UNIVERSIDAD NACIONAL DEL ALTIPLANO

Facultad de Ingeniera Estadstica e Informtica

Escuela Profesional de Ingeniera Estadstica e Informtica

PROYECTO DE TESIS

FACTORES INFLUYENTES EN LA PRECIPITACION PLUVIAL EN LA

CIUDAD DE PUNO PERIODO 1980 _2012
PRESENTADO POR:
BACH. MAGDALENA JALLO APAZA
PARA OPTAR EL TITULO PROFESIONAL DE:
INGENIERO ESTADSTICO E INFORMATICO

PUNO

PERU
2013

INDICE
1. DATOS GENERALES

2. PLAN D E INVESTIGACIN

2.1. PROBLEMA

2.1.1. FORMULACION Y DEFINICION DEL PROBLEMA

2.1.2. JUSTIFICACIN DE LA INVESTIGACIN

2.1.3. OBJETIVOS

2.1.3.1. OBJETIVO GENERAL

2.1.3.2. OBJETIVOS ESPECIFICOS

2.1.4. HIPOTESIS

2.1.4.1. HIPOTESIS GENERAL

2.1.5. LIMITACIONES DEL PROBLEMA

7
7

2.2. MARCO TEORICO

2.3. DEFINICIN DE TRMINOS BASICOS

37

2.4. OPERACIONALIZACION DE VARIABLES

45

2.5. MATERIALES Y METODOS

46

2.5.1. METODOS DE RECOPILACION DE DATOS

46

2.6. METODOS DE TRATAMIENTOS DE DATOS

47

3. ADMINISTRACION DEL PROYECTO

48

3.1. CRONOGRAMA DE LA INVESTIGACIN

48

3.2. PRESUPUESTO

49

3.3. FINANCIAMIENTO

50

4. BIBLIOGRAFIA CONSULTADA

51

1. DATOS GENERALES
1.1 TITULO
FACTORES INFLUYENTES EN LA PRECIPITACIN PLUVIAL EN LA
CIUDAD DE PUNO, PERIODO 1980 _2012
1.2 RESPONSABLES

EJECUTOR
DIRECTOR
ASESOR

: JALLO APAZA, Magdalena

: M. Sc. MORILLOS VALDERRAMA, Octavio
: Dr. PAREDES QUISPE, Juan Reynaldo

1.3 TIPO Y REA DE INVESTIGACIN

rea
Tipo

: Estadstica
: Descriptivo _ Aplicativo

1.4 LOCALIZACIN

DEPARTAMENTO
PROVINCIA
DISTRITO

: Puno
: Puno
: Puno

1.5 FECHA DE INICIO Y FINALIZACIN

FECHA DE INICIO
FECHA DE FINALIZACIN

: 01/07/2013
: 02/10/2013

2. PLAN DE INVESTIGACIN
2.1. PROBLEMA
2.1.1. FORMULACIN Y DEFINICIN DEL PROBLEMA
Existen instituciones que dedican buena parte de sus actividades al
estudio de factores climticos observando su evolucin y desarrollo
tal es el caso del Servicio Nacional de Meteorologa e Hidrologa
SENAMHI PUNO; porque se ha visto que el futuro de la humanidad
est en riesgo. El cambio climtico es un peligro para la sociedad en
general.
La observacin meteorolgica desempea un papel de gran
importancia al proporcionar informacin necesaria para planificar, y a
su vez permite proteger a la poblacin de daos causados por
fenmenos naturales catastrficos, como la precipitacin (sequias e
inundaciones extremas) los cuales generan cuantiosos daos y
prdidas de vidas e interrumpe la produccin de bienes y servicios.
Estos fenmenos tienen sus orgenes en la interaccin ocanoatmsfera, que manifiesta sus efectos en el continente, alterando el
rgimen de precipitaciones. Segn el SENAMHI, en el caso de Per
esta se asocia con torrenciales lluvias e inundaciones en la costa

norte y deficiencias de precipitaciones en la sierra sur y el Altiplano

es afectado con sequias en diferentes regiones.
Puno es una ciudad Altiplnica que est a 3800 metros sobre el nivel
del mar, considerada una de las zonas ms sensibles y perturbadas
por la variabilidad climtica, segn estudios del SENAMHI, y en la
que actualmente se observan anomalas en el comportamiento de la
precipitacin, debido a que ya no se presentan en el periodo
esperado, es por ello que existe el inters de conocer que factores
climticos; anomala de la temperatura superficial del mar, radiacin
de onda larga, ndice de oscilacin del sur, vientos en la superficie
del

ocano,

estn

influyendo

principalmente

en

dicho

comportamiento.
La participacin de estos factores climticos en la presente
investigacin es debido a la interaccin que existe entre la atmosfera
y el ocano, y por la teora del efecto mariposa.
El efecto mariposa hace referencia a que una simple ala de mariposa
hoy produce un diminuto cambio en el estado de la atmosfera.
Despus de un cierto tiempo, el comportamiento de la atmosfera
cambia del que debera de haber tenido, por ejemplo muchas veces
se dice que cuando nieva en las alturas, aqu en la ciudad de Puno
sentimos un viento suave pero muy frio, lo mismo ocurre cuando
nubes oscuras cubren el cielo y se espera una lluvia fuerte, pero

basta que venga un viento fuerte para que las nubes se desplacen a
otro lugar y llueva en un lugar en el que no se esperaban
precipitaciones y en el que se esperaba no se presente, lo que ocurre
en el otro lado del mundo puede cambiar mucho o influir en el
comportamiento de una variable climtica en este caso la
precipitacin, es por ello el inters en investigar cul de estos
factores influyen principalmente en el comportamiento de la
precipitacin en la ciudad de Puno.
El pronstico de la precipitacin pluvial es muy complejo y
difcilmente podemos atribuir a una sola variable los resultados en
otra, la realidad nos obliga a reconocer que para predecir con mayor
precisin la precipitacin pluvial, es necesario observar e integrar en
el anlisis otras variables que tambin pueden estar relacionadas.
Por lo tanto surge el inters de conocer:
Cules son los factores principales que influyen en la precipitacin
pluvial en la Ciudad de Puno, periodo 1980-2012?

2.1.2. JUSTIFICACIN DE LA INVESTIGACIN

Siendo poltica del SENAMHI Puno, generar informacin que
demandan los diversos sectores para la realizacin de sus estudios y
proyectos de inversin, prestar servicios especializados, para
contribuir al desarrollo sostenible, la seguridad y el bienestar
nacional, mediante estudios e investigaciones cientficas.
La precipitacin es una parte importante del ciclo hidrolgico,
responsable del depsito de agua dulce en el planeta y, por ende, de
la vida en nuestro planeta, tanto de animales como de vegetales, que
requieren del agua para vivir.
Es por ello que la presente investigacin, se realizar para
determinar qu factores principales influyen en la

precipitacin

pluvial, para que una vez identificado se pueda prestar mayor

atencin en la observacin de este o estos factores de tal manera
que esto ayude a mejorar los pronsticos y que estos sean ms
acertados, sobre la presencia o ausencia de las precipitaciones
pluviales en la ciudad de Puno. Ya que la precipitacin pluvial es un
evento climtico muy difcil de predecir por qu no siempre se
presenta en el lugar, tiempo y cantidad que se requiere, generando

frecuentemente situaciones de desconcierto, debido a que existe la

necesidad de planificar las actividades humanas en funcin del factor
clima.
El inters actual por comprender las causas de variabilidad climtica
impone la necesidad de analizar varios factores climticos, debido al
carcter

multiescalar en

tiempo

espacio

de

las

seales

meteorolgicas e identificar comportamientos globales, si se logra

identificar una relacin causa-efecto entre ellos, la auscultacin
constante de la variable causa (predictor) permitira pronosticar la
variable efecto.
2.1.3. OBJETIVOS
2.1.3.1. OBJETIVO GENERAL

Determinar los factores principales que influyen en la

precipitacin pluvial en la ciudad de Puno, periodo 19802012.

2.1.3.2. OBJETIVOS ESPECFICOS

Describir los factores influyentes en la precipitacin pluvial en

la ciudad de Puno, perodo 1980-2012.

Determinar un modelo con los factores climticos principales
que influyen significativamente en la precipitacin pluvial en la
ciudad de Puno, periodo 1980-2012.

Probar la significancia del modelo estimado y a los parmetros

individuales a travs del anlisis de varianza.

Validar el modelo estimado.

2.1.4. HIPOTESIS
2.1.4.1. HIPOTESIS GENERAL

La Anomala de la temperatura superficie del mar de la

regin

nio

1+2

la

regin

nio

3,

influyen

significativamente en la precipitacin pluvial en la ciudad de

Puno, periodo 1980-2012.
2.1.5. LIMITACIONES DEL PROBLEMA
El presente trabajo de investigacin tuvo como limitacin el acceso a
la informacin de los factores climticos que influyen en la
precipitacin en vista de que el departamento de Puno y el Per, no
registra dicha informacin pues no cuenta con la tecnologa ni los
instrumentos necesarios para la observacin y registro de los
mismos.
Asimismo otra limitacin fue el poco conocimiento de cada uno de los
factores que intervienen en la precipitacin en la presente
investigacin, como son anomala de la temperatura superficial del
mar, radiacin de onda larga, ndice de oscilacin del sur y vientos en
la superficie del ocano.

2.2. MARCO TERICO

2.2.1. ANTECEDENTES DE LA INVESTIGACIN
Los antecedentes al proyecto son los siguientes:
BENAVIDES Camacho, Vladimir Modelos de prediccin
aplicables a los cambios climticos del Distrito de Puno; 19641998. Su objetivo fue desarrollar modelos de prediccin que
permitan describir los comportamientos cclicos de los
fenmenos climticos en medias mensuales y determinacin
anual, en el estudio a este tipo de datos (estacionarios y no
estacionarios). Concluye que la construccin de un modelo
ARIMA adecuado para una serie de estudios, solo es posible,
si la serie presenta un comportamiento estacionario, para
hacer este requerimiento se analizo la diferenciacin finita y/o
transformacin de los datos, el mejor proceso para las series
son:
ARIMA (1,2,0)*(1,0,0) CON S=12
Cuyo modelo esta dado por:
1

0.88662 B 4+ 0.06098912 12 Z 4 =0.22 B 0.659 (B12 )a

Para la serie de evaporacin es:
ln xARIM A ( 1,1,1 )( 1,0,0 ) CON S=12

Cuyo modelo esta dado por:

12 12
ln Z =0.2088 B+ 0.529302 B Z
12

0.5451 B0.04861(B ) a
Y para la serie de precipitacin es:
ln Z ARIMA ( 1,1,1 )( 1,0,1 ) CON S=12
Cuyo modelo esta dado por:
ln ( Z ) =0.192245 B+0.96974 B12 12 Z
0.9992 B0.822161(B 12)a

MAMANI Sacachipana, Cristobal.Estimacin de Intensidad de

Lluvia en zonas sin informacin Pluviogrfica. Su objetivo fue
Estimar las intensidades de la precipitacin a partir de la
precipitacin mxima en 24 horas y la precipitacin total
mxima mensual en zonas sin informacin Pluviogrfica.
Concluye que la serie de precipitaciones mximas en 24 horas
y las precipitaciones totales mximas mensuales de las
estaciones Azngaro, Muani y Putina de 37 aos de
informacin, es suficiente, homognea y consistente para el
anlisis de frecuencia de eventos extremos.
PAREDES QUISPE, Juan R. Modelamiento Estocstico de la
Precipitacin Pluvial en el Distrito de Puno, periodo 19661990. Su objetivo fue Ajustar los Valores de Precipitacin
Pluvial Promedio Anual del Distrito de Puno, de los periodos
1966 a1990 a un Modelo Estocstico. Concluye que segn el
correlograma general para modelos de Markov I, II Y III y los

limites de confianza calculados, se elige el modelo estocstico

de Markov III como bueno para la bsqueda de mejor
aproximacin a los datos seriales de precipitacin. Cuyos
coeficientes de autoregresion calculados fueron: 0.271935,
-0.137857 y 0.213713 respectivamente los que determinan
para llegar a obtener la serie residual o variable estocstica
independiente del modelo de Markov III. Con una probabilidad
del 95%. Cuyo modelo estocstico de tercer orden es:
x t= 1 x t 1+ 2 x t 2+ 3 x t3 +t

Donde:
1 , 2 y 3 :

Primer,

segundo

tercer

coeficiente

de

autorregresin y la variable estocstica dependiente:

1 /2

t = 1 t1 + 2 t2 + 3 t3 + [ 1( 21+ 22 + 23+ 2 1 2 r 1+ 2 1 3 r 2+ 2 2 3 r 3) ] t

PEREZ QUISPE, Samuel D.Seleccin de la mejor ecuacin

de regresin para pronsticos de Temperatura extrema
Mnima en funcin de las observaciones de Termmetro Seco
y Termmetro Hmedo en el Distrito de Puno; periodo 19801990. Su objetivo fue determinar la mejor ecuacin de
Regresin,

para

pronsticos

de

Temperatura

Extremas

Mnimas en funcin de los Termmetros seco y Termmetros

hmedo. Para los datos observados en el periodo 1980-1990

de la ciudad de Puno. Concluye que las variables que dan un
aporte significativo al pronstico de las temperaturas mnimas,
son las temperaturas registradas con: Termmetro Seco de las

7 a.m.

p.m.

x
( 1) y Termmetro Hmedo de las 7am. ( x 4 19

( x 6) . Siendo la ecuacin de pronstico para las

temperaturas extremas mnimas de:

^y =0.43550.1285 x 2
x
x
+0.9329 4 +0.2401 6

2.2.2. BASE TERICA

MODELO

Es la representacin o la imagen esquemtica, simplificada de la

realidad o expresin matemtica de una determinada teora.
Constituyen instrumentos de descripcin que permiten sacar
conclusiones por analoga y una explicacin o teora de su
funcionamiento que permite a la vez suponer que podemos predecir
en algn grado su comportamiento quiz controlarlo en cierta forma.
Un modelo es una representacin simplificada de un sistema
complejo, que expresa relacin entre variables y parmetros,
pudiendo ser fsicos, anlogos y matemticos.
Kendall Buckland (1989) Tambin define al modelo como una
expresin formalizada de una teora o una situacin causal, que se
considera haya sido la generadora de los datos observados.
MODELAMIENTO ESTADISTICO
Es la aproximacin de ajuste de datos a una ecuacin de regresin.
La regresin estudia el grado de dependencia entre dos variables o
ms variables, una llamada independiente o explicativa que es
representada por X y las otras Y llamadas dependientes o
explicada.

Usualmente se supone que la variable de regresin

continua, controlable y fija. Fija significa que

es

tiene valores que

son fijados es decir escogidos o predeterminados por el investigador.

MODELOS ESTADISTICOS DE REGRESION
El anlisis de regresin es una tcnica estadstica para investigar y
modelar la relacin entre variables.
Para llegar a determinar una ecuacin que relacione las variables, un
aspecto esencial del anlisis de regresin es la recoleccin,
recopilacin

adquisicin

de

datos

que

muestren

los

correspondientes valores de las variables consideradas en el

anlisis. Todo anlisis de regresin es tan bueno como lo son los
datos sobre los que se basa.
El paso siguiente es representar los puntos ( X , Y ) en el sistema
de coordenadas, cuyo sistema de puntos resultantes se llama a
veces diagrama de dispersin. Con el diagrama de dispersin es
posible frecuentemente representar una curva que se aproxime a los
datos, tal curva se llama curva de aproximacin.
El problema general de encontrar ecuaciones de curvas de
aproximacin que se ajusten al conjunto de datos es el buscar la
curva de ajuste.

MODELOS LINEALES.- Son ecuaciones de regresin de primer

grado:
MODELO DE REGRESIN LINEAL SIMPLE
Estudia el grado de dependencia lineal entre dos variables, una
llamada independiente o explicativa que es representada por

y la otra

X ,

llamada variable dependiente o explicativa, cuyo

Modelo Estadstico es:

Y =a+bX +e

Dnde:
Y : Variable de respuesta o variable dependiente.
X : Variable predictor o variable independiente.

: Es el clculo de la variable dependiente cuando la variable

independiente es cero.
b

: Es el clculo de la inclinacin de la lnea, tasa de cambio de la

variable dependiente cuando cambia en una unidad la variable

independiente, y se denomina coeficiente de regresin.
e

: Error aleatorio.

yi

Si

xi

es cualquier observacin de la variable dependiente con

observaciones independientes, entonces:

Si consideramos:
y
E( i )=a+ b x i , entonces el modelo es

y i=a+ b xi + ei

El modelo cumple las siguientes condiciones:

E ( e i )=0.

2
V( e i )= , i

La covarianza:

Cov (

ei , e j

)=0 para

i j

y =a+b x i
E ( i)

V ( y i )=V ( ei ) =

Calzada Benza Mtodos estadsticos para la investigacin, si

una caracterstica

depende cuando menos en parte de otra

caracterstica, decimos que son caractersticas concaminantes. El

grado de concamitancia o dependencia se mide con la REGRESION.

La regresin es lineal, cuando al variar los valores de la caracterstica
independiente, los valores correspondientes de la caracterstica
dependiente tienden a variar con alguna proporcionalidad, en este
caso la lnea recta puede representar bastante bien la posicin de
todos los puntos fijados, uno con cada par de valores de ambas
caractersticas.
Se presentan problemas de regresin cuando un investigador se
pregunta por ejemplo, si existe influencia entre el uso del tabaco y las
afecciones cardiacas, la regresin permite estudiar la dependencia
de una caracterstica respecto de la otra, para establecer como varia
el promedio de la primera caracterstica.
Yi

Si

Xi

representa las medidas de la caracterstica dependiente y

las de la caracterstica independiente; pueden presentarse los

casos siguientes:

Que las medidas o niveles de

sean seleccionados o

escogidos por el investigador; tal por ejemplo: si se estudia la

longevidad de conejos sometidos a niveles escogidos de
radiacin, si se estudian los pesos de los habitantes de un
pas correspondientes a las alturas escogidas de los mismos,

etc. Si los niveles de

regresin de

sobre

, por que los niveles de

de

son escogidos, se puede estudiar la

X , mas no la de
X

sobre

no representan a la distribucin

de la poblacin bivariada normal.

Que las medidas o niveles de X sean tomados al azar; tal
por ejemplo si se toma al azar habitantes de un pas y de cada
uno se toma la altura y el peso; si se estudia la velocidad de
los autos y el numero de metros que requieren para frenar,
etc. Si las medidas de

estudiar la regresin de

no son escogidas, se puede

sobre

y la de

sobre

Y , porque las medidas de las dos caractersticas

representan a las distribuciones de

de la

poblacin bivariada normal muestreada.

Distribucin bivariada normal es aquella que tiene dos
distribuciones. La distribucin de los valores de

normal para cualquier de

de

es

X , y la distribucin de los valores

es normal para cualquier valor de

Y . Adems,

ambas distribuciones tienen varianzas homogneas a lo largo

de sus respectivas lneas de regresin.
La literatura ofrece varios mtodos para estimar el grado de
asociacin entre dos variables, nosotros trataremos el Mtodo
de los mnimos cuadrados.
ESTIMACIN
Para la estimacin de los parmetros utilizaremos el mtodo de los
mnimos cuadrados.
La estimacin por el mtodo de los mnimos cuadrados minimiza la
suma de cuadrados de desviaciones de los valores observados de
yi

, esto es: (Minimiza el error).

N

e e= ei
'

i=1

[]

e1
e= e 2

eN

El

error

aleatorio

denotado

por

cuya

probabilidades es normal con media cero y varianza

distribucin

de

DN ( 0, ) .

Ecuaciones Normales:
N a^ + b^ x i= y i

x 2i = x i y i
a^ x i+ b^

Para estimar

a^

^
y b :

a^ =Y . b^ X .

b^ =

x i y iN Y . X .
x2i N X .2

Donde:

X .
N

xi

Y .=
N

yi

ANALISIS DE VARIANZA DE REGRESION

La suma de cuadrados de la regresin mide el efecto de la variable
independiente ( X ) sobre la variable dependiente ( Y ). La suma
de cuadrados del error mide la variabilidad de las observaciones con
respecto a las lneas de regresin.
REGRESIN LINEAL MLTIPLE

La regresin mltiple es el mtodo de anlisis apropiado cuando el

problema del investigador incluye una nica variable mtrica
dependiente que se supone est relacionada con una o ms
variables mtricas independientes. El objetivo del anlisis de
regresin mltiple es predecir los cambios en la variable dependiente
en respuesta a cambios en varias de las variables independientes.
Este objetivo se consigue muy a menudo a travs de la regla
estadstica de los mnimos cuadrados.
La regresin mltiple es til siempre que el investigador este
interesado en predecir la cantidad o la magnitud de la variable
dependiente. Por ejemplo, se puede hacer la prediccin de los gastos
mensuales de cenar fuera de casa (variable dependiente) con
informacin referente a la renta familiar, su tamao y la edad del
cabeza de familia (variables independientes). De la misma forma, el
investigador puede intentar predecir las ventas de una campaa a
partir de informacin sobre sus gastos en publicidad, el nmero de
vendedores y el nmero de tiendas que distribuyen sus productos.

Qu es el anlisis de regresin mltiple?

El anlisis de regresin mltiple es una tcnica que puede utilizarse
para analizar la relacin entre una nica variable criterio (criterio) y
varias variables independientes (predictores).

El objetivo del

1 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 11.

anlisis de regresin mltiple es usar las variables independientes

cuyos valores son conocidos para predecir la nica variable criterio
seleccionada por el investigador. Cada variable predictor es
ponderada, de forma que las ponderaciones indican su contribucin
relativa a la prediccin conjunta. Al calcular las ponderaciones, el
procedimiento del anlisis de regresin asegura la mxima prediccin
a partir del conjunto de variables. Estas ponderaciones facilitan
tambin la interpretacin de la influencia de cada variable en la
realizacin de la prediccin, aunque la correlacin entre las variables
independientes complica el proceso de interpretacin. El conjunto de
variables independientes ponderadas es conocido tambin como
valor terico de la regresin, una combinacin lineal de las variables
independientes que predice mejor la variable criterio la ecuacin de
regresin, tambin denominado como el valor terico de la regresin,
es el ejemplo de valor terico mas ampliamente reconocido entre
todas las tcnicas multivariantes.
Como ya se menciono anteriormente el anlisis de regresin mltiple
es una tcnica de dependencia. Por tanto, al utilizarla, deberamos
de ser capaces de dividir las variables entre independientes y
dependientes. El anlisis de regresin es tambin una herramienta
estadstica que debera utilizarse solo cuando tanto las variables
dependientes como las independientes son mtricas.

Sin embargo, bajo ciertas circunstancias, es posible incluir datos no

mtricos para las variables independientes (transformando los datos
ordinales o los nominales en variables ficticias) o la variable criterio
(mediante el uso de una medida binaria en la tcnica especial de la
regresin logstica).
En resumen, al aplicar el anlisis de regresin mltiple, los datos
deben ser mtricos o apropiadamente transformados.
El objetivo del anlisis de regresin es predecir una nica variable
criterio a partir del conocimiento de una o ms variables
independientes. Cuando el problema implica una nica variable
independiente, la tcnica estadstica se denomina regresin simple.
Cuando el problema implica dos o ms variables independientes, se
denomina regresin mltiple
El anlisis de regresin mltiple es una tcnica de dependencia.

La regresin lineal mltiple es una tcnica que intenta modelar

probabilsticamente el valor esperado de una variable Y, a partir de
los valores de dos o ms predictores.
Determinar la posibilidad de predecir a travs de una expresin muy
simple el valor de la respuesta de inters, a partir de los valores
observados de una serie de factores. Son los predictores
2 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 144 145.

propuestos adecuados para modelar en forma lineal la respuesta de

inters?
Determinar la importancia relativa de la asociacin lineal entre la
respuesta y un predictor respecto a la asociacin entre ella y otro
predictor. Cules de los predictores propuestos son los eficaces
para modelar la respuesta en forma sencilla?
Estimar la relacin lineal entre los predictores y la variable respuesta
a partir de nuestros datos: Cul sera el modelo lineal que
recomendaramos ms adecuado, sencillo, pero relativamente
preciso?
La regresin lineal mltiple es matemticamente similar a la
regresin lineal simple.3
MODELO DE REGRESION LINEAL MULTIPLE
Y i= 0 + 1 X 1i + 2 X 2 i+ 3 X 3 i + 4 X 4 i+ 5 X 5 i + 6 X 6 i+ 7 X 7 i +e i ,

i=1,2, , N (1)

Donde:
x 0i =1

i : Subndice para la i-sima observacin (i=1,2,N)

3Modelos de Regresin Mltiple [en lnea]: Per. 2013. [02 de Enero].
Disponible en http://www.cienciaytrabajo.cl/pdfs/23/pagina%2039.pdf. P. 39

Y : Precipitacin mm. (Variable respuesta).

X 1 : Anomala de la temperatura superficial del mar regin Nio

1+2.
X 2 : Anomala de la temperatura superficial del mar regin Nio 3.
X 3 : Anomala de la temperatura superficial del mar regin Nio 4.
X 4 : Anomala de la temperatura superficial del mar regin Nio
3.4.
X 5 : Radiacin de onda larga.
X 6 : Vientos en la superficie del Ocano.
X 7 : ndice de oscilacin del Sur.
Y i : i -esima observacin para la Precipitacin.
N : Tamao de muestra.
X 11 , X 21 , X K :

i sima

Observacin

de

los

Forzantes

climticos (Anomala de la temperatura superficial del mar en la

regin Nio 1+2, Nio 3, Nio 4 y Nio 3.4, Radiacin de onda larga,
Vientos en la superficie del Ocano e ndice de Oscilacin del Sur ).

 0 , 1 , , k : Parmetros Lineales de regresin desconocidos.

Los parmetros

regresin. El parmetro

respuesta

= 0, 1,, 7, se llama coeficiente de

representa el cambio esperado en la

Xj

por cambio unitario en

Xi

variables regresoras

cuando todas las dems

( i j ) se mantienen constantes. Por

esta razn a los parmetros

se les llama con frecuencia

coeficientes de regresin parcial.

ei

los

i simo

Error aleatorio no observable asociado con

e i DNI (0, 2 ) .

Ahora definimos las siguientes matrices:

1
x=
1

x11 x 17

xN 1 x N 7

] [] [] []
,

y1
e1
y= , e= ,
yN
eN

0
=
7

La Ecuacin (1) puede escribirse en forma matricial:

Y = X + e,

Yi

[ ][

][ ] [ ]

y1
1 x11 x 17 0 e1
y 2 = 1 x 21 x 27 1 + e2

yN
1 x N 1 xN 7 7 eN

Para estimar utilizaremos el mtodo de los mnimos cuadrados,

La ecuacin de regresin, dados los estimadores de mnimos
0 , 1 , , k

cuadrados

es:

Y^ i= ^ 0 + ^ 1 X 1i + ^ 2 X 2 i+ + ^ K X ki i=1,2, , N

Ecuaciones normales:
X ' Y =( X ' X ) ^

De aqu:

^=( X ' X )1 X ' Y

Matricialmente el modelo general es escrito como:

Donde:

X 'Y X

X
Y

Y ,X'X X

io i
i1 i

i2 i

io
io

X ik

X i1

ik i

X i2

X
x
X

2
io

io

io

X i1

2
i1
i1

i1

X X X X X X
x x x X X X
X
X X X
io

i2

i2 i1

X i2
X ik

io

i3

i3

i1

io

ik

ik

i1

i3

i2

i2

X ik

i2

X ik X ik
2

i3

ik

Siendo:
X io =1 , i=1, ,N

X io=N
X io X i 1= X i 1=X .1

X io Y i= Y i =Y .

X
X 'Y

i1 i

X
,X'X
Y
X

i 2Yi
i3 i

i2
i3

2
i1

i1

i2

i1

i3

......

ik i

i1

X i1

X
X
X X
X X

X X
ik

i1

X ik

X
X
X
X

X i3

X
X
X
X

X ik

i2

i3

i2 X i1
2

i2

i2

i2

i3

X
X ....... X X
X ....... X X
......... X X
.....
i1

i3

i3

i3

ik

i2

X ik .....

^ i N [ i , a ii 2 ] ,

i1
i2

ik

i3

ik

Las matrices de varianzas y covarianzas estimadas para los

parmetros estimados se distribuyen:

ik

2
ik

donde a ii :

Es el elemento i simo

(i=0,, k) de la diagonal de

( X ' X )1 , de aqu

var [ ^ i ]=aii 2

Siendo su estimador:
^
Var ( ^ i)=aii ^ 2

PRUEBA DE HIPOTESIS EN REGRESION LINEAL MULTIPLE:

Una vez estimados los parmetros del modelo, surgen de inmediato
dos preguntas:
1. Cul es la adecuacin general del modelo?
2. Cuales regresores especficos parecen importantes?
Hay varios procedimientos de prueba de hiptesis que demuestran
su utilidad para contestar estas preguntas. Las pruebas formales
requieren que los errores aleatorios sean independientes y tengan

una distribucin normal con promedio

E ( i ) =0

y una

PRUEBA DE LA SIGNIFICANCIA DE LA REGRESION

Var ( i ) = 2 .

La prueba de la significancia de la regresin es para determinar si

hay una relacin lineal entre la respuesta

variables regresoras

X 1 , X 2 , , X k

y cualquiera de las

. Este procedimiento suele

considerarse como una prueba general o global de la adecuacin del

modelo. Las hiptesis pertinentes son: 4
1. Prueba de significancia global del modelo de regresin
mltiple estimado, es decir, encontrar si todos los coeficientes
de pendiente parciales son iguales a cero simultneamente.
H 0 : 1= 2 , ,= k =0
Esta hiptesis nula es conjunta de que

1, 2, , k

son iguales a cero en forma conjunta o simultnea.

Una prueba de tal hiptesis se denomina prueba de

significancia global de la recta de regresin observada o
estimada, es decir si Y est relacionada o no linealmente con

X 1 , X 2 , , X K

a la vez.

4 MONTGOMERY Douglas C., PECK Elizabeth A. y VINING G. Geoffrey,

Introduccion al Analisis de Regresin
Lineal. Primera edicin en espaol,
Madrid, Compaa Editorial Continental, 2005 .P. 78 79.

El rechazo de la hiptesis nula implica que al menos uno de

los regresores

X 1 , X 2 , , X k

contribuye al modelo en forma

significativa.
El mtodo del anlisis de varianza en las pruebas de
significancia global de una regresin mltiple observada:
la prueba F
Esta hiptesis conjunta puede ser probada por la tcnica de
anlisis de varianza (ANOVA).
TABLA N1: Anlisis de la Varianza (Corregida por la Media)
(para ajustar una regresin)
Fuente de

Grados

Suma

variacin

de

cuadrados

de

Cuadrados

Estadstico F

Medios

libertad

Regresin

r1

'
2
SSR m= ^ X Y n YMSR = SSR
m
r1

n1

SSE
SSE=Y ' Y ^ ' X 'MSE=
Y
nr

n1

SSTm=Y ' Y n Y 2

(c.p.m)
Error
Residual
Total

Fuente: SEARLE, S.R.,Linear Models, Wiley, Nueva York, 1971.

Donde:
r :k +1

F ( Rm ) =

MSRm
MSE

k : Numero de variables independientes en el modelo.

cpm:

Corregido para la media.

2.- Prueba de hiptesis sobre un coeficiente de regresin

parcial individual

Bajo el supuesto de que

, se puede

e i N (0, 2)

utilizar la prueba t para demostrar una hiptesis sobre

cualquier coeficiente de regresin parcial individual.

Y el contraste para la hiptesis es:

t=

^ i i
t (nr )
^ aii

Donde:

aii

Elemento i-esimo de la diagonal de

i=0, , k

X
( ' X )1

r=k +1 .

k : Nmero de variables independientes en el modelo.

3. Decisin:
R t
,
Si t ( m ) (r , Nr , ) entonces se rechaza la hiptesis

Significa de que por lo menos

i 0

H0

o en forma contraria si t

( Rm ) < t (r , Nr , ) , entonces aceptamos la hiptesis la hiptesis

H0

; lo que significa que todos los

son ceros.

MEDIDAS DE LA BONDAD DE AJUSTE

Una vez que se ha realizado el ajuste por mnimos cuadrados,
conviene disponer de algn indicador que permita medir el grado de
ajuste entre el modelo y los datos. En el caso de que se hayan
estimado varios modelos alternativos podra utilizarse medidas de
este tipo, a las que se denomina medidas de la bondad de ajuste,
para seleccionar el modelo ms adecuado5.
Coeficiente de determinacin

5GUJARATI Damodar, N. Econometra. Cuarta edicin, Mxico, Editorial McGrawHill, 2004. P. 209.

El coeficiente de determinacin se basa en la descomposicin de la

varianza de la variable endgena, a la que denominaremos varianza
total. Cuando se aplica el mtodo de mnimos cuadrados y existe un
trmino independiente en el modelo, se puede establecer que:
Varianza total = varianza explicada + varianza residual
Una propiedad importante de

es que es una funcin no

decreciente del nmero de variables explicativas o de regresoras

presentes en el modelo; a medida que aumenta el nmero de

regresoras,

aumenta casi invariablemente y nunca disminuye.

Planteado de otra forma, una variable adicional X no reducir

Analticamente, y prescindiendo de los trminos del denominador, la

igualdad anterior se puede expresar de esta forma:

R 2=

SS R
SS
=1 Res
SST
SS T

Se llama coeficiente de determinacin. Como

medida de la variabilidad de

SS T

es una

sin considrar el efecto de la

variable regresora

de

X ,

SS Res

es una medida de la variabilidad

que queda despus de haber tenido en consideracin a

se llama, con frecuencia, la proporcin de la variacin

explicada por el regresor

0 R 2 1 . Los valores de

parte de la variabilidad de

X . Ya que

0 SS Res SST

, entonces

R2

cercanos a 1 implican que la mayor

esta explicada por el modelo de

regresin.
Hay otras ideas errneas acerca de

R2

. En general

R2

no mide

la magnitud de la pendiente de la lnea de regresin. Un valor grande

R

no implica que la pendiente sea grande, adems,

mide la adecuacin del modelo lineal, porque con frecuencia

de

grande aunque

y Y

no

es

no tengan relacin lineal. 6

Coeficiente de determinacin corregido

6 MONTGOMERY Douglas C., PECK Elizabeth A. y VINING G. Geoffrey, Introduccin al

Anlisis de Regresin
Lineal. Primera edicin en espaol, Madrid, Compaa Editorial
Continental, 2005 .P. 37-38.

El coeficiente de determinacin corregido permite comparar modelos

con distinto nmero de regresores. Analticamente viene dado por:

SS Res
(nr )
R2Adj =1
SST
(n1)

R2 Y R2 Ajustada

En vista de que

SST
(n1)

SS Res
(nr )

es el cuadrado medio de residuales y

es constante, independientemente de cuantas variables

hay en el modelo,

R Adj

solo aumentara al agregar una variable al

modelo si esa adicin reduce el cuadrado medio residual. La

2

R Ajustada

penaliza la adicin de trminos que no son tiles,

adems que es ventajoso para evaluar y comparar los modelos

posibles de regresin. 7

7 MONTGOMERY Douglas C., PECK Elizabeth A. y VINING G. Geoffrey. Ob. Cit. P. 82.

En vista de esto, al comparar dos modelos de regresin con la misma

variable dependiente pero un nmero diferente de variables X, se
debe de tener mucho cuidado al escoger el modelo con la ms alta

Para comparar dos trminos

, se debe tener en cuenta el

nmero de variables X presentes en el modelo. Esto puede hacerse

fcilmente si se considera un coeficiente alternativo, que es el

El

R2Adj

as definido se conoce como

R2Adj

ajustado, denotado por

el termino ajustado significa ajustado por los grados de

libertad asociados con las sumas de los cuadrados.

REGRESION STEPWISE
La regresin Stepwise, forma una secuencia de regresiones
agregando o eliminando variables independientes en cada etapa, el
criterio para agregar o eliminar una variable puede ser en base

8 GUJARATI Damodar, N. Ob. Cit., p. 210.

estadstica F* o en base a coeficientes de correlaciones parciales. El

procedimiento se puede resumir en lo siguiente:
1. Se calculan todas las regresiones simples para cada una de
las k-1 variables independientes potenciales.
Para cada una de las ecuaciones de regresin simple se
obtiene la estadstica:
MSR(x k )
F =
MSE(x k )
La variable independiente con el mayor valor F* es
considerada,

si

predeterminado,

este
la

valor

F*

variable

excede

independiente

un

nivel

debe

ser

considerada en la regresin, de otra, manera el programa

termina, considerndose que ninguna variable independiente
brinda la suficiente ayuda como para ser considerada en el
modelo de regresin.
2. Supongamos

que

la

variable

x7

fue

la

variable

independiente considerando para entrar en la primera etapa,

la rutina de regresin Stepwise ahora calcula todas las

regresiones con dos variables independientes donde

x7

es

una de ellas. Para cada una de tales regresiones se calcula la

estadstica:

xk
)
x7

F=
MSE(x k , x7 )
MSR(

Esta es la estadstica que se utiliza para probar la hiptesis

cuando

son las variables

independientes del modelo, las variables independientes con

el mayor valor F* es considerada en la segunda etapa. Si este
valor F* excede a un nivel predeterminado, se tiene la
segunda variable a ser introducida en el modelo, de otra
manera el programa termina.
3. Supongamos que

fue la variable que es agregada en el

segundo paso, ahora la rutina Stepwise examina si cualquiera

de las otras variables independientes que ya estn en el
modelo deben ser eliminadas. En nuestra ilustracin hay hasta
en esta etapa solamente una variable independientes en el

modelo

x7

, de manera que solamente la estadstica:

x7
)
x3

F=
MSE(x 7 , x3 )
MSR(

Debe ser estimada.

4. Supongamos que

x7

fue retenida, de manera que ambas

estn consideradas en el modelo, ahora la rutina

Stepwise examina que variable independiente es la prxima

candidata a ser agregada, luego examina cul de las variables
independientes que ya estn en el modelo deben ser
eliminadas y as sucesivamente hasta que no exista variable
independiente que pueda ser introducida o eliminada, en este
punto la bsqueda termina.
PRUEBA DE SUPUESTOS ESTADSTICOS PARA LA REGRESIN
PRUEBA DE NORMALIDAD DEL ERROR
El supuesto fundamental del anlisis multivariante es la normalidad de
los datos, en referencia al perfil de la distribucin de los datos para una
nica variable mtrica y su correspondencia con una distribucin
normal, punto de referencia de los mtodos estadsticos. Si la variacin
respecto de la distribucin normal es suficientemente amplia, todos los
test estadsticos resultantes no son validos, dado que se requiere la
normalidad para el uso de los estadsticos de la t y de la F. tanto los
mtodos estadsticos univariantes como los multivariantes analizados en
este texto se basan en el supuesto de la normalidad univariante,
suponiendo tambin los multivariantes la normalidad multivariante. La
normalidad univariante para una nica variable es fcil de contrastar,
siendo posible varias mediadas correctoras. Dicho de forma sencilla, la
normalidad multivariante (la combinacin de dos o ms variables)
implica que las variables individuales son normales en un sentido

univariante y que sus combinaciones tambin sean normales. Por tanto,

si una variable es una normal multivariante, es tambin normal
univariante. Sin embargo, lo contrario no es necesariamente cierto (dos
o ms variables normales univariantes no son necesariamente normal
multivariante). Por tanto, una situacin en la que todas las variables
exhiben

normalidad

univariante

ayudara

obtener

normalidad

multivariante, aunque no lo garantiza. La normalidad multivariante es

mucho ms difcil de contrastar, aunque existen varios test para
situaciones en las que la tcnica multivariante se ve particularmente
afectada por una violacin de los supuestos.

Anlisis grafico de la normalidad.- la prueba de la normalidad se

realizara de forma grafica, mediante probability plot, y nos apoyaremos
en el teorema del lmite central que garantiza la normalidad por tener
datos n 30.
PRUEBA DE HOMOGENEIDAD DE VARIANZAS DE LOS ERRORES
(HOMOCEDASTICIDAD)
La prueba de homocedasticidad de dos variables mtricas se evala
mejor grficamente. La aplicacin ms comn de esta forma de
evaluacin se produce en la regresin mltiple, en relacin con la
dispersin de la variable dependiente a lo largo de las variables
9 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 63.

independientes mtricas. Dado que el eje del anlisis de la regresiones

el valor terico, el grafico de residuos se usa para revelar la presencia
de homocedasticidad (o su opuesto, heterocedasticidad, desigual
dispersin de la varianza).10
Para determinar si los errores tienen o no una variacin homognea de
la forma grfica y analtica (Prueba de Gleiser).
Anlisis grafico de la Homocedasticidad.- consiste en preparar un
diagrama de dispersin para los errores al cuadrado en el eje de las
^
ordenadas, y los valores pronosticados ( Y i ) en el eje de las abcisas.
Si la nube de puntos presenta un patrn tendencial, se dice que existe
heteroscedasticidad, en caso contrario existir homocedasticidad.
PRUEBA DE LA INDEPENDENCIA DEL ERROR
Independencia del error es equivalente a decir que no existe
autocorrelacin entre los errores. Para determinar si los errores estn
correlacionados, se utilizara la prueba de Durbin-Watson. Se seguir el
procedimiento
1. Plantear la hiptesis

H0

=no hay correlacin serial positiva.

2. Hallar el estadstico Durbin-Watson d mediante la formula

10 Anderson, R.L., Hair, J.F., Tatham R.E., Black W. C., Analisis Multivariante.
Quinta edicion, Madrid, Editorial Prentice Hall, 1999.P. 67.

( e^ i e^ i1 )2

d= i=1

e^ 2i
i=1

3. En la tabla de Durbin-Watson buscar valores para Limite Inferior

(DI) y Limite Superior (DS) para un nmero de observaciones y
nmero de variables explicatorias (independientes).
4. Tomar la siguiente decisin
H0
Si: d < di
Rechazar
d > ds
di d ds

Aceptar

H0

La prueba no es concluyente.

MULTICOLINEALIDAD
Se sospecha que la colinealidad est presente en situaciones en que
R2

es alto (por ejemplo, entre 0.7 y 1) y cuando las correlaciones

de orden cero son altas y a la vez ninguno o pocos de los

coeficientes de regresin parcial son individualmente significativos,

con base en la prueba t convencional. Si el

R2

es alto quiere

decir que la prueba F del anlisis de varianza.

En la mayora de los casos, rechazara la hiptesis nula de que el
valor verdadero de todos los coeficientes parciales de la pendiente
sea simultneamente cero, independientemente de la prueba t.

Para determinar la multicolinealidad se usara la prueba F, t, y el

.
Para detectar la multicolinealidad usaremos el factor de inflacin
de varianza (VIF)11.
A medida en que es mayor la multicolinealidad presente en uno de
los regresores del modelo, la varianza de su coeficiente comienza a
crecer por que el denominador de la formula se hace ms chico. Es
decir, la multicolinealidad infla la varianza del coeficiente.
Formalmente:

VIF j

1
1 R 2j

Se observa claramente que el VIF se define como el inverso de la

tolerancia.
El VIF tomara valores entre un mnimo de 1 o esta aproximado
cuando no hay ningn grado de multicolinealidad y no tendr lmite
superior por definicin en el caso de multicolinealidad perfecta.
2.2.3. DEFINICIN DE TRMINOS BSICOS
ADMINISTRACIN NACIONAL DE LA ATMSFERA Y DEL
OCANO
11GUJARATI Damodar, N. Ob. Cit., p. 337.

Parte del departamento de comercio (DOC) de los Estados Unidos.

Ubicado en Silver Spring, Estado de Maryland. Es la oficina matriz
del Servicio Nacional de Meteorologa, con la responsabilidad de
proteccin al medio ambiente con nfasis en los recursos marinos y
atmosfricos.
ADAPTACIN
Ajuste de los sistemas humanos o naturales frente a entornos nuevos
o cambiantes. La adaptacin al cambio climtico se refiere a los
ajustes en sistemas humanos o naturales como respuesta a
estmulos climticos proyectados o reales, o sus efectos, que pueden
moderar el dao o aprovechar sus aspectos beneficiosos. Se pueden
distinguir varios tipos de adaptacin, entre ellas la preventiva y la
reactiva, la pblica y privada, o la autnoma y la planificada.
ANOMALA
Trmino genrico para identificar una condicin diferente del valor
medio climatolgico. Se expresa como la diferencia (absoluta o
normalizada) con respecto a la media.
ANOMALA DE LA TEMPERATURA SUPERFICIAL DEL MAR
Anomala de Temperatura de la Superficie del Mar, en las zonas ms
calientes, los movimientos ascendentes de aire hmedo dan
nacimiento a extensas formaciones nubosas cuya condensacin
produce fuertes precipitaciones, mientras que en otras partes la
subsistencia de aire seco y fro desde la tropsfera superior genera

una especie de capa que impide la formacin de nubes susceptibles

de dar lluvias de consideracin.
Los ndices de temperaturas superficiales del mar, intentan captar las
caractersticas del calentamiento ocenico en regiones que son
escogidas de acuerdo a determinados criterios.
La regin El Nio 1 es situada cerca de las costas de Per y
Ecuador, mientras que El Nio 2 se ubica en las cercanas de las
Islas Galpagos. El efecto combinado de las anomalas de
temperaturas en estas dos regiones se considera un indicador
altamente representativo de los cambios inducidos por El Nio en los
patrones de variabilidad de la costa del Pacifico de Amrica del Sur.
Las regiones El Nio 3 y El Nio 4 estn situadas ms alejadas de
las costas de Suramrica pero coinciden las zonas donde se
observan las mximas anomalas de temperaturas superficiales del
mar. Estudios posteriores demostraron que una regin que
comprenda parte de la regin El Nio 3 y parte de la regin El Nio
4, constitua un ndice muy adecuado debido a que esa zona
coincida con la de mayor correlacin entre la temperaturas
superficiales del mar y el ndice de Oscilacin del Sur, por lo que
defini una nueva subregin definida como El Nio 3.4.
ALTITUD
Es la distancia vertical entre un punto situado sobre la superficie
terrestre y el nivel medio del mar.

ANEMMETRO TOTALIZADOR
Instrumento mecnico que determina el recorrido del viento y con ello
la velocidad media del viento en un periodo determinado. Se expresa
en km/h y m/s.
CAMBIO CLIMTICO
Son las variaciones medias de los valores de los elementos
meteorolgicos (temperatura, precipitacin, humedad, etc.) de una
amplia regin, a lo largo de un periodo de tiempo, que provocan
alteraciones en el clima de esa zona.
ESTACIN METEOROLGICA
Una estacin meteorolgica, es una unidad de informacin bsica.
Es una zona destinada a explorar un sector atmosfrico ms o
menos

extenso.

Por

ello

es

fundamental

seleccionar

el

emplazamiento y las condiciones de medida, a fin de que las

observaciones realizadas sean representativas de la climatologa
regional.12
NDICE DE OSCILACIN DEL SUR
Es un valor que se obtiene de la diferencia de los valores
superficiales de presin atmosfrica entre la isla de Tahit y Darwin.

12 SERVICIO NACIONAL DE METEOROLOGIA E HIDROLOGIA (SENAMHI-PUNO),

Direccin Regional de Puno. Folleto de Divulgacin N 001, Observacin de
Variables Meteorolgicas. p. 2.

Es una medida comparativa de cmo cambia la presin atmosfrica

en dos grandes regiones, occidental y central-oriental, del Ocano
pacifico tropical.
METEOROLOGA
Ciencia que estudia la atmosfera y los fenmenos atmosfricos.
Comprende el estudio del tiempo y el clima y se ocupa del estudio
fsico, dinmico y qumico de la atmosfera terrestre.
En tal sentido, la meteorologa estudia las causas, naturaleza,
evolucin y relacin de los fenmenos atmosfricos, as como las
condiciones dominantes en un periodo de tiempo corto que es
llamado tiempo atmosfrico.
MUESTREO
Es una parte representativa de la poblacin. Para que una muestra
sea representativa, y por lo tanto til; debe de reflejar las similitudes y
diferencias encontradas en la poblacin; es decir debe ejemplificar
las caractersticas de la misma. Cuando decimos que la muestra es
representativa

indicamos

que

rene

aproximadamente

las

caractersticas de la poblacin que son importantes para la

investigacin.13
OBSERVACIN

13 CCEDA, D. F., PEREZ Q. S. Procedimientos Metodolgicos y Analticos para

desarrollar Investigacin Cientfica Introduccin a la metodologa de la
investigacin. UNA, Puno, 2001.P 83.

En meteorologa, es la evaluacin de uno ms elementos

meteorolgicos, como la temperatura, la presin, o el viento, que
describen el estado de la atmsfera ya sea sobre o por encima de la
superficie de la tierra. Un observador es quien registra las
evaluaciones de los elementos meteorolgicos.
PLUVIMETRO
Instrumento que mide la cantidad de lluvia que ha cado. La unidad
de medida es en milmetros.
PRECIPITACIN
Es un conjunto de partculas acuosas, liquidas o solidas, cristalizadas
o amorfas, que caen de una nube o de un conjunto de nubes y que
alcanzan el suelo. Esto incluye la lluvia, llovizna, granizo, la nieve, el
roci, la escarcha y bolillas de nieve.
POBLACIN
Es la totalidad del universo que interesa considerar, y que es
necesario que este bien definido, para que se sepa en todo momento
que elementos lo componen.14
PRONSTICO
Pronunciamiento sobre sucesos futuros. El pronstico del tiempo
incluye el uso de modelos objetivos basados en algunos parmetros
atmosfricos, unidos a la habilidad y experiencia del meteorlogo.
Tambin se conoce como prediccin.
RADIACIN DE ONDA LARGA
14 Ibd. p 84.

La atmsfera est compuesta por gases que presentan una banda de

fuerte absorcin en la regin de onda larga (mdulo de Teora de la
Radiacin); stos son, principalmente, dixido de carbono, vapor de
agua y ozono. Esto supone que, en condiciones de cielo despejado,
estos gases emiten radiacin de onda larga en las longitudes de
onda correspondientes a esas bandas de absorcin. La radiacin es
emitida en todas direcciones.
La cantidad de radiacin de onda larga recibida en la superficie
terrestre depende de la distribucin vertical de temperatura, y de las
concentraciones de dixido de carbono, vapor de agua y ozono.
Parece que la mayor parte de la radiacin de onda larga del "cielo
despejado" recibida por la superficie, se origina en los primeros
cientos de metros de atmsfera. Ms an, las nubes emiten radiacin
como cuerpos negros en la regin de onda larga.
SEQUA
Condicin climtica anormalmente seca en un rea especfica que se
prolonga debido a la falta de agua y causa un serio desbalance
hidrolgico.
TEMPERATURA
Medida del movimiento molecular o el grado de calor de una
sustancia. Se mide usando una escala arbitraria a partir del cero
absoluto, donde las molculas tericamente dejan de moverse. Es
tambin el grado de calor y de fro. En observaciones de la

superficie, se refiere principalmente al aire libre o temperatura

ambiental cerca a la superficie de la tierra.
TEMPERATURA SUPERFICIAL DEL MAR
Desde fines del siglo XIX las observaciones de temperatura
superficial del mar son rutinarias en los barcos. En la actualidad, gran
parte de este tipo de informacin se obtiene mediante observaciones
remotas desde satlites. Desde hace unos 15 aos funciona a lo
largo del Pacfico ecuatorial una red de boyas (unas 60 en total)
ancladas al fondo marino, que entre otras variables atmosfricas y
ocenicas permiten mantener un seguimiento continuo (diario) de las
condiciones trmicas superficiales y sub-superficiales en esa regin
(ref. programa TAO/NOAA).
TERMMETRO
Instrumento que sirve para medir la temperatura. Las diferentes
escalas usadas en meteorologa son: Celsius, Fahrenheit y Kelvin o
Absoluta.
VARIABLE
Es una funcin que asocia a cada elemento de la poblacin; la
medicin particularmente de una caracterstica que se puede
observar.15
VIENTOS DE LA SUPERFICIE DEL OCANO
Cuando el viento sopla sobre el ocano, mueve el agua ocenica
debido a la friccin con la superficie. Si la Tierra no girara, el agua se
15 CCEDA, D. F., PEREZ Q. S. Ob. Cit. p. 98.

movera en la misma direccin del viento. Sin embargo, la Tierra gira,

lo que complica un poco las cosas. La rotacin de la Tierra hace que
el agua de la superficie se mueva a la derecha de la direccin del
viento en el hemisferio norte y hacia la izquierda de la direccin del
viento en el hemisferio sur.
VELOCIDAD DEL VIENTO
Es el promedio del movimiento del aire durante un periodo de tiempo
preestablecido.
VIENTO
Movimiento

del

aire

en

relacin

la

superficie

terrestre,

generalmente de manera horizontal. Hay cuatro aspectos del viento

que se miden: direccin, velocidad, tipo (rfagas y rachas) y cambios.
Los cambios superficiales se miden con veletas y anemmetros
mientras que los de gran altitud se detectan con globos piloto, radio
vientos o reportes de la aeronutica civil16.
2.2.4. OPERACIONALIZACIN DE VARIABLES.
Variables Independientes

Indicador

la Nio 1+2
Nio 3
Nio 4
temperatura
Nio 3.4
superficial del mar
Anomala

de

ndice

caracterstica
C
C
C
C

16SERVICIO NACIONAL DE METEOROLOGIA E HIDROLOGIA (SENAMHI-PUNO), Direccin

Regional de Puno. Folleto de Divulgacin N 001, Observacin de Variables
Meteorolgicas. p. 6-26.

Radiacin de onda Radiacin

larga
Vientos

de w/

onda larga
la Vientos en la m/s

en

superficie

del superficie

del

ocano
ndice

ocano
de ndice

de hPa

oscilacin del sur

Variable Dependiente

oscilacin

del

sur
Precipitacin

mm.

Precipitacin pluvial

2.3. MATERIALES Y MTODOS

2.3.1. POBLACIN
Toda la informacin de precipitacin registrada por el Servicio
Nacional de Meteorologa e Hidrologa SENAMHI Puno desde el ao
1964 al 2012 y los eventos climticos (anomala temperatura del mar,
radiacin de onda larga, vientos en la superficie del ocano e ndice
de oscilacin), obtenidos de la base de datos de la Administracin
Nacional de la Atmosfera y Ocanos (NOAA), registrado por dicha
institucin a travs del tiempo.
2.3.2. MUESTRA
Para determinar la muestra se utilizara el muestreo no probalstico y
la muestra estar comprendida por la precipitacin registrada por el

Servicio Nacional de Meteorologa e Hidrologa SENAMHI Puno

correspondiente al periodo 1980-2012.
2.3.3. MTODOS DE RECOPILACIN DE DATOS
Los datos de precipitacin para la presente investigacin sern
obtenidos de la Oficina General de Estadstica e Informtica del
Servicio Nacional de Meteorologa e Hidrologa SENAMHI PUNO y la
Administracin Nacional de la Atmosfera y Ocanos (NOAA)

los

cuales corresponden al periodo 1979-2009.

La informacin ser obtenida en archivos, los cuales, se trabajara en
base a totales por ao, para el periodo en estudio, para las variables
precipitacin, anomala temperatura del mar, radiacin de onda larga,
vientos en la superficie del ocano e ndice de oscilacin.
2.3.4. MTODOS DE TRATAMIENTOS DE DATOS
Toda la informacin obtenida se almacenar en una base de datos, el
tratamiento de los datos se realizara en base a totales anuales para
las variables predictoras (anomala temperatura del mar, radiacin de
onda larga, vientos en la superficie del ocano e ndice de oscilacin)
y para la precipitacin.
2.3.5. METODOLOGA DE LA INVESTIGACIN
La metodologa sigue el siguiente procedimiento:

Recoleccin de informacin.

Determinacin del Modelo: Esto de manera grfica, para

ver si los datos se ajustan a un modelo lineal, o no lineal.

Ecuacin de regresin Adecuada para pronsticos,
siguiendo el procedimiento de la regresin Lineal Mltiple y
la utilizacin del mtodo de mnimos cuadrados para

obtener los estimadores del modelo.

Seleccin de variables independientes

que

estn

influyendo significativamente en la precipitacin pluvial,

para ello utilizaremos el procedimiento de seleccin de

variables STEPWISE.
Verificacin de supuestos estadsticos para la regresin
lineal

mltiple

varianzas,

(Normalidad,

Independencias,

Homogeneidad
y

de

las

Multicolinealidad);

se

utilizaran las pruebas de supuestos estadsticos para la

regresin mltiple.

2.4. ADMINISTRACIN DEL PROYECTO

2.4.1. CRONOGRAMA DE LA INVESTIGACIN
VARIABLES

MESES - 2013
Abril

May

Juni

Julio

Agost

Septiem

Octubr
e

bre

Revisin

de x

bibliografa
Formulacin

del

proyecto
Recoleccin

de x

datos
Presentacin del
proyecto
Anlisis de datos
Creacin
de

X
x
x
x

tablas y grficos
Interpretacin de

resultados
Redaccin

del

Informe Final
Presentacin del

Informe
Sustentacin del
Informe (Tesis)

x
x

2.4.2. PRESUPUESTO
Para la realizacin de este trabajo de investigacin, se requerir del
siguiente presupuesto.
MATERIALES

CANTIDAD

UNIDAD

PRECIOs/.

Bibliografa (libros)
computadora
Pentium

8
1

unidades
unidad

300.00
1369.00

Dual Core de escritorio

Computadora porttil
Impresora
hp

1
1

unidad
unidad

2650.00
247.00

10
5
800
10
22
9
5

millares
millares
unidades
unidades
unidades
unidades
unidades

3
60

unidades
horas

250.00
80.00
80.00
5.00
33.00
135.00
5.00
5.00
5.00
300.00
60.00
90.00
90.00
4937.00

multifuncional
Papel bond 80 gr.
Papel bond 70 gr.
Fotocopiados
Flderes
Anillados
Empastados
Lapiceros
Microsoft Windows 7
Microsoft Office
Tinta (impresora)
Internet
pasajes
otros
Total

2.4.3. FINANCIAMIENTO
Los gastos realizados en, material y otros, para la realizacin del
siguiente trabajo de investigacin, sern financiados en su totalidad
por la ejecutora.

1.3.

BIBLIOGRAFA CONSULTADA

ANDERSON, R.L., HAIR, J.F., TATHAM R.E., BLACK W. C., Anlisis

Multivariante. Quinta Edicin, Prentice Hall Iberia, Madrid, Espaa,
1999.832p.
ANGELES Caballero, Cesar A. La Monografa Investigacin y elementos.
8va edicin, Lima, Per, San Marcos, 2002.186p.
CCEDA, D. F., PEREZ Q. S. Procedimientos Metodolgicos y Analticos
para desarrollar Investigacin Cientfica Introduccin a la metodologa de la
investigacin. UNA, Puno, 2001.215p.
CARRASCAL, A. U., GONZALES, G. Y. y RODRIGUEZ P. B. anlisis
Economtrico con Eviews. Espaa, RA-MA, 2001.337p.
FERNANDEZ Garca, Felipe. Manual de Climatologa Aplicada, Clima
Medio Ambiente y Planificacin. primera reimpresin, Espaa, SINTESIS,
1996.285p.

 GUJARATI Damodar, N. Econometra. Cuarta edicin, Mxico, Editorial

McGraw-Hill, 2004.972p.
HANKE, J. E., REITSCH A. G. Pronosticos en los Negocios. Quinta edicin,
Mexico, Editorial PRENTICE HALL HISPANOAMERICANA, 1996.605p.
MONTGOMERY Douglas C., PECK Elizabeth A. y VINING G. Geoffrey,
Introduccin al Anlisis de Regresin Lineal. Primera Edicin en Espaol,
Mxico, Compaa Editorial Continental, 2005.567p.
NETTER, J. and WASSERMAN, W. Applied Linear Statistical Models.
Boston. Editorial Richard D. Irwin. Inc. ThirdEdition.
SEARLE, S.R., Linear Models, Wiley, Nueva York, 1971.
SERVICIO NACIONAL DE METEOROLOGIA E HIDROLOGIA (SENAMHIPUNO), Direccin Regional de Puno. Folleto de Divulgacin N 001,
Observacin de Variables Meteorolgicas. 2010. 27p.
URIEL, J. E. y ALDAS, M. J. Anlisis Multivariante Aplicado, Espaa,
PARANINFO, 2005. 531p.
VALDERRAMA, Mendoza, Santiago. Pasos para Elaborar Proyectos y Tesis
de Investigacin Cientfica. Segunda reimpresin, Lima, Per, San Marcos,
2006.310p.

TESIS

BENAVIDES Camacho, Vladimir. Modelos de Prediccin aplicables a los

cambios climticos del Distrito de Puno; 1964-1998. Tesis (para optar el

ttulo profesional de: Ingeniero Estadstico). Puno, Per. Universidad
Nacional del Altiplano, Facultad de Ingeniera Estadstica e Informtica,
2000. 78 p.
PAREDES Quispe, Juan R. Modelamiento Estocstico de la Precipitacin
Pluvial en el Distrito de Puno periodos 1966-1990. Tesis (para optar el ttulo
profesional de: Ingeniero Estadstico). Puno, Per. Universidad nacional del
Altiplano,

Facultad

Ingeniera

Estadstica

Informtica,

Escuela

Profesional Ingeniera Estadstica e Informtica, 1992. 72 p.

PEREZ Quispe, Samuel D. Seleccin de la mejor ecuacin de regresin
para pronostico de Temperatura Extrema Mnima en funcin de las
observaciones de Termmetro Seco y Termmetro Hmedo en el Distrito de
Puno; periodo 1980-1990. Tesis (para optar el ttulo profesional de:
Ingeniero Estadstico). Puno, Per. Universidad nacional del Altiplano,
Facultad

Ingeniera

Estadstica

Informtica,

Escuela

Profesional

Ingeniera Estadstica e Informtica, 1999. 76 p.

FUENTES INFORMTICAS
Modelos de Regresin Mltiple [en lnea]: Per. 2013. [01 de Enero].
Disponible
http://www.bioestadistica.uma.es/baron/apuntes/ficheros/cap06.pdf

en

 Modelos de Regresin Mltiple [en lnea]: Per. 2013. [02 de Enero].

Disponible en http://www.cienciaytrabajo.cl/pdfs/22/pagina%20185.pdf
Modelos de Regresin Mltiple [en lnea]: Per. 2013. [02 de Enero].
Disponible en http://www.cienciaytrabajo.cl/pdfs/23/pagina%2039.pdf
Modelos de Regresin Mltiple [en lnea]: Per. 2013. [03 de Febrero].
Disponible

en

http://www.uam.es/personal_pdi/ciencias/abaillo/AmbEst/Tema4.pdf
Regresin mltiple [en lnea]: Per. 2013. [05 de Marzo]. Disponible en
http://mit.ocw.universia.net/17.87/s02/lecture-notes/pdf/multiple_regression.pdf
Trminos Meteorolgicos [en lnea]: Per. 2013. [07 de Marzo]. Disponible en
<http://www.snet.gob.sv/Educacion/glosariomet.pdf>