El presente estudio tuvo como objetivo espacializar a alta resolución de la precipitación (HiP-RI) en los Andes Tropicales, Cordillera Blanca-Perú a partir de datos espaciales, variables predictoras y mediciones in situ de estaciones meteorológicas. Para el desarrollo de la investigación se usaron datos y técnicas dentro de la teledetección, análisis estadísticos para el modelamiento y validación de la precipitación espacializada y datos in situ tomados por las estaciones meteorológicas. Los resultados obtenidos de aplicar el modelamiento en la especialización de la precipitación en los Andes Tropicales generaron información espacial de 500 m, 1 km, 2 km, 3 km y 4 km desde el 2012 al 2020. La precisión del modelo alcanza un R2 de 0.62 con un RMSE de 54, mostrando una mejor predicción en comparación a otros métodos de interpolación y productos grillados con una resolución espacial más gruesa. El HiP-RI basado en variables predictoras fue capaz de realizar un análisis inicial entre los valores de precipitación in situ y los satelitales, para escoger los mejores productos para cada fecha. Además, se lograron ajustar los coeficientes de todas las variables predictoras para aumentar la confiabilidad en la predicción y se realizó una estimación basada en la regionalización realizada en base al NDVI y que varía mensualmente para cada estimación. En los meses de octubre, noviembre, diciembre, enero, febrero y marzo (época húmeda) y para los meses de abril, mayo, junio, julio, agosto y septiembre; la precisión de los valores obtenidos durante la temporada húmeda (RMSE=46.1) es cercana a la obtenida durante la época seca (RMSE=75.1), mientras que el mes de enero presenta el mejor ajuste (RMSE=37.1). Además, se encontró una importante relación de los eventos extremos del ENSO (temperatura superficial del mar) y el modelo de precipitación HiP-RI, los valores de temperatura superficial del mar de la zona 1+2 y HiP-RI de la zona de montañas presentaron un valor de correlación de 0.6303 para el coeficiente de determinación (R2) y 0.6328 para la eficiencia de Nash-Sutcliffe (NSE). Estos datos generados en esta investigación serán de gran utilidad a los tomadores de decisiones para la adecuada gestión del recurso hídrico.The objective of this study was to spatialize high resolution precipitation (HiP-RI) in the tropical Andes, Cordillera Blanca-Peru, using spatial data, predictor variables and in situ measurements from meteorological stations. For the development of the research, remote sensing data and techniques were used, statistical analysis for modeling and validation of spatialized precipitation and in situ data taken by meteorological stations. The results obtained from applying the modeling in the specialization of precipitation in the tropical Andes generated spatial information of 500 m, 1 km, 2 km, 3 km and 4 km from 2012 to 2020. The accuracy of the model reaches an R2 of 0.62 with an RMSE of 54, showing a better prediction compared to other interpolation methods and gridded products with a coarser spatial resolution. The HiP-RI based on predictor variables was able to perform an initial analysis between in situ and satellite precipitation values to choose the best products for each date. In addition, the coefficients of all the predictor variables were adjusted to increase the reliability of the prediction and an estimate was made based on the regionalization based on the NDVI, which varies monthly for each estimate. In the months of October, November, December, January, February and March (wet season) and for the months of April, May, June, July, August and September; the precision of the values obtained during the wet season (RMSE=46.1) is close to that obtained during the dry season (RMSE=75.1), while the month of January presents the best fit (RMSE=37.1). In addition, a significant relationship was found between ENSO (sea surface temperature) extreme events and the HiP-RI precipitation model, the sea surface temperature values of zone 1+2 and HiP-RI of the mountain zone presented a correlation value of 0.6303 for the coefficient of determination (R2) and 0.6328 for the Nash-Sutcliffe efficiency (NSE). The data generated in this research will be very useful to decision makers for the proper management of water resources.