de la vertiente del lago Titicaca.
21
Log Normal 3 p Log Pearson tipo III Log Gumbel Distribucin elegida
Ananea
Si (0.0490)
Si (0.05728)
Si (0.0624)
Log Normal 3 p
Arapa
Si (0.0762)
Si (0.07378)
Si (0.0639)
Log Gumbel
Ayaviri
Si (0.0628)
Si (0.07523)
Si (0.0964)
Log Normal 3p
Azangaro
Si (0.1329)
Si (0.11593)
Si (0.0806)
Log Gumbel
Cabanillas
Si (0.0527)
No
Si (0.0960)
Log Normal 3 p
Capachica
Si (0.0606)
Si (0.06643)
Si (0.0610)
Log Normal 3 p
Capazo
Si (0.0755)
Si (0.06919)
Si (0.0818)
Chuquibambilla
Si (0.0929)
Si (0.09269)
Si (0.0959)
Cojata
Si (0.0793)
Si (0.07677)
Si (0.0955)
Crucero
Si (0.0818)
No
Si (0.1535)
Log Normal 3 p
Desaguadero
Si (0.0544)
No
Si (0.0981)
Log Normal 3 p
Huancan
Si (0.0718)
No
Si (0.0916)
Log Normal 3 p
Huaraya Moho
Si (0.0665)
No
Si (0.0973)
Log Normal 3 p
Isla Taquile
Si (0.0934)
No
Si (0.0658)
Log Gumbel
Juli
Si (0.0730)
No
Si (0.0696)
Log Gumbel
Lampa
Si (0.0723)
No
Si (0.1369)
Log Normal 3 p
Laraqueri
Si (0.0760)
Si (0.10361)
Si (0.0915)
Log Normal 3 p
Los Uros
Si (0.0428)
No
Si (0.1115)
Log Normal 3 p
Maazo
Si (0.0734)
No
Si (0.0950)
Log Normal 3 p
Mazo Cruz
Si( 0.0682)
No
Si (0.1179)
Log Normal 3 p
Muani
Si (0.0544)
No
Si (0.1228)
Log Normal 3 p
Pampahuta
Si (0.1094)
No
Si (0.1619)
Log Normal 3 p
Pizacoma
Si (0.0524)
No
Si (0.1109)
Log Normal 3 p
Progreso
Si (0.0737)
Si (0.06941)
Si (0.0888)
Pucar
Si (0.0693)
No
Si (0.1305)
Log Normal 3 p
Puno
Si (0.0733)
Si (0.07102)
Si (0.0618)
Log Gumbel
Putina
Si (0.0607)
No
Si (0.1192)
Log Normal 3 p
TahuacoYunguyo Si (0.0481)
Si (0.04274)
Si (0.0593)
Taraco
Si (0.09224)
Si (0.0919)
Log Normal 3 p
Si (0.0784)
22
precipitacin, por estas razones se ha tenido la intencin de regionalizar las precipitaciones mximas de 24
horas las cuales se utilizan en vez de las intensidades mximas y teniendo como criterio de que los factores y
elementos climticos explican la variabilidad de la ocurrencia de las precipitaciones mximas.
4.2.1. Modelo regional de frecuencia de precipitacin mxima para las estaciones
Para determinar el modelo regional se utiliz primeramente regresin lineal mltiple, cuyo modelo planteado
es el siguiente:
2>, i, , )j, c
Dnde: Pmax = precipitacin mxima (mm) de 24 horas, T = perodo de retorno (aos), Alt = altitud
(msnm), Lat = latitud (grados), Long = longitud (grados), y i = parmetro i del modelo, i = 1, 2,, n, n =
nmero de parmetros del modelo.
Media
Desviacin Estndar
Observaciones
Anderson Darling
Probabilidad
Periodo de retorno
93.75
67.31
116
9.351
<0.005
Precipitacin mxima
67.31
17.14
116
1.480
<0.005
Altitud
3984
220.8
116
14.759
<0.005
Latitud
15.53
0.7203
116
1.923
<0.005
Longitud
69.93
0.4419
116
0.759
0.047
23
Se obtuvo la probabilidad de excedencia menor a una significancia de 0.05, por tanto, se rechaza la hiptesis
nula planteada, que los datos de precipitacin mxima son normales; el valor de la prueba de normalidad de
Anderson Darling es de 1.480, obtiene una probabilidad de excedencia menor a una significancia de 0.05,
por tanto, se rechaza la hiptesis nula que los datos de altitud son normales;
La prueba de normalidad de Anderson Darling cuyo valor es de 14.759, obtiene una probabilidad de
excedencia menor a una significancia de 0.05, por tanto, se rechaza la hiptesis nula que los datos de latitud
son normales; y la prueba de normalidad de Anderson Darling 1.923, obtiene una probabilidad de excedencia
ligeramente menor a una significancia de 0.05, por tanto, se rechaza la hiptesis nula que los datos de latitud
son normales y La prueba de normalidad de Anderson Darling 0.759, obtiene una probabilidad de excedencia
es mayor a una significancia de 0.05, por tanto, no se rechaza la hiptesis nula que los datos de longitud no
son normales.
Se ha determinado los coeficientes de asimetra de los datos de las variables para utilizar una transformacin
apropiada, esto a fin de aplicar la modelacin correspondiente.
Tabla 4. Coeficiente de asimetra de las variables originales
Variable
Coeficiente de asimetra
T (aos)
Pmax (mm)
0.67
1.13
Altitud
Latitud
Longitud
0.60
-0.16
1.89
Transformacin
log/- >
24
cumplir la normalidad, que la variable transformada latitud estrictamente no cumple con la normalidad y la
variable transformada longitud si cumple con la normalidad.
En el siguiente cuadro se presenta los valores de coeficiente de asimetra obtenidos despus de la
transformacin de datos. Los coeficientes de asimetra son cercanos a cero por lo cual se considera haber
normalizado los datos para que tengan una distribucin de frecuencia simtrica a la media.
Tabla 6. Coeficiente de asimetra de las variables transformadas
Variable transformada
T (aos)
Pmax (mm)
Altitud
Latitud
Longitud
Con las variables transformadas se realiz un anlisis de regresin. Los resultados se muestran a
continuacin en el cuadro y en la figura siguiente.
Tabla 7. Resultados del modelo regresin lineal mltiple
Predictor
Coeficiente
SE coeficiente
Constante
0.21088000
0.01830000
11.52
0.0000
-0.02515900
0.00388000
-6.47
0.0000
-0.00002693
0.00000571
-4.71
0.0000
-0.00452100
0.00293700
-1.54
0.0000
0.02042000
0.01065000
2.10
0.0380
log/- >
C@.1-k/
l 10
)j/../. /10
Estadstico t
Probabilidad
GL
SC
CM
Fc
Probabilidad
0.0139494
0.0034873
17.56
0.000000
Error
111
0.0220430
0.0001986
Total
115
0.0359924
Regresin
25
regresin no es espuria, adems este estadstico al ser mayor a cero muestra que los residuos no estn
autocorrelacionados.
El modelo de regresin obtenido para la vertiente del Lago Titicaca es
G m0.211 0.0252 log/- > 0.000027i CR.@R / l 10/- 0.00452 C@.1-k/ l 10Q
)j/../.
0.0224
n
10
C//-. -Rk
Dnde:
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alti = altitud (msnm), Lat =
latitud sur (grados), y Long = longitud oeste (grados)
Versus Fits
0.04
99.9
99
0.02
Residual
Percent
90
50
10
0.00
-0.02
-0.04
0.150
0.1
-0.050
-0.025
0.000
Residual
0.025
0.050
0.165
Histogram
0.210
Versus Order
0.04
30
0.02
Residual
Frequency
0.180
0.195
Fitted Value
20
10
0.00
-0.02
-0.04
0
-0.03 -0.02 -0.01
0.00 0.01
Residual
0.02
0.03
10
20
30
40
50
60
70
80
90 100 110
Observation Order
26
Estacin
T = 25
T = 50
T = 100
T = 200
Altitud
Latitud
Longitud
Ananea
52.86
66.58
82.7
101.5
4660
14.67872222
69.53452778
Arapa
50.94
57.89
65.71
74.57
3830
15.13555556
70.11861111
Ayaviri
55.96
62.62
69.43
76.44
3928
14.88111111
70.59277778
Azangaro
57.16
63.94
70.76
77.69
3863
14.91472222
70.19111111
Cabanillas
56.11
61.6
67.01
72.38
3900
15.63930000
70.34638889
Capachica
54.47
61.8
69.63
78
3933
15.61580000
69.84430000
Capazo
44.38
50.23
56.52
63.29
4530
17.18638889
69.74555556
Chuquibambilla
57.31
64.18
71.23
78.5
3971
14.79638889
70.72833333
Cojata
54.17
61.52
69.39
77.85
4380
15.01666667
69.35555556
10
Crucero
63.78
70.74
77.63
84.52
4183
14.36260000
70.02380000
11
Desaguadero
66.94
74.22
81.58
89.09
3808
16.56880000
69.04040000
12
Huancane
59.84
64.52
69.04
73.45
3890
15.20333333
69.76250000
13
Huaraya moho
65.62
71.1
76.49
81.83
3890
15.38972222
69.49138889
14
Isla Taquile
84.04
99.09
116.69
137.34
3850
15.77944444
69.69472222
15
Juli
70.26
81.3
93.96
108.55
3812
16.20361111
69.45972222
16
Lampa
54.82
59.57
64.22
68.81
3892
15.35583333
70.37277778
17
Laraqueri
66.21
77.5
89.92
103.56
3900
16.15250000
70.06777778
18
Los uros
50.41
54.22
57.79
61.19
3808
15.79638889
69.91500000
19
Maazo
61.54
69.18
76.97
84.95
3920
15.81333333
70.33888889
20
Mazo cruz
40.22
42.86
45.29
47.56
4003
16.74555556
69.71166667
21
Muani
40.5
43.44
46.27
49.02
3948
14.77944444
69.96583333
22
Pampahuta
45.99
48.49
50.85
53.10
4400
15.49138889
70.67750000
23
Pizacoma
49.76
54.05
58.18
62.20
3930
16.91500000
69.37277778
24
Progreso
42.46
46.02
49.52
52.99
3980
14.69472222
70.35555556
25
Pucara
56.53
61.84
67.03
72.14
3900
15.03361111
70.37277778
26
Puno
63.61
73.7
85.3
98.67
3812
15.82333333
70.01805556
27
Putina
48.3
51.44
54.36
57.13
3878
14.91500000
69.86805556
28
Tahuacoyunguyo
56.72
64.43
72.75
81.73
3891
16.30500000
69.06750000
29
Taraco
68.61
81.06
94.77
109.85
3849
15.30500000
69.98250000
27
El resultado del anlisis clster definiendo 5 zonas homogneas se presenta en la siguiente figura.
Similarity
0.00
33.33
66.67
100.00
1
9 11 28 13 15 17 26 29 14
4 25
5 16
6 12 18 27
8 19 10 21 24 22
7 20 23
Observations
GRUPO
Ananea, Cojata
II
III
IV
Isla Taquile
28
Transformacin
log/- >
G C.- Rk
Pmax
Luego se hizo la prueba grfica de normalidad como se muestra en las figuras de los anexos.
En el siguiente cuadro se presentan los resultados del anlisis de regresin.
Tabla 12. Anlisis de regresin del modelo para la regin I
Predictor
Coeficiente
SE coeficiente
Prueba estadstico t
Probabilidad
Constante
0.0010619
0.0002749
3.8600
0.0120
-0.00020102
0.00002493
-8.0600
0.0000
-0.00000011
0.00000006
-1.8700
0.1210
log/- >
Altitud
GL
SC
CM
Fc
34.26
Regresin
3.85769E-08
1.92884E-08
Error
2.81540E-09
5.63079E-10
Total
4.13923E-08
Probabilidad
0.001
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), y Alti = altitud (msnm).
Las variables latitud y longitud no fueron consideradas en el modelo por que generan multicolinealidad con
las dems variables independientes y adems en este grupo slo se tiene dos estaciones.
En los siguientes grficos se muestra la variacin de los residuales como pruebas de la normalidad y
homogeneidad de varianzas.
Normal Probability Plot
Versus Fits
99
0.00004
Residual
Percent
90
50
0.00002
0.00000
10
-0.00002
1
-0.000050
-0.000025
0.000000
Residual
0.000025
0.000050
Fitted Value
Histogram
Versus Order
0.00004
Residual
Frequency
3
2
1
0.00002
0.00000
-0.00002
0
0.0
2
00
-
0
0.0
1
00
0
0.0
0
00
0
0.0
1
00
04
03
02
00
00
00
0
0
0
.
.
.
0
0
0
3
4
5
6
Observation Order
Residual
Transformacin
log/- >
G -.1@1/
i
C-.Q@ @
)j
30
Luego se hizo la prueba grfica de normalidad como se muestra en las figuras de los anexos.
En el siguiente cuadro se presentan los resultados del anlisis de regresin.
Tabla 15. Resultados del anlisis de regresin del modelo para la regin II
Predictor
Constante
log/- >
iitud
C-.Q@1
)jop
Coeficiente
SE coeficiente
Prueba estadstico t
Probabilidad
-13.5200000
27.0100000
-0.5000
0.6190
1.6673000
0.3171000
5.2600
0.0000
-0.0012359
0.0008330
-1.4800
0.1430
-10.29000000
48.0000000
-0.2100
0.8310
0.3778000
0.3941000
0.9600
0.3420
GL
SC
CM
Fc
Probabilidad
Regresin
22.0409
5.5102
7.5600
0.000
Error
59
43.0206
0.7292
Total
63
Versus Fits
2
99.9
99
1
Residual
Percent
90
50
10
0
-1
-2
0.1
-2
-1
0
Residual
9.0
Histogram
10.0
10.5
Fitted Value
11.0
Versus Order
2
16
12
Residual
Frequency
9.5
0
-1
-2
0
-1.6
-0.8
0.0
Residual
0.8
1.6
1 5
10 15 20 25 30 35 40 45 50 55 60
Observation Order
Transformacin
log/- >
)j
Luego se hizo la prueba grfica de normalidad como se muestra en las figuras de los anexos.
32
Tabla 18. Resultados del anlisis de regresin del modelo para la regin III
Predictor
Coeficiente
Constante
log/- >
i
SE coeficiente
Prueba estadstico t
Probabilidad
1.5281
0.1243000
12.3000
0.000
-0.020893
0.0022200
-9.4100
0.000
0.00004689
0.0000058
8.0800
0.000
-0.089414
0.0085410
-10.4700
0.000
GL
SC
CM
Fc
Probabilidad
Regresin
0.00136161
0.00045387
67.78
0.0000000
Error
0.00005357
0.00000670
Total
11
0.00141518
Versus Fits
99
0.004
Residual
Percent
90
50
0.002
0.000
-0.002
10
-0.004
0.15
1
-0.0050
-0.0025
0.0000
Residual
0.0025
0.0050
0.16
Histogram
0.19
Versus Order
0.004
Residual
Frequency
0.17
0.18
Fitted Value
0.002
0.000
-0.002
-0.004
0
01
03
02
.0
.0
.0
-0
-0
-0
0
00
0.
01
.0
02
.0
03
.0
04
.0
4 5 6 7 8 9
Observation Order
10 11 12
Transformacin
log/- >
Latitud
Longitud
i
/.R . 10/1
34
Luego se hizo la prueba grfica de normalidad como se muestra en las figuras de los anexos.
Coeficiente
Constante
-0.05037
0.04399
-1.1400
0.2640
i
-0.013619
0.001240
-10.9800
0.0000
0.00003377
0.00001122
3.0100
0.0060
-0.0002114
0.0007210
-0.2900
0.7720
-0.0022157
0.0006388
-3.4700
0.0020
log/- >
/.R /10/1
GL
SC
CM
Fc
Regresin
0.00070815
0.000017704
Error
23
0.00011225
0.00000488
Total
27
0.00082040
Probabilidad
36.2800
0.0000
C//-.R-
/.R
10/1
Dnde:
35
Pmax = precipitacin mxima de 24 horas (mm), T = perodo de retorno (aos), Alt = altitud (msnm),
Lat = latitud sur (grados), y Long = longitud oeste (grados).
En los siguientes grficos se muestra la variacin de los residuales.
Normal Probability Plot
Versus Fits
99
0.004
Residual
Percent
90
50
10
0.002
0.000
-0.002
1
-0.0050
-0.0025
0.0000
Residual
0.0025
0.0050
0.035
0.040
Histogram
0.055
Versus Order
6.0
0.004
4.5
Residual
Frequency
0.045
0.050
Fitted Value
3.0
1.5
0.002
0.000
-0.002
0.0
-0
03
02
01
.0
.0
.0
-0
-0
0
00
0.
00
0.
4
3
2
00
00
00
0.
0.
0.
8 10 12 14 16 18 20 22 24 26 28
Observation Order
Residual
36
160
140
y = 39.314x0.2362
R = 1
120
Pmax (mm)
100
80
Series1
Potencial (Series1)
60
40
20
0
0
50
100
150
200
250
T (aos)
37
Tabla 23. Modelo de Regresin Lineal entre factores y elementos climticos con precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad.
C(1)
-39.34149
289.8880
-0.135713
0.8923
0.115367
0.017699
6.518139
0.0000
Altitud (msnm)
C(3)
-0.011544
0.007152
-1.614164
0.1095
Latitud
C(4)
2.458878
2.206187
1.114538
0.2676
Longitud
C(5)
1.684666
3.795017
0.443915
0.6580
Oscilacin de T
C(6)
-2.467933
0.490804
-5.028346
0.0000
0.371643
0.159594
2.328671
0.0218
R-squared
0.479874
66.69955
Adjusted R-squared
0.450152
16.93067
S.E. of regression
12.55438
7.958478
16549.31
Schwarz criterion
8.128384
Log likelihood
-438.6748
Durbin-Watson stat
0.639558
Coeficiente
La prueba t indica que las variables que presentan coeficientes significativos son el periodo de retorno, la
oscilacin de temperatura y la humedad relativa al 95% de confianza, las dems variables no presentan
coeficientes significativamente diferentes de cero. El 48% de la variacin de la precipitacin mxima es
explicado por las variables independientes. La regresin no es espuria puesto que R2 < Durbin-Watson. La
ecuacin obtenida es la siguiente.
Pmax = -39.3414+0.1153(T) - 0.01154(Alt)+2.4588 (Lat)+1.6846 (Long)-2.4679(Osc)+0.3716 (HR)
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Alt = altitud
(msnm), Lat = latitud sur (grados), Long = longitud oeste (grados), Osc = oscilacin media de temperatura
(C), HR = humedad relativa media (%).
4.3.2. Modelo de Regresin no lineal entre factores, elementos climticos y precipitacin mxima
En la siguiente tabla se presenta los resultados de regresin no lineal.
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos son el periodo
de retorno y la oscilacin de temperatura al 95% de confianza, los dems logaritmos de las variables no
presentan coeficientes significativamente diferentes de cero. El 52% de la variacin de la precipitacin
mxima es explicado por las variables independientes. La regresin no es espuria puesto que R2 < DurbinWatson. La ecuacin obtenida es la siguiente.
Pmax = 6633.116T0.1586(Alt)-0.4534(Lat)0.2566(Long)-0.3966(Osc)-0.5647(HR)0.2372
38
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Alt = altitud
(msnm), Lat = latitud sur (grados), Long = longitud oeste (grados), Osc = oscilacin media de temperatura
(C), HR = humedad relativa media (%).
Tabla 24. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima
Variables
C(1)
Coeficiente
6633.116
Std. Error
113963.8
t-Statistic Probabilidad
0.058204
0.9537
0.158628
0.022223
7.137890
0.0000
Altitud
C(3)
-0.453417
0.420032
-1.079483
0.2828
Latitud
C(4)
0.256619
0.500683
0.512538
0.6094
Longitud
C(5)
-0.396621
3.690114
-0.107482
0.9146
Oscilacin de T
C(6)
-0.564742
0.101653
-5.555590
0.0000
0.237298
0.136190
1.742398
0.0844
R-squared
0.516296
66.69955
Adjusted R-squared
0.488656
16.93067
S.E. of regression
12.10684
7.885880
15390.44
Schwarz criterion
8.055786
Log likelihood
-434.6093
Durbin-Watson stat
0.567740
Coeficiente
4.3.3. Modelo de Regresin no lineal 1 entre factores, elementos climticos y precipitacin mxima
En este modelo solo se tom en cuenta las variables independientes el periodo de retorno, la altitud, la
oscilacin media de la temperatura y la humedad relativa, omitindose la latitud sur y la longitud oeste.
Tabla 25. Modelo de Regresin no lineal entre factores y elementos climticos y precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad.
Coeficiente
C(1)
3040.851
9233.601
0.329324
0.7426
Tiempo de Retorno
C(2)
0.158573
0.022071
7.184617
0.0000
Altitud (msnm)
C(3)
-0.470853
0.412513
-1.141426
0.2562
Oscilacin de T
C(4)
-0.572460
0.094918
-6.031109
0.0000
Humedad Relativa
C(5)
0.228587
0.128737
1.775617
0.0786
R-squared
0.513868
66.69955
Adjusted R-squared
0.495695
16.93067
S.E. of regression
12.02322
7.855173
15467.69
Schwarz criterion
7.976534
Log likelihood
-434.8897
Durbin-Watson stat
0.568185
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos son el periodo
de retorno y la oscilacin de temperatura al 95% de confianza, los dems logaritmos de las variables no
39
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Alt = altitud
(msnm), Osc = oscilacin media de temperatura (C), HR = humedad relativa media (%).
Coeficiente
Std. Error
t-Statistic
Probabilidad
Coeficiente
C(1)
100.0919
53.51853
1.870228
0.0642
Tiempo de retorno
C(2)
0.158973
0.022113
7.189181
0.0000
-0.626732
0.083010
-7.550109
0.0000
Humedad Relativa
0.144774
0.104415
1.386530
0.1684
R-squared
0.507760
66.69955
Adjusted R-squared
0.494086
16.93067
S.E. of regression
12.04238
7.849803
15662.05
Schwarz criterion
7.946892
Log likelihood
-435.5889
Durbin-Watson stat
0.536759
C(4)
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos son el periodo
de retorno y la oscilacin de temperatura al 95% de confianza, los logaritmos de la variable humedad relativa
media no presenta un coeficiente significativamente diferente de cero. El 51% de la variacin de la
precipitacin mxima es explicado por las variables independientes. La regresin no es espuria puesto que R2
< Durbin-Watson. La ecuacin obtenida es la siguiente.
Pmax = 100.0919 (T)0.1589(Osc)-0.6267(HR)0.1447
Dnde: Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc = oscilacin
media de temperatura (C), HR = humedad relativa media (%).
40
Tabla 27. Modelo de Regresin no lineal entre elementos climticos y precipitacin mxima
Variables
Coeficiente
Std. Error
t-Statistic
Probabilidad
Coeficiente
C(1)
193.9512
46.41057
4.179031
0.0001
Tiempo de retorno
C(2)
0.158619
0.022207
7.142771
0.0000
Oscilacin de Temperatura
C(3)
-0.650821
0.082013
-7.935578
0.0000
R-squared
0.499140
66.69955
Adjusted R-squared
0.489950
16.93067
S.E. of regression
12.09151
7.849305
15936.31
Schwarz criterion
7.922122
Log likelihood
-436.5611
Durbin-Watson stat
0.516210
La prueba t indica que los logaritmos de las variables que presentan coeficientes significativos diferentes de
cero, son el periodo de retorno y la oscilacin de temperatura al 95% de confianza. El 50% de la variacin de
la precipitacin mxima es explicado por las variables independientes. La regresin no es espuria puesto que
R2 < Durbin-Watson. La ecuacin obtenida es la siguiente.
Pmax = 193.9512(T)0.1586(Osc)-0.6508
Dnde:
Pmax = precipitacin mxima en 24 horas (mm), T = periodo de retorno (aos), Osc = oscilacin media de
temperatura (C).
El modelo regional propuesto en funcin de factores climticos tiene la hiptesis que la precipitacin
mxima es explicada por la frecuencia (periodo de retorno) y las variables geogrficas de posicin lo mismo
que otros autores (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002),
que relacionan la frecuencia de precipitacin mxima de un mes (i) con el lugar de presin mxima del mes
(i), con la latitud y la longitud, entonces el modelo planteado en la presente investigacin tiene base en la
literatura revisada.
Varios autores utilizaron modelos no lineales que predicen la precipitacin mxima del mismo modo que los
resultados de la presente investigacin, por ejemplo, utilizaron modelos potenciales y lineales combinados
(Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002). Adems de las
variables geogrficas de posicin y de frecuencia (perodo de retorno) relacionan la precipitacin mxima
con la precipitacin promedio (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995) o con la precipitacin para
un perodo de retorno y una duracin (Bell, 1969), (Cheng, 1983). Referente a esto en el presente trabajo no
se consider conveniente utilizan la precipitacin media como predictor.
Se hall que la precipitacin mxima de 24 horas se explica muy bien con el logaritmo del perodo de
retorno similar a lo que determin anteriormente Bell (Bell, 1969) en un modelo no lineal de precipitacin
para una duracin t y un perodo de retorno T, donde incluye como variable de prediccin la precipitacin
para una duracin t y un perodo de retorno de 10 aos. As mismo Cheng obtuvo un modelo no lineal que
relaciona la precipitacin mxima de periodo de retorno T con duracin t, a una funcin del logaritmo del
perodo de retorno T elevado a un exponente (x-1) donde x es la relacin G
INJOO
INJO
entre la precipitacin
para T = 100 aos y T = 10 aos ambos para la misma duracin (Cheng, 1983). Puesto que existe
gran escases de datos pluviomtricos en la gran mayora de las estaciones utilizadas en esta
investigacin, no se tom en cuenta la variable duracin.
En estudios recientes el elemento climtico que utilizaron como predictor de la precipitacin mxima fue la
precipitacin media en un modelo potencial (Morales, Casanova, Castellaro, & Mattar, 2005) y en funcin de
precipitaciones para periodos de retorno inferiores (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995), en
cambio en la presente investigacin se propone predecir la precipitacin mxima a partir del periodo de
retorno, de la oscilacin media de la temperatura y de la humedad relativa media como elementos del clima.
La influencia sobre la precipitacin mxima, de la oscilacin media de temperatura es inversa y de la
humedad relativa media es directa, as mismo, la influencia del periodo de retorno es directa, en las
investigaciones anteriores (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano,
42
2002), (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995), (Bell, 1969) y (Cheng, 1983), no se utilizaron
estas variables explicativas.
Se obtuvo un modelo no lineal emprico que relaciona la precipitacin mxima con el logaritmo del periodo
de retorno, la altitud, la latitud y la longitud, estas variables poseen coeficientes significativos al 95% de
confianza. Se determinaron tambin cinco modelos empricos, para 5 regiones homogneas, las cuales fueron
obtenidas por anlisis clster. En estos modelos la variable que posee mayor influencia en la precipitacin
mxima es el periodo de retorno seguido por la altitud y la latitud dependiendo de la zona. Estos resultados
apoyan la hiptesis que la precipitacin mxima se relaciona ms con el logaritmo del periodo de retorno
como se obtuvo en los resultados de estudios anteriores (Bell, 1969), (Cheng, 1983) y la tambin muestran
consistencia con la influencia de la latitud y longitud en la frecuencia de precipitacin mostrada por otros
estudios (Morales, Casanova, Castellaro, & Mattar, 2005), (Saavedra, Mller, & Foppiano, 2002).
En los modelos empricos no lineales que relacionan la precipitacin mxima con los elementos del clima y
el periodo de retorno, se observa que la oscilacin media de la temperatura, la humedad relativa media y el
periodo de retorno, son las variables que tienen mayor influencia por tener coeficientes estadsticamente
significativos al 95% de confianza. En los estudios revisados (Morales, Casanova, Castellaro, & Mattar,
2005), (Nouvelot, Le Goulven, Alemn, & Pourrut, 1995) no se tuvo en cuenta los elementos climticos
considerados en la presente investigacin, en cambio solo consideraron la precipitacin media y en otros
estudios (Bell, 1969), (Cheng, 1983) se consider la precipitacin para un periodo de retorno y una duracin
especifica como una variable explicativa de los modelos no lineales que propusieron.
43
VI. CONCLUSIONES
-
Las distribuciones Log normal 3 parmetros y Log Gumbel son las que se ajustan mejor a las
precipitaciones mximas de 24 horas para todas las estaciones meteorolgicas de la vertiente del lago
Titicaca.
El modelo regional no lineal mltiple aditivo entre los factores climticos y la precipitacin mxima
de 24 horas, tiene un ajuste adecuado con datos que se han tenido que transformar con logaritmos y
exponentes.
El resultado del modelo de regresin lineal con valores transformados obtuvo r2 = 38.8 %, r2ajustado =
36.5%, desviacin tpica de sy = 0.0141, anlisis de varianza que concluye un coeficiente de
determinacin significativo al 95% de confianza, un estadstico de Durbin-Watson de 0.5456 que
indica que la regresin no es espuria. Los valores indican en que el modelo no se ajusta
perfectamente a los datos.
El anlisis clster determino 05 grupos de estaciones con caractersticas y valores similares, siendo
estos: grupo I (Ananea y Cojata), grupo II (Arapa, Ayaviri, Azangaro, Cabanillas, Capachica,
Chuquibambilla, Crucero, Huancane, Lampa, Los Uros, Maazo, Muani, Pampahuta, Progreso,
Pucar y Putina), Grupo III (Capazo, Mazocruz y Pizacoma), grupo IV (Desaguadero, HuarayaMoho, Juli, Laraqueri, Puno, Tahuaco-Yunguyo y Taraco) y grupo V (Isla Taquile); estos grupos son
homogneos en funcin a factores climticos y precipitacin mxima para los periodos de retorno
considerados.
44
VII. RECOMENDACIONES
45
Paoli, Caick y Morreci. (2002). Consistencia en la Determinacion de <crecidas de Diseo por transformacion
Lluvia-Caudal y analisis de Frecuencia. Mexico: Ingenieria hidraulica.
Ponce, V. (1998). Engineering Hidrology. EE. UU.: Prentice Hall. San Diego State University.
Robles, F. D. (2009). Regresion Multiple. Lima peru: EPG Universidad Inca Garcilazo de la Vega.
Saavedra, N., Mller, E., & Foppiano, J. (2002). Monthly Mean Rainfall Frequency Model for the Central
Chilean Coast: Some climate Inferences. International Journal of Climatology, 1495 1509.
Santayana, V. (1990). Ingenieria de recursos Hidricos. Lima: Departamento de Recursos Agua y Tierra
UNALM.
47
ANEXOS
ESTACIONES METEOROLGICAS Y FACTORES CLIMTICOS Y PERIODO DE RETORNO
Estacin
T (Aos)
Pmax (Mm)
Altitud
Latitud
Longitud
Ananea
25
52.86
4660
14.67872222
69.53452778
50
66.58
4660
14.67872222
69.53452778
100
82.70
4660
14.67872222
69.53452778
200
101.50
4660
14.67872222
69.53452778
25
50.94
3830
15.13555556
70.11861111
50
57.89
3830
15.13555556
70.11861111
100
65.71
3830
15.13555556
70.11861111
200
74.57
3830
15.13555556
70.11861111
25
55.96
3928
14.88111111
70.59277778
50
62.62
3928
14.88111111
70.59277778
100
69.43
3928
14.88111111
70.59277778
200
76.44
3928
14.88111111
70.59277778
25
57.16
3863
14.91472222
70.19111111
50
63.94
3863
14.91472222
70.19111111
100
70.76
3863
14.91472222
70.19111111
Arapa
Ayaviri
Azangaro
Cabanillas
Capachica
Capazo
Chuquibambilla
Cojata
200
77.69
3863
14.91472222
70.19111111
25
56.11
3900
15.63930000
70.34638889
50
61.60
3900
15.63930000
70.34638889
100
67.01
3900
15.63930000
70.34638889
200
72.38
3900
15.63930000
70.34638889
25
54.47
3933
15.61580000
69.84430000
50
61.80
3933
15.61580000
69.84430000
100
69.63
3933
15.61580000
69.84430000
200
78.00
3933
15.61580000
69.84430000
25
44.38
4530
17.18638889
69.74555556
50
50.23
4530
17.18638889
69.74555556
100
56.52
4530
17.18638889
69.74555556
200
63.29
4530
17.18638889
69.74555556
25
57.31
3971
14.79638889
70.72833333
50
64.18
3971
14.79638889
70.72833333
100
71.23
3971
14.79638889
70.72833333
200
78.50
3971
14.79638889
70.72833333
25
54.17
4380
15.01666667
69.35555556
50
61.52
4380
15.01666667
69.35555556
100
69.39
4380
15.01666667
69.35555556
200
77.85
4380
15.01666667
69.35555556
48
T (AOS)
PMAX (mm)
ALTITUD
LATITUD
LONGITUD
Crucero
25
63.78
4183
14.36260000
70.02380000
50
70.74
4183
14.36260000
70.02380000
100
77.63
4183
14.36260000
70.02380000
200
84.52
4183
14.36260000
70.02380000
25
66.94
3808
16.56880000
69.04040000
50
74.22
3808
16.56880000
69.04040000
100
81.58
3808
16.56880000
69.04040000
200
89.09
3808
16.56880000
69.04040000
25
59.84
3890
15.20333333
69.76250000
50
64.52
3890
15.20333333
69.76250000
100
69.04
3890
15.20333333
69.76250000
200
73.45
3890
15.20333333
69.76250000
25
65.62
3890
15.38972222
69.49138889
50
71.10
3890
15.38972222
69.49138889
100
76.49
3890
15.38972222
69.49138889
Desaguadero
Huancane
Huaraya Moho
Isla Taquile
Juli
Lampa
Laraqueri
Los Uros
Maazo
200
81.83
3890
15.38972222
69.49138889
25
84.04
3850
15.77944444
69.69472222
50
99.09
3850
15.77944444
69.69472222
100
116.69
3850
15.77944444
69.69472222
200
137.34
3850
15.77944444
69.69472222
25
70.26
3812
16.20361111
69.45972222
50
81.3
3812
16.20361111
69.45972222
100
93.96
3812
16.20361111
69.45972222
200
108.55
3812
16.20361111
69.45972222
25
54.82
3892
15.35583333
70.37277778
50
59.57
3892
15.35583333
70.37277778
100
64.22
3892
15.35583333
70.37277778
200
68.81
3892
15.35583333
70.37277778
25
66.21
3900
16.15250000
70.06777778
50
77.50
3900
16.15250000
70.06777778
100
89.92
3900
16.15250000
70.06777778
200
103.56
3900
16.15250000
70.06777778
25
50.41
3808
15.79638889
69.91500000
50
54.22
3808
15.79638889
69.91500000
100
57.79
3808
15.79638889
69.91500000
200
61.19
3808
15.79638889
69.91500000
25
61.54
3920
15.81333333
70.33888889
50
69.18
3920
15.81333333
70.33888889
100
76.97
3920
15.81333333
70.33888889
200
84.95
3920
15.81333333
70.33888889
49
T (Aos)
Pmax (Mm)
Altitud
Latitud
Longitud
Mazo Cruz
25
40.22
4003
16.74555556
69.71166667
50
42.86
4003
16.74555556
69.71166667
100
45.29
4003
16.74555556
69.71166667
200
47.56
4003
16.74555556
69.71166667
25
40.5
3948
14.77944444
69.96583333
50
43.44
3948
14.77944444
69.96583333
100
46.27
3948
14.77944444
69.96583333
200
49.02
3948
14.77944444
69.96583333
25
45.99
4400
15.49138889
70.67750000
50
48.49
4400
15.49138889
70.67750000
100
50.85
4400
15.49138889
70.67750000
200
53.10
4400
15.49138889
70.67750000
25
50
49.76
54.05
3930
3930
16.91500000
16.91500000
69.37277778
69.37277778
100
58.18
3930
16.91500000
69.37277778
200
62.20
3930
16.91500000
69.37277778
25
42.46
3980
14.69472222
70.35555556
50
46.02
3980
14.69472222
70.35555556
100
49.52
3980
14.69472222
70.35555556
Muani
Pampahuta
Pizacoma
Progreso
Pucara
Puno
Putina
Tahuacoyunguyo
Taraco
200
52.99
3980
14.69472222
70.35555556
25
56.53
3900
15.03361111
70.37277778
50
61.84
3900
15.03361111
70.37277778
100
67.03
3900
15.03361111
70.37277778
200
72.14
3900
15.03361111
70.37277778
25
63.61
3812
15.82333333
70.01805556
50
73.70
3812
15.82333333
70.01805556
100
85.30
3812
15.82333333
70.01805556
200
98.67
3812
15.82333333
70.01805556
25
48.30
3878
14.9150000
69.86805556
50
51.44
3878
14.9150000
69.86805556
100
54.36
3878
14.9150000
69.86805556
200
57.13
3878
14.9150000
69.86805556
25
56.72
3891
16.3050000
69.06750000
50
64.43
3891
16.3050000
69.06750000
100
72.75
3891
16.3050000
69.06750000
200
81.73
3891
16.3050000
69.06750000
25
68.61
3849
15.3050000
69.98250000
50
81.06
3849
15.3050000
69.98250000
100
94.77
3849
15.3050000
69.98250000
200
109.85
3849
15.3050000
69.98250000
50
PRESENTADO POR:
EDUARDO FLORES CONDORI
EDUARDO LUIS FLORES QUISPE
PUNO PER
2013
51