LO QUE ESCONDEN

LAS TORMENTAS
Modelación espacio-temporal de
las lluvias en Ecuador
 FRANKLIN A. BELTRÁN

LO QUE ESCONDEN
LAS TORMENTAS
Modelación espacio-temporal de
las lluvias en Ecuador
Copyright©2017 Franklin A. Beltrán. Reservados todos los
derechos. Quedan rigurosamente prohibidas, sin la autorización
escrita de los titulares del “Copyright”, bajo las sanciones
establecidas en las leyes, la reproducción total o parcial de la obra
por cualquier medio o en cualquier plataforma y la distribución de
ejemplares de ella. Certificado N°QUI-050185 – Instituto
Ecuatoriano de Propiedad Intelectual- Dirección Nacional de
Derechos de Autor y Derechos Conexos.

ISBN-13: 978-9942284136
Quito-Ecuador

AUTOR:
Franklin Aparicio Beltrán
iddbeltran2@cablemodem.com.ec

PRIMERA EDICIÓN
MARZO 2017

Printed by CreateSpace, An Amazon.com Company

 Dedicatoria

A Nicolás, Jhoán e Isaac.

Eran muy niños cuando inició esta aventura sin certeza de éxito, a
ellos por lo que les he privado.
 Agradecimientos

A mi esposa Gaby por su dulce fortaleza.

“Las tormentas hacen que los árboles tengan raíces más
profundas”
—Anónimo
Franklin A. Beltrán,
Ingeniero Hidráulico con
Maestría en Recursos
Hídricos, ha participado en
el diseño y construcción de
proyectos hidroeléctricos
en Ecuador. Ha dictado
cursos de Estructuras
Hidráulicas a nivel de
Posgrado. Conferencista en
talleres y congresos,
organizados por: La
Sociedad Estadounidense
de Ingenieros Civiles
(ASCE); La Secretaria
Nacional de Educación
Superior, Ciencia,
Tecnología e Innovación
(SENESCYT); La Escuela
Politécnica Nacional
(EPN); El Colegio de
Ingenieros Civiles de
Pichincha (CICP); entre
otros. Dirige IDD; Empresa
consultora en proyectos de
manejo de recursos
hídricos y geociencias.
 Índice

Prefacio
1 Introducción ...................................................................22

1.1 Simbología .................................................................................... 27

2 Distribución Probabilística Exponencial Truncada .......... 30

2.1 Distribución Exponencial ........................................................... 30

2.2 Distribución Exponencial Truncada ...........................................33
2.2.1 Análisis continuo ......................................................................33
2.2.2 Análisis discreto .......................................................................36
2.2.3 Probabilidad de sub-eventos .................................................. 38
2.2.4 Orden de sub-eventos (Patrón Temporal)..............................39
2.3 Resumen y comentarios de componente temporal ....................46

3 Las lluvias y su simulación .............................................. 48

3.1 Formación de tormentas ............................................................. 48

3.2 Modelación de lluvias................................................................... 52
3.3 Caso de estudio .............................................................................54
3.4 Ecuación de una tormenta multicelular ...................................... 57
 3.4.1 Componente temporal ............................................................. 59
3.4.2 Componente espacial............................................................... 73
3.4.3 Modelo general de tormenta multicelular ............................ 80
3.5 Generación estocástica de tormentas en el DMQ .......................81
3.5.1 Parámetros y variables del modelo: GenTor2016 ................ 82
3.5.2 Modelo computacional de tormentas: GenTor2016 ............. 83
3.5.3 Interfaz gráfica Cel2016 ......................................................... 86
3.5.4 Presentación de los resultados................................................ 87
3.6 Curvas Intensidad-Duración-Frecuencia Sintéticas en el DMQ92
3.6.1 Reporte de datos ...................................................................... 93
3.6.2 Reporte gráfico ........................................................................ 94
3.6.3 Validación .............................................................................. 109
3.7 Conclusiones del modelo de tormenta ...................................... 113

4 Distribución del tamaño de gota, su velocidad de caída y su

concentración ................................................................ 118

4.1 Desarrollo teórico ....................................................................... 118

5 Regionalización de las curvas Intensidad Duración

Frecuencia en Ecuador .................................................. 130

5.1 Curvas IDF oficiales en Ecuador ................................................ 135

5.2 Curvas IDF – método Truncado ................................................ 137
5.2.1 Ecuación base.......................................................................... 137
5.2.2 Rango de aplicaciones de las ecuaciones ..............................142
5.2.3 Conclusiones............................................................................150

6 Una solución a la alta incertidumbre en la disponibilidad

del recurso hídrico para el emprendimiento de pequeños
proyectos hidroeléctricos en Ecuador ............................ 154

6.1 Procedimiento “Caza Tormentas” ............................................. 160

6.2 Sobre las estaciones móviles ...................................................... 165
6.3 Sobre el centro de información .................................................. 165
6.4 Recursos necesarios....................................................................166
6.4.1 Recursos humanos ..................................................................166
6.4.2 Recursos materiales ...............................................................166
6.5 Conclusiones ...............................................................................166
6.6 Módulo de escurrimiento MISIONH......................................... 167
7 Las tormentas en tiempo real......................................... 172

Anexo A ............................................................................ 181

Anexo B ............................................................................ 189

Anexo C ............................................................................ 195

Anexo D ............................................................................ 269

Anexo E ............................................................................ 275

Anexo A
Análisis de los accidentes morfo-climáticos en Quito en relación al
período de retorno de la lluvia desencadenante.

Anexo B
Reporte de intensidades máximas sintéticas (mm/h), calibradas en
estación Quito-Observatorio.

Anexo C
Curvas Intensidad-Duración-Frecuencia en Ecuador - método
Truncado aplicado a estaciones INAMHI.

Anexo D
Resumen de parámetros de método truncado en estaciones
INAMHI.

Anexo E
Reporte de salida del módulo de escurrimiento: MISIONH – Primer
año de modelación de lluvias.
16
 Prefacio

Al inicio de mi carrera en ingeniería hidráulica, conversando con un

estimado colega de mucha experiencia, surgió la pregunta ¿Si utilizó
ecuaciones diferenciales o integrales para solucionar algún
problema específico? La respuesta; nada alentadora, me hizo
reflexionar sobre este potencial inaprovechado y escasamente
estimulado en las profesiones técnicas. Poco tiempo después, me
encontraba recibiendo el curso de matemáticas para ingenieros en la
Escuela Politécnica Nacional. Recuerdo al profesor algo acosado,
respondiendo “Usted es el ingeniero, yo soy el matemático… es
Usted quien debe buscar las aplicaciones de lo que enseño”. Con
mayor información en las manos, llegó uno de los momentos más
contradictorios en mi profesión… “¡Me quedé sin trabajo!” Puedo
afirmar en retrospectiva, que esta experiencia, me brindó el tiempo
y la calma suficiente para explorar conceptos nuevos acerca de este
fenómeno natural tan complejo: “Las Tormentas”. He re-
experimentado estos gratos momentos en distintos tiempos y con
distintos matices, y he compilado momentos particularmente
únicos, que han retroalimentado mi comprensión de lo que son las
tormentas y lo que esconden.
17
¿Qué es entender? entender es una utopía a la que se acerca pero no
se alcanza, su ejercicio tiende a simplificar conceptos complejos en
verdades cada vez más simples, descubriendo progresivamente su
sentido escondido y más profundo, requiere esfuerzo y
perseverancia. Sabiendo que lo valioso toma tiempo; tiempo que
nuevamente se vuelve más escaso; ya que mis momentos sin empleo
están volviéndose menos frecuentes, no quiero dejar pasar sin
exponer esta inédita compilación de pensamientos y su aplicación
en la ingeniería.

Se suele dar como un hecho que lo pendiente por descubrir está

destinado a corporaciones o universidades con disposición de
recursos humanos y económicos. Se dice que un proceso de
investigación no está al alcance de personas comunes y menos si se
carece de financiamiento. Afortunadamente, hay complejas
motivaciones que rebasan y superan en mucho las limitaciones
personales y económicas.

Hay mucho aún por examinar en campos donde se piensa todo está
escrito. Basta contemplar un pequeño espacio del conocimiento con
curiosidad y con alguna forma de intuición para iniciar su
exploración a detalle. Eso sí, dispuestos a no sorprenderse de los
resultados al aceptar interpretaciones alternativas.

Este libro analiza los eventos de lluvia en el Distrito Metropolitano

de Quito (DMQ), sin centrarse en los beneficios o daños, intenta
modelar su distribución en el espacio y en el tiempo. La ciudad de
Quito ha sido el laboratorio perfecto, su clima muy particular y
variado en un espacio tan reducido, ha revelado detalles recurrentes
en la compleja presentación de los eventos de lluvias.

La base empírica principal se formuló en poco tiempo, pero por

azares del destino, ha tomado varios años exponer la matemática
subyacente y simularla mediante modelos computacionales. Sin
estos últimos, no fuese posible alcanzar a medir la sensibilidad de
variables, o de procedimientos enteros, en busca de calibrar y

18
finalmente validar el modelo de tormenta. Las computadoras han
sido de gran apoyo, pero no siempre, admito que en momentos
incluso fueron un retraso. La sobrevaloración de sus habilidades
creo está disminuyendo la confianza en nuestra capacidad de dar
soluciones intuitivas y creativas.

La simulación de un fenómeno natural quiere desentrañar y

comprender las leyes que lo desencadenan, desarrollan y disipan.
Lamentablemente, los modelos intentan simular una fracción de la
realidad única e irrepetible, que los confina a la utopía. Este modelo
de tormenta no es una excepción. Se caracteriza por su
interpretación dual: Determinística y probabilística. Así, un evento
de tormenta estará acotado en tiempo y en espacio, por un límite
determinista, y su manifestación interna fluctuará
probabilísticamente sin infringir dichos límites. La urgente
necesidad de disipación inclina al evento a ser tempranamente
intenso (la mayor precipitación se presenta al inicio del evento),
antes que, tardíamente intenso.

La lluvia es consecuencia de un fenómeno de transición de fase, y

como tal, es parte del concepto más complejo que existe en la
naturaleza; el caos. Es natural que los estudios de lluvias no hayan
podido llegar a acuerdos sobre sus bases conceptuales subyacentes.
Al hablar de transición de fase se expresa el comportamiento
caótico, desorganizado de un fenómeno. Su naturaleza
probabilística, alejada mucho de la formación determinista del
técnico, debe abordarse con nuevas ciencias. En la actualidad la
meteorología no se apoya en la hidrología y viceversa. La primera
analiza las condiciones físicas y microfísicas antes y durante la
formación de la lluvia. A la hidrología sin embargo le interesa el
después, el escurrimiento. Ambas no se juntan, incluso tienen
términos que son muy propios. La ciencia con la que se debe
analizar la lluvia debe ser la “Sinergética” o conocida como la
“Ciencia de la Estructura”, definida como una ciencia
interdisciplinaria que explica la formación y la auto organización de
patrones y estructuras en sistemas abiertos lejos del equilibrio

19
termodinámico. Auto organización significa la enorme reducción del
desorden que se revela a nivel macroscópico mediante la formación
de patrones. En el campo de la simulación matemática, lo más
admirable consiste en que un número pequeño de modelos
relativamente simples proporcionan la llave para la comprensión e
investigación de una cantidad enorme de fenómenos diferentes [ ].
En este libro el autor utiliza una de las estructuras matemáticas más
simples: El operador derivada, ¡Cuidado con subestimarlo¡ es capaz
de representar varios fenómenos presentes en la naturaleza, y con
pequeñas modificaciones; no observadas en literatura previa, ha
conseguido simplificar la presentación espacio temporal de las
lluvias en Quito y sus alrededores.

El aumento de la intensidad de la lluvia durante el desarrollo de un

evento de tormenta, es resultado de la urgente disipación de energía
en la atmósfera en busca de un nuevo equilibrio. Invito al lector a
pensar paralelamente, no solamente en la lluvia, sino en toda forma
de disipación de energía obligada a liberarse. Visto así, un evento de
estudio puede extenderse hacia otros ámbitos del conocimiento,
como los terremotos, inundaciones, deslizamientos de tierra u otros;
como caídas de acciones en la bolsa de valores, o incluso, en la
liberación de la expresión de la vida en los individuos. Es común el
uso de expresiones que califican los momentos intensos en la vida
como “instantes tormentosos”.

En general, las etapas de transición son las más turbulentas;

después de ellas, el recuerdo de lo acontecido se ha perdido, se ha
reorganizado, liberando de todo rastro previo de conducta, ya sea
organizado o desorganizado. Así es también la lluvia. Si se quiere
conocer más de una tormenta, y su papel en la naturaleza, basta
contemplarla de lejos: Una tormenta es la dinámica que transforma
el insostenible caos en orden, en su plena expresión.

Franklin Aparicio Beltrán

20
 1
Introducción
 1 Introducción

El presente libro es un compendio de las investigaciones realizadas

en el ámbito del estudio analítico del registro de tormentas de lluvia
en el Distrito Metropolitano de Quito (DMQ). Las relaciones
encontradas presentan una forma de modelar los fenómenos de
transición de fase o fenómenos de disipación, caracterizados por su
compleja presentación espacial y temporal. Las cualidades del
desarrollo matemático, los modelos computacionales; armados de
innovadores algoritmos, en conjunto con una rigurosa calibración
con información oficial, han expuesto de manera paulatina, un
modelo cada vez más simple, capaz de simular la compleja
distribución espacial y la estadística temporal de las lluvias en el
DMQ.

Las características y cualidades muy particulares de los modelos y

procedimiento utilizados, han emergido de una retroalimentación
continua que inicia con la publicación del primer artículo:
Modelación Matemática de Tormentas Unicelulares[ ], seguido por
el desarrollo de la tesis; a nivel de maestría: Modelos distribuidos de
22
tormentas y su aplicación al cálculo de crecidas[ ] y la ulterior
publicación: De las Lluvias y Sus Patrones Temporales-Una
Interpretación Probabilística[ ] que deja ver la base matemática
subyacente que permanecía escondida en las primeras
modelaciones.

La permanente retroalimentación del proceso, permitió identificar

relaciones entre variables determinísticas con procesos aleatorios.
Los eventos intensos de lluvias pueden enfocarse a partir de la
Distribución Probabilística Exponencial Truncada, esta distribución
es la de mayor importancia en el presente estudio, su particularidad
al representar eventos intensos para toda duración, especialmente
para duraciones bajas, fue clave. Aunque inicialmente no estuvo
identificada y su estructura permanecía oculta en las primeras
modelaciones empíricas, la retroalimentación la reveló, de hecho la
redescubrió. Conocido posteriormente de su existencia, se confirma
sus aptitudes en la representación estadística de eventos intensos, o
de sus afectaciones, tales como deslizamientos en terremotos[ ], la
distribución del tamaño de racimos de lluvias extremas en el
globo[ ]. En el campo de la economía se la utiliza para aplicaciones
numéricas para el ajuste de datos de seguros de distribución de
frecuencias de reclamaciones[ ], etc.

Desde los primeros modelos se requirió la creación de un software

de simulación computacional que disponga de la flexibilidad
suficiente para explorar las varias ideas que surgían. Se ha creado
programas computacionales para la simulación, calibración,
validación y representación gráfica de eventos de lluvias intensas.
Sin éstos, no hubiese sido posible retroalimentar las bases del
modelo ni proponer variantes para una mejor representación de lo
acontecido.

Este libro contiene siete capítulos de estudio, que ordenan las

principales experiencias resultantes de esta investigación.

23
El segundo capítulo presenta el desarrollo de la distribución
probabilística más importante de esta investigación: La Distribución
Exponencial Truncada. Ésta, es una distribución condicional que
resulta de restringir el dominio de la distribución exponencial a un
umbral determinado. Se la analiza desde un punto de vista continuo
y discreto, de este último, surgen los denominados Patrones
Temporales de Disipación.

El tercer capítulo expone el desarrollo del Modelo de Lluvias en el

DMQ con base en el patrón temporal indicado y a una extensión
espacial similar equivalente. La base matemática de la modelación
se fundamenta en la aplicación del operador derivada tanto a la
función de intensidad de lluvia como a la función de velocidad de
expansión de tormenta (celeridad radial). Se ha encontrado una
constante de evento; , que define La Tasa de Disipación Temporal
de Tormenta (TaDTA) y que gobierna los límites de manifestación
de las intensidades de lluvia durante un evento. Dentro de estos
límites, se usa la distribución probabilística exponencial truncada
para simular el comportamiento estocástico del patrón temporal de
tormenta (PTT). La calibración del modelo permitió encontrar una
función empírica que relaciona la TaDT y la Duración Total del
Evento (DT). El método de calibración consiste en regenerar: a) Las
curvas oficiales Intensidad-Duración-Frecuencia (IDF) de la
estación meteorológica Quito-Observatorio; b) El número de
eventos con lámina de precipitación mayor a 1.0 mm y; c) La
distribución espacial de la precipitación anual en la zona de estudio
(área 1600 km2). Se utiliza 5 estaciones pluviográficas adicionales
para la validación del modelo y se obtienen mapas temáticos de
intensidades máximas de lluvia para distintos períodos de retorno.

El cuarto capítulo expresa una aplicación de lo obtenido en el

capítulo anterior: La generación de una expresión de ecuaciones
exponenciales equivalentes a la función de intensidad de lluvia que
representan la velocidad de la gota de lluvia, su tamaño y su
concentración. Se ha utilizado una ecuación de velocidad terminal
de la gota de lluvia como condición de borde para resolverla.

24
El quinto capítulo incluye un análisis sobre la regionalización
oficial de las curvas Intensidad-Duración-Frecuencia presentadas
por el Instituto Nacional de Meteorología e Hidrología (INAMHI),
que se venía utilizando en Ecuador desde el año 1999, y con reciente
actualización al año 2015. Se aplica el modelo truncado a las
ecuaciones de intensidades máximas, en 72 estaciones
pluviográficas disponibles. Con la base de datos generada, se
presentan mapas regionales de nuevos parámetros, que tienen la
ventaja de contener significado físico, muy útil al momento de
promover iniciativas de regionalización.

El sexto capítulo expone el procedimiento caza tormentas como

una solución a la alta incertidumbre en la disponibilidad del recurso
hídrico para el emprendimiento de pequeños proyectos
hidroeléctricos en Ecuador. Se complementa con un modelo de
escurrimiento de parámetros distribuidos denominado: Modelo de
Simulación Hidrológica MISIONH.

El séptimo capítulo avanza hacia una interpretación de las

ecuaciones matemáticas de una tormenta y su aplicación en tiempo
real, permitiendo estimar la duración, precipitación e intensidad
media de un evento de lluvia como función de las intensidades
registradas en los primeros minutos de lluvia.

25
1.1 Simbología

t: Tiempo continuo (h).

PRE: Precipitación en centro de tormenta (mm).
DT: Duración en centro de tormenta (h).
Intensidad media del evento (mm/h).

( ): Función de densidad exponencial truncada.

( ): Intensidad de lluvia instantánea (mm/h).
( ): Precipitación acumulada al tiempo t (mm).
( ): Intensidad media hasta tiempo t (mm/h).
: Intensidad instantánea en t=0 (mm/h).
: Intensidad final en t=DT (mm/h).
O: Constante calibrada con el valor 10.55 en estación
meteorológica Quito-Observatorio.
: Tasa de Disipación Temporal Adimensional de eventos
intensos (TaDTA):

𝜆: Tasa de Disipación Temporal Dimensional de eventos

intensos. Dentro de la distribución exponencial es un
constante. En la distribución exponencial truncada depende
de la duración del evento DT y adquiere la forma:

27
 𝜆

β: Tasa de Disipación Espacial de eventos intensos (TaDE).

γ: Parámetro de forma de tormenta.
To: Duración mínima de tormenta.
Tf: Duración máxima de tormenta.
: Número total de sub-eventos dentro de un evento intenso.
: N-ésimo sub-evento dentro de evento intenso.
Duración de lluvia a radio R (horas).
c: Celeridad o velocidad de propagación del frente de tormenta
(km/h).
: Velocidad media radial de cobertura de tormenta (km/h).
V: Velocidad principal de avance de tormenta. Se relaciona con
la dinámica de los movimientos de masas de aire que
empujan los centros de tormenta (km/h).
Constante Kappa para cada evento intenso. Se obtiene en
función de la duración del evento intenso y del número de
sub-eventos.
R: Radio de tormenta (km).
: Tiempo de inicio de tormentas en fase de transición.
: Tiempo de fin de tormentas en fase de transición.

28
 2
Distribución
Probabilística
Exponencial
Truncada
2 Distribución Probabilística
Exponencial Truncada

Dada la importancia del papel que desempeña la distribución

probabilística truncada en el estudio analítico de tormentas y su
distribución espacio temporal, se ha dedicado un capítulo
introductorio completo a esta distribución. Existe una amplia
literatura del origen, desarrollo y aplicaciones de la distribución
probabilística exponencial, sin embargo, de su correspondiente
distribución truncada poco se conoce, dejando un espacio
inaprovechado en la matemática, la estadística inferencial y por
supuesto en la física y ramas complementarias.

2.1 Distribución Exponencial

La importancia de la distribución exponencial radica en las varias

aplicaciones relacionadas con estudios de confiabilidad, teoría de
supervivencia, teoría de colas etc. En hidrología, la distribución

30
exponencial se utiliza para describir la probabilidad del “tiempo de
retención” del agua en un embalse lineal.

Algunas secuencias de eventos hidrológicos, como la ocurrencia de

precipitación, pueden considerarse como procesos de Poisson, en los
cuales los eventos ocurren instantánea e independientemente en un
horizonte de tiempo, o a lo largo de una línea. El tiempo entre tales
eventos, o tiempos de arribo, está descrito por una distribución
exponencial cuyo parámetro λ es la tasa media de ocurrencia de los
eventos. La ventaja de la distribución exponencial radica en que se
adapta muy bien a estudios teóricos y que el parámetro λ es fácil de
estimar a partir de datos observados. Su desventaja es requerir que
la ocurrencia de cada evento sea completamente independiente de
sus vecinos, lo cual puede ser un supuesto no válido[ ].

Un breve resumen de la distribución exponencial se indica a

continuación:

Suponga que una variable aleatoria D, representa la duración de un

evento. Se dice que esta variable aleatoria tiene una distribución
exponencial con parámetro λ si su función de densidad de
probabilidad es:

( ) {𝜆 ( )

En este caso, la probabilidad acumulada es:

{ } ( )

Donde: t, es el tiempo continuo.

λ, es un parámetro dimensional.

La esperanza, o valor esperado es:

( )

31
Y varianza:
( )

Entre sus propiedades, se destacan:

 Es una función estrictamente decreciente. Como el área bajo la

curva expresa la probabilidad, es bastante probable que D tome
valores pequeños, cercanos a cero.

 Es conocida una sorprendente propiedad de la distribución

exponencial denominada falta de memoria, el proceso “olvida” su
historia [5].

Figura 1. Función de densidad de probabilidad de la distribución

exponencial

32
2.2 Distribución Exponencial Truncada

2.2.1 Análisis continuo

Se clasifica los eventos en Eventos con fin y Eventos sin fin.

Para eventos con fin DT es el máximo valor que puede alcanzar la
variable aleatoria D:

El valor de la nueva probabilidad se calcula con el siguiente

procedimiento y su resultado corresponde a la distribución de
probabilidad exponencial truncada en DT :

{ }

{ }

{ }
{ }

{ | } ( )

Derivando (A3) se obtiene la función de densidad exponencial

truncada en DT:

( ) {𝜆 ( )

La función de densidad de probabilidad exponencial indicada en la

ecuación (A1), es una forma particular de una expresión más
general, indicada en la ecuación (A4). Al reemplazar DT=∞ en la
ecuación (A4), el denominador se iguala a uno y (A4) se iguala a
(A1). En general, las dos versiones son esencialmente iguales para
duraciones altas, sin embargo, para duraciones bajas, especialmente
para duraciones menores al valor medio esperado, difieren de
33
manera importante. Los valores esperados de la variable aleatoria
cercanos a cero aumentan significativamente.

Figura 2. Función de densidad exponencial truncada (En línea entre-

cortada su correspondiente sin truncamiento).

La media de la variable aleatoria, definido por la esperanza:

( ) ∫ ( ) ∫ 𝜆

Se puede demostrar que es igual a:

( ) ( ) ( )
𝜆

Generalmente, el parámetro λ para la distribución sin truncamiento

se considera como constante, sin embargo, a lo largo de: Lo que
esconden las tormentas, este parámetro se convierte en una variable
relacionada con la duración del evento, expresado por la ecuación
(A6).

34
 𝜆 ( )

Donde: es la Tasa de Disipación Temporal Adimensional (TaDTA)

Remplazando (A6) en (A3), (A4) y (A5), se obtiene la función

exponencial truncada para eventos intensos:

( ) { ( )

( | ) ( )

( ) ( ) ( )

El número medio de sub-eventos esperados (m), en el intervalo DT,

se obtiene al dividir la duración de la tormenta DT para la esperanza
de la variable aleatoria:

( )
( )
( )

Si la tasa  tiene un valor suficientemente grande, la expresión:

Es aproximadamente cero, y por tanto el número de sub-eventos m,

se puede tomar igual a: .

Propiedades:

 La variable probabilística no puede ser mayor a un valor

establecido DT.
35
 La nueva distribución si tiene memoria, sin embargo, mientras
DT se hace cada vez más grande, tiende a perderla.

 Es bastante probable que la variable aleatoria D tome valores

pequeños, cercanos a cero.

 La probabilidad en todo tiempo t es mayor a su equivalente sin

truncamiento.

2.2.2 Análisis discreto

Se define al intervalo t como la vida media de una variable

aleatoria limitada en DT, equivalente a la esperanza de vida E(D,DT).
En un tiempo continuo, se pueden presentar varios sub-eventos,
uno tras otro, hasta que termine DT. El número total de sub-
eventos y el n-ésimo sub-evento se representa con las letras m y n,
respectivamente. I es una variable aleatoria entera que representa
el número de sub-eventos promedio dentro de DT.

Partiendo de (A8):

( | )

( | )

( | ) ( )

( | )

36
Sea1:
( )

( | )

( ) ( )
( | )
( ) ( )

( | )

( ) ( )
( | )
( ) ( )

( )
( | )
( )

( | )

( | )
∑

∑ ( )

( | )

( | )

1Como α es aproximadamente igual a m para duraciones altas, K se puede

aproximar a:

37
2.2.2.1 Cálculo de constante por evento Kappa “Кa”

( )( )

( )( )

( )

Conociendo que:

( )

2.2.3 Probabilidad de sub-eventos

Para calcular la probabilidad del n-ésimo sub-evento, se resta la

probabilidad de los sub-eventos menores o iguales a n, de la
probabilidad de los sub-eventos menores o iguales a n-1.

( | ) ( | ) ( | )

( | ) ( ) ( )

( | ) ( )
38
Por simplificación de simbología:

( | )

( )

Siendo K (Ecuación A12) menor a uno, la ecuación (A16) expresa

que la probabilidad del n-ésimo sub-evento en DT, se reduce
mientras aumenta el valor de n Esto indica que los sub-eventos en
DT no son independientes entre sí, aún más, si DT disminuye, los
sub-eventos se vuelven continuamente más dependientes unos de
otros.

2.2.4 Orden de sub-eventos (Patrón Temporal)

El orden de presentación de cada sub-evento en DT puede variar, en

caso de dos sub-eventos, se puede presentar el orden (1,2) o el orden
(2,1), en el primer caso, se presenta el sub-evento de mayor
probabilidad al inicio y el sub-evento de menor probabilidad al final,
en el segundo caso, al inicio se presenta el sub-evento con menor
probabilidad y al final el de mayor probabilidad. De la presentación
en el tiempo de los posibles arreglos de la variable aleatoria
truncada es donde surgen los denominados “Patrones Temporales”.

Los sub-eventos en DT deben seguir una línea en el tiempo, el sub-

evento en DT más probable tenderá a aparecer al inicio, dejando al
menos probable al final. De no manifestarse el sub-evento más
probable en el primer intervalo, para el segundo intervalo su
probabilidad de presentarse aumenta y se puede calcular con el
siguiente procedimiento:

Después de presentarse el sub-evento con probabilidad P1, la

probabilidad remanente es 1 – P1.

39
Para el siguiente período, la probabilidad de cada sub-evento
aumenta en:

La nueva probabilidad del sub-evento n=2 se puede calcular con:

El valor del primer elemento:

Representa la probabilidad que se manifieste el sub-evento n=2

conociendo de ante mano que no se presentará el sub-evento n=1.

La probabilidad total del arreglo final dependerá del ordenamiento

de los sub-eventos en DT y será igual a la multiplicación de la
probabilidad de cada sub-evento.

( )
∑

Por tanto, en eventos con fin que disponen de memoria, para

conocer: ¿Qué se presentará en el futuro? se debe primero saber lo
que no se presentará en el futuro, y lo que no se presentará en el
futuro es lo que ya se presentó en el pasado (Todo sub-evento en DT
es irrepetible).

40
Ejemplo N°1:

Sea un evento truncado en DT compuesto de 4 sub-eventos (m=4) y

=3.881 Determinar la probabilidad conjunta de los patrones
temporales de la variable aleatoria I, suponiendo que la mayor
probabilidad se presenta en a) Primer cuarto de DT. b) Segundo
cuarto de DT. c) Tercer cuarto de DT y d) Último cuarto de DT.

Se puede presentar una variación de la disposición de los elementos

del conjunto {1,2,3,4} en 24 arreglos distintos (m¡=4¡) La
probabilidad de cada arreglo se puede calcular con la ecuación
(A16), conociendo previamente que de la ecuación (A12):

Y de la ecuación (A14):

Entonces:

La tabla N°1, presenta el cálculo de la probabilidad de cada arreglo.

El más probable, con 30.2% es el arreglo {1, 2, 3, 4}, seguido el
arreglo {2, 1, 3, 4} con 14.6%, en tercer lugar con 13.8% el arreglo {1,
3, 2, 4} etc. El menos probable es el arreglo {4,3,2,1} con 0.9%. Éste
último es 337 veces menos probable que el arreglo más probable
41
{1,2,3,4} La probabilidad de todos los arreglos posibles
efectivamente suma uno.

Probabilidad
N° 1 2 3 4
1 1 2 3 4 0.634 0.657 0.725 1.000 de0.302
arreglo
2 1 2 4 3 0.634 0.657 0.275 1.000 0.114
3 1 3 2 4 0.634 0.249 0.874 1.000 0.138
4 1 3 4 2 0.634 0.249 0.126 1.000 0.019
5 1 4 2 3 0.634 0.094 0.725 1.000 0.043
6 1 4 3 2 0.634 0.094 0.275 1.000 0.016
7 2 1 3 4 0.240 0.835 0.725 1.000 0.145
8 2 1 4 3 0.240 0.835 0.275 1.000 0.055
9 2 3 1 4 0.240 0.120 0.948 1.000 0.027
10 2 3 4 1 0.240 0.120 0.052 1.000 0.001
11 2 4 1 3 0.240 0.045 0.874 1.000 0.009
12 2 4 3 1 0.240 0.045 0.126 1.000 0.001
13 3 1 2 4 0.091 0.698 0.874 1.000 0.055
14 3 1 4 2 0.091 0.698 0.126 1.000 0.008
15 3 2 1 4 0.091 0.264 0.948 1.000 0.022
16 3 2 4 1 0.091 0.264 0.052 1.000 0.001
17 3 4 1 2 0.091 0.038 0.725 1.000 0.002
18 3 4 2 1 0.091 0.038 0.275 1.000 0.001
19 4 1 2 3 0.035 0.657 0.725 1.000 0.016
20 4 1 3 2 0.035 0.657 0.275 1.000 0.006
21 4 2 1 3 0.035 0.249 0.874 1.000 0.007
22 4 2 3 1 0.035 0.249 0.126 1.000 0.001
23 4 3 1 2 0.035 0.094 0.725 1.000 0.002
24 4 3 2 1 0.035 0.094 0.275 1.000 0.0009
Suma total.- 1.00

Tabla 1. Probabilidad de arreglo temporal.

En las figuras N°3 a N°6, se indican los patrones temporales de la

variable aleatoria I en función de la duración normalizada (dt/DT).

En estas figuras se incluye la probabilidad total del conjunto de los

arreglos.

42
El 63.4% de los arreglos posibles tienen alta “intensidad de
probabilidad” en el primer cuarto de la duración DT. Ver figura N°3.

Se define la “Intensidad de Probabilidad” al cambio de la

probabilidad conforme transcurre el tiempo

1.00

0.75
(≤ │≤ )

0.50

0.25

Probabilidad =63.4%
0.00
0.00 0.25 0.50 0.75 1.00
dt/DT
Figura 3. Patrón temporal con mayor probabilidad en primer
cuarto de DT

El 28.7% de los arreglos posibles presenta alta intensidad de

probabilidad en el segundo cuarto de la duración DT (Figura N°4).
Solamente 7.21% de los arreglos presentan alta intensidad de
probabilidad en el tercer cuarto de la duración DT (Figura N°5).
Finalmente, un marginal 0.70% de los arreglos presenta intensidad
de probabilidad alta en el último cuarto de la duración DT (Figura
N°6).

El campo de probabilidades de presentación de los patrones

temporales está acotada superiormente por la función de
distribución de la ecuación (A8) con  positivo (+) y acotada
inferiormente con la misma ecuación con  negativo (-). El campo

43
de probabilidades está conformado por todos los caminos posibles
de la variable aleatoria (Figura N°7).

1.00

0.75
(≤ │≤ )

0.50

0.25

Probabilidad =28.7%
0.00
0.00 0.25 0.50 0.75 1.00
dt/DT
Figura 4. Patrón temporal con mayor probabilidad en segundo
cuarto de DT

1.00

0.75
(≤ │≤ )

0.50

0.25

Probabilidad =7.21%
0.00
0.00 0.25 0.50 0.75 1.00
dt/DT
Figura 5. Patrón temporal con mayor probabilidad en tercer cuarto
de DT

44
 1.00

(≤ │≤ ) 0.75

0.50

0.25

Probabilidad =0.70%
0.00
0.00 0.25 0.50 0.75 1.00
dt/DT
Figura 6. Patrón temporal con mayor probabilidad en último
cuarto de DT

1.0

0.8
(≤ │≤ )

0.6

0.4

0.2

0.0
0.00 0.25 0.50 0.75 1.00
dt/DT
Figura 7. Campo de probabilidades de patrones temporales de un
evento con m=4

45
Queda claro que cada arreglo o recorrido en el tiempo tiene su
propia probabilidad de presentarse. Los recorridos con tendencia
hacia el límite superior son mucho más probables que aquellos con
tendencia al límite inferior. Ésta es una forma gráfica de representar
el significado de los patrones temporales de disipación de un evento
intenso, caracterizados por ser tempranamente intensos antes que
tardíamente intensos.

2.3 Resumen y comentarios de componente temporal

Se propone el concepto matemático de eventos de disipación con fin,

partiendo de una distribución probabilística exponencial truncada
en el intervalo (0, DT):

( ) { ( )

Se resuelve el cálculo de la probabilidad de sub-eventos en DT y se

obtiene el orden de sub-eventos asociados a una probabilidad de
manifestación.

Dentro de un evento intenso, es muy probable, mas no seguro, que

el sub-evento de mayor intensidad se presente al inicio del evento,
de no presentarse en el primer intervalo de esperanza de vida, la
probabilidad de que el sub-evento más intenso se presente en el
segundo intervalo, aumenta aún más.

En eventos con fin, los sub-eventos son irrepetibles por lo que el

sistema debe disponer de memoria.

46