Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Hidrologia David Cedeno
Hidrologia David Cedeno
3<a<5
tL
Hidrologa
/ David Cedeo r43
s_
D
___!
Q,L
ats
oso
Figura No25: Hidrograma
Unitario Sinttico de Snyder
El procedimiento
anterior define un hidrograma unitario sinttico para
una duracin de precipitacin
excedente D (horas)
igual a:
t-
D=L
5.5
Qp
Hidrologa / David Cedeo a44
Para una duracin de precipitacin
neta diferente D'
(hr),
se debe ajustar la
frmula para
el tiempo de retraso t,_
(hr):
ti = tr
*
o.2s (D/
-
D)
donde r/ (hr)
representa el tiempo de retraso ajustado
para la duracinD'.
Al aplicar este mtodo emprico a cualquier cuenca, se debe tener
cuidado con la seleccin de los coeficientes C, y Cp,ya que
se ha observado
que
varan considerablemente de urn regin a otra. Por consiguiente se
puede
efectuar una calibracin utilizando cuencas localizadas en los alrededores con
estaciones de medicin para
obtener el valor de estos coeficientes antes de
aplicar el mtodo a otras cuencas en la regin.
Despus que
se han calculado los tres parmetros: tr,
Qp
y t", se
puede
dibujar un hidrograma unitario de tal manera que
el rea bajo la curva
represente 1 plg
de escorrenta directa sobre la cuenca. Para construir el
hidrograma unitario por
el mtodo de Snyder se
pueden
tttlizar puntos adicio-
nales que corresponden al 50Vo y 75% del caudal mximo
Q.
El ancho W
(en
horas) para
estos caudales, se puede obtener de manera emprica
por medio
de las siguientes frmulas:
470
(+)"
Hidrologa / David Cedeo
1-45
w_. -
830
5u
/
^
\r.l
lQ, I
\^ )
donde el caudal
Q
esta en p3/s y el rea A en millas cuadradas. Los tiempos
correspondientes al ancho W se deben distribuir de la siguiente manera: 1/3
antes de
QrV
213 despus de
Qo
(en proporcin de I a2).
Ejemplo 18: Mtodo de Snyder
Utilice el mtodo de Snyder con la finalidad de obtener el hidrograma
unitario sinttico,
para una duracin de 1.0 hora de la precipitacin neta, en
una cuenca con las siguientes caractersticas:
A 100 millas cuadradas
cr 1.8
ce 0.6
L 18 millas
L" 10 millas
Solucin:
a) Tiempo de Retraso
tL = C, (L L")03 = 1.8 (18
"
10)03 =
8.55 hr
-
Hidrologa / David Cedeo
b) Duracin de la Precipitacin Excedente
f_
D =
L
= 1.55 hr
5.5
c) Aiustes para D'
:
t hora
ti = ttno.2s(Dt-D) = 8.55
+02s(t
-1.5s)
= B.4hr
d) Caudal Mximo
0
Anchos
0,".
= 0.75
Q- =
o.75
x
4,570 =
3,427.5 pief /seg
t_470_470
7s
(QotAr, (4,s70lroo)r
1
a46
7 hr
[2.33
hr : 4.67 hr]
640 C^ A
640
x
0.6
x
100
Qo
=
4'57o
Piel
lseg
tL
e) Asumir Tiempo base
(cuenca pequea):
tB
"
44. = 4x8.4 = 33.6hr
Hidrologa
/ David Cedeo
r4'7
wro
n
= 050Qe
= 0.50x
830
830
4,570
= 2,285 piel /sett
12.4 hr
14.13
hr:8.27 hrl
(Q,/Ar:
(4,s70l100)t
t
0p
=
45IB
075=3{27
0 = 2285
-50
Hidrograma
de t hr por
4.77 6.57 8.9
13.57 1t 17
a
=
30'9 hr
Unitario para
el- Mtodo de
una duracin
Snyder.
D',=1h
/l
L
I
I
f
I
Hidrologa / David Cedeo
C)
Verificacin:
1-48
R -
volumen
= | prg
A rea
R=
t t2
( 228s
)'(4
.11) s
,449
.72
r 12
(
3427 .s + 228s
).(
6.s7 - 4.77
)
s
,t4t
.2s
U2
( 4570 + 3427 .5
).(
8.9 - 6.57
)
9,317.08
u2 (3427.s
+ 4570
).(
13.57 - 8.9
) -
t8,674.t6
u2(228s + 3427.s).(r7.r7 -13.s7)
:
10,282.s0
1t2(228sX33.6-r7.t7)
:
t8,77r.27
Volumen 67
,636
(pies3lseg)
.
hr
= 1.05 plg >
t plg
too mi2
(
s,zeo prt\t
\
t nitt"
)
h) Clculo del Volumen Unitario:
vot = RA =
(ro,r.
tee)
\
lzptg
)
roo mi2. I
s.zso p",
)'l
\
tmiua
)]
I/ol = 23\32O,OOO
Or
.(
lhr
3,600 seg
)
=
64,s33.3i
eties3
/seg) hr
-
Hidrologa / David Cedeo
Ajuste del Tiempo Base:
Vol =
(67,636
_
64,533.33
18,771.27)
+
% (2,28s)
{tB
- 17.17)
48,864.73
+
1,142.50 (tB
- 17.17)
L49
Por lo tanto, tenemos que:
I 5,668.61
tB +
l7 .17 =
13 .71
+
77 .17
1,142.50
tB
= 30.88 horas
"
30.9 hr
METODO SCS
(Hidrograma
Unitario Triangular)
Este mtodo fu desarrollado por
el Soil Conservation Service
(1957),
una divisin del U.S. Departament of Agriculture, y est basado en un
hidrograma adimensional, el cual fu confeccionado utilizando una gran
cantidad de hidrogramas de diferentes cuencas que
variaban en tamao y
Iocalizacin geogrfica.
El hidrograma est representado por
un tringulo
simple, con una duracin de la precipitacin
neta D
(hr),
tiempo de ascenso
/"
(hr),
tiempo de descenso ro
ftr)
y
caudal mximo
Q"
(pies3/seg).
Hidrologa / David Cedeo 150
Figura N"26: Hidrograma Unitarro
triangular del SCS
Para el hidrograma de forma triangular mostrado en la figura anterior,
el volumen de escorrenta directa es:
vor =
Q't'
*
Q'to
22
Por consiguiente:
o
2.Vol
to
*
t*
Hidrologa / David Cedeo
Utilizando una
gran
cantidad de hidrogramas, se encontr que:
5
: _t
'R3'P
Por lo tanto, el caudal mximo resulta ser:
^
075
.
Vol
t,
tP
151
Recordando que Vol
:
R. A, para una precipitacin excedente neta de I plg
(Hidrograma
Unitario) tenemos :
484 A
P
tP
Donde :
Qp
caudal mximo (pies3/seg)
A rea de la cuenca
(mi2)
tp tiempo de ascenso
(horas)
En la figura del hidrograma triangular se
puede
observar que:
D
t-
=
-+tr
'2
Donde: D duracin de la precipitacin
neta
(hr)
tL tiempo de retraso (hr) medido desde el centroide de
la lluvia hasta
Q"
7
Hidrologa / David Cedeo
L52
El tiempo de retraso t, se puede
estimar utilizando cualquiera de las
frmulas empricas desarrolladas por
el SCS, tales como:
ro8
,s
*
1;07
reoo
/t
Donde: tL tiempo de retraso
(hr)
L distancia hasta la divisoria de aguas
(pies)
Y pendiente promedio
de la cuenca en
porcentaje (%)
S
:
retencin potencial mxima (plg)
.9 =
1'ooo
-to
CN
Donde Cly'es el nmero de curva que depende del tipo de suelo y uso de la
tierru. La siguiente tabla muestra los nmeros de curva
(CA) para diferentes
usos de la tierra, donde los grupos
hidrolgicos de suelos son:
A suelo arenoso, bien drenado
B suelo arcilloso-arenoso
C suelo arcilloso
D suelo arcilloso plstico (se
expande al mojarse)
Los valores de Cly' mostrados en la tabla suponen condiciones normales de
humedad en el suelo.
tL
Hidrologa / David Cedeo
Tabla CN
Fuente: SCS Tecbnical Report, "Urball
Hydroloy for Sflall Watersheds " (1986)
153
Nmeros de Curva para escorrenla en terrenos
utiJizados para agricultura, zonas rurales y urbanas
(condicin
de humedad artecedente tipo tr)
Descripcin del Uso de la Tiea
Grupo Hidrolgico de Suelo
B c D
Terrenos cuhivados :
Sin mtodos de conservacin de suelos
Con mtodos de conservacin de suelos
72 81 88 9r
62 7L 78 81
Pastos campos de pastoreo:
Bn mal estado
En buen estado
68 79 86 89
39 - 61, 74 80
Praderas en buen estdo
30 58 71 78
Bosques forestas:
Vegetacin poco densa con cubiefta pobre, sin maleza
Buena condicin (vegetacin protegida
del
pastoreo)
45 66 77 83
25 55 70
'7'7
Espacios abiertos, prados, parques, campos de golf,
cementerios, etc.
Buena condicin: el csped cubre el 75% 6 t6s del fuea
Condicin regular: el csped cubre del 50 al75% del fuea
39 61 74 80
49 69 79 84
reas comerciales o de negocio (85
%
impermeables)
89 92 94 95
Distritos o zonas industriales (72% imJ'enneables)
81 88 91 93
Zons residenciales :
Tamao promedio del lote porcentaje impermeable
1/8 acre o menos 65 %
l/4 acre 38 %
113 tcre 30 %
l/2 acre 25 %
I acre 20 %
77 85 90 92
61 75 83 8',7
5'7 72 81 86
54
'70
80 85
51 68 79 84
Patios de estcionamiento pavimentados, areas techadas,
calzadas o vlas de acceso, etc. 98 98 98 98
Calles y caminos:
Pavimentadas con cunetas y alcantarilla pluviat
Grava
Tierra
98
76
'72
98
85
82
98 98
89 9l
87 89
7
El SCS tambin desarroll un hidrograma unitario adimensional para
transformar el hidrograma triangular en una curva continua utilizando los
parmetros tn y
Qp.
Este hidrograma unitario adimensional se muestra en la
siguiente figura,
junto
con la tbla de los valores'. t I tp y
Q
/
Qo.
Hidrologa / David Cedeo
Coordenadas del Hidrograma
Unitaio Adimensional del SCS
tltp
0.000
0.100
0.200
0.300
0.400
0.500
0.600
0.700
0.800
0.900
1.000
1. 100
t.200
1.300
1.400
1.500
1.600
1.800
2.000
2.200
2.400
2.600
2.800
3.000
3.500
4.000
4.500
5.000
Q/Q"
0.000
0.015
0.075
0.160
0.280
0.430
0.600
0.770
0.890
0.970
1.000
0.980
0.920
0.840
0.750
0.660
0.560
0.420
0.320
0.240
0.180
0.130
0.098
0.075
0.036
0.018
0.009
0.004
r54
Fiq. N" 27: Hidrog'rama
UniLaric Adi mens ional
QP
Hidrologa / David Cedeo
155
Ejemplo 19: Mtodo SCS
Derivar un hidorgrama unitario triangular utilizando el mtodo SCS
para
una duracin de la precipitacin neta de 1.5 horas. El rea de la cuenca
es de 100 mi2, constitudapor 50% de suelo tipo arenoso-arcilloso y el resto
es suelo arcilloso; el ffi% de la tierra tiene uso residencial (lotes
de 1/4 acres)
y el 40% restante se utiliza
para pastos (en
buena condicin); la pendiente
promedio
de la cuenca es 100 pies/milla y la longitud de la corriente
principal
es de 18 millas.
Solucin:
a) Datos: D
A
L
Y
b) Nmero de Curva:
l.-5 hr
100 mi2
18 millas ' 5,280
pies/milla
:
95,040 pies
lOOpies/milla' 1 mi11a/5,280pies
.
100
:
1.9%
Uso de la tierra Tipo de suelo Porcentaje del rea
CN
Residencial
(lotes
de 1/4 acres)
B
C
0.6'0.s
=
0.3
0.6' 0.5
=
0.3
75
83
Pastoreo
B
C
0.4. 0.s
:
0.2
0.4'0.s
=
0.2
61
74
suma
:
1.0
7
Hidrologa / David Cedeo 15 6
CN = 0.3
x75+0.3 x83+0.2x61 +0.2x74
=
74.4
CN = 74 ( nota: redondear al valor entero ms prximo
)
c) Retencin Potencial Mxima:
^s
=
t{9,0
- to
=
l'ooo
- to
=
3.s ptg
CN 74
d) Tiempo de Retraso:
tL
o'a
15
+
1oz
_
(95,040)08 (3.5 *
1oz
10.5 hr
t,soo tfl r,900
y'
1.9
e) Tiempo de Ascenso:
tp
=
*.,,
=
l-5
*lo.s
= tt.25hr
0
Caudal Mximo:
^
484 A 484
"
100
Q,
= 4,300
Piel
lseg
'
tP 11.25
g)
Tiempo Base:
D
-
Volumen
-
%t"Q,
Area
Hidrologa / David Cedeo
2AR
tB
8,
h) Alternativa:
70o mi
2
5,280p
lmi
tB = 30 hr
( 1 1.25) = 18.75 hr
tR = 11.25
+
18.75 =
3O hr
15'7
55
tR=
zt,
=
3
tB
i=
UD
op= 43oo
P3s
D=f.5hr
tL= 10.5 hr
tp
=
11 .25 hr
te= 30 hr
Hidrograma Unitario lrianglr
Fara
1.5 hr de
precipitacin
neta
Hidrologa / David Cedeo
APLICACIONES DE HIDROGRAMAS T]NITARIOS
158
1)
2)
Cuando se ha calculado el hidrograma unitario para una duracin dada
de la precipitacin excedente se han utilizado mtodos sintticos para
desarrollar el hidrograma de respuesta de una cuenca bajo ciertas condiciones
psiogrficas, estos hidrogramas se
pueden utilizar para diferentes clculos
hidrolgicos; entre ellos tenemos los siguientes:
Obtener hidrogramas de descarga para precipitaciones excedentes de
mltiples perodos.
Disear hidrogramas para
tormentas con un perodo
de recurrencia
seleccionado
(T
:
10, 25, 50 100 aos) utilizando
procedimientos
de
convolucin y desfasamiento.
Determinar las variaciones en el hidrograma de descarga debido a los
cambios en el uso de la tierra, modificaciones en los canales de
drenaje, almacenamiento en la cuenca y otros factores que
afectan el
hidrograma unitario.
Los hidrogramas para cuencas grandes que
consisten en varias
subcuencas se pueden
simular por procedimientos
de adicin,
desfasamiento y trnsito de avenidas para los caudales producidos por
hidrogramas unitarios en cada subcuenca. Los efectos en la variacin
en el patrn
de intensidad de la precipitacin y uso de la tierra se
pueden
comprobar en la respuesa hidrolgica para la cuenca completa.
3)
4)
-
Hidrologa / David Cedeo
159
5) Los mtodos de trnsito de avenidas se
pueden
utilizar
para
analizar la
atenuacin del caudal mximo y retraso de Ia onda que sufrir el
hidrograma de entrada al pasar por un embalse y de esta manera
obtener el hidrograma de salida.
CONVOLUCION DE HIDROGRAMAS TNITARIOS
El procedimiento para
derivar un hidrograma de descarga a partir de
un perodo mltiple de
precipitacin
excedente repres&a un caso
general del
mtodo de tiempo-rea. Las ordenadas del hidrograma unitario se multiplican
por
la precipitacin neta, se desfasan y suman en secuencia
para producir las
ordenadas del hidrograma de descarga directa.
Cada hidrograma unitario se incorpora en el instante correspondiente
al inicio del
perodo
de lluvia. El flujo base se puede aadir para producir un
hidrograma ms realista de descarga total cuando los valores tpicos de flujo
base esln disponibles para la cuenca bajo estudio. Se debe tener cuidado en
los clculos, especialmente se debe verificar que los incrementos de tiempo
de la precipitacin
excedente correspondan a Ia duracin del hidrograma
unitario. La ecuacin en forma discreta
que gobierna
el hidrograma para
tormentas mltiples se denomina ecuacin de convolucin:
o = Iru
t n-t+l
=l
Hidrologa / David Cedeo
Donde:
Q,
ordenada del hidrograma de descarga
Pj precipitacin
excedente
Uj ordenada del hidrograma unitario
(nota:j:n-i+1)
160
Observe que cuando la precipitacin tiene
perodos mltiples con
intensidad constante, pueden ocurrir intervalos sin
precipitacin.
Ejemplo 20: Derivacin de hidrograma para pero?os mltiples de lluvia.
Derivar el hidrograma de descarga total para una cuenca que se
produce
como respuesta a una precipitacin con
perodos multiples de
intensidad constante, utilizando los siguientes
procedimientos:
a) Mtodo de Convolucin
b) MtodosMatriciales.
El hietograma de la precipitacin
excedente
(despus
de considerar las
prdidas por infiltracin y evapotranspiracin) y el hidrograma unitario para
una duracin D
:
t hr se muestran en la siguiente figura; adems, asuma
que el flujo base es de 25 piesr/seg (constante).
Valores de la Precipitacin Neta
Intervalo de tiempo
(horas)
0-1 1-2 2-3 3-4
P"","
(ple)
1.0 1.5 0.0 0.5
Hidrologa / David Cedeo
16L
Ordenadas del Hidrograma Unitario
t (hr) 0 1 2 3 4 5 6 7 8
H.U.
D:1hr
(p'ls)
0 150 300 450 360 270 180 90 0
Hietograma de Precipitacin Neta
Hidrog'rama Untario
paraD=1hora
Hidrologa / David Cedeo
Solucin:
a) Mtodo de Convolucin:
1-62
o = )- u
=1
Tabla de Clculos
t
(hr)
Pi
(plg)
uj
(p3lseg)
P,U P,U P.Uj PoU
a,
(p3lseg)
0 1.0 0 0 0
1 1.5 150 150 0 150
2 0.0 300 300 22s 0 525
3 0.5 450 450 4s0 0 0 900
4 360 360 675 0 75 1,110
5 270 270 540 0 150 960
6 180 180 40s 0 225 810
7 90 90 270 0 180 s40
8 0 0 135 0 135 270
9 0 0 90 90
10
0 45 45
11
0 0
Hidrologa / David Cedeo
b) Mtodo Matriciales:
tPl
1-63
b-1) Matriz de Precipitacin:
b-2) Vector del Hidrograma Unitario:
t1J
=
rPr.rl
1000000
312 l 0 0 0 0 0
03/2 I 0 0 0 0
1/2 0 3/2 I 0 0
-0
0t/203/2 I 0 0
0 01120312 I 0
0 0 0t1203/2 1
0 0 0 0 t/20312
0 0 0 0 0ll2 0
000000112
tul
150
300
450
360
270
180
90
L64
f Pt
-
tul
Hidrograma de Descarga Total
150
525
900
1,110
960
810
540_
270
90
45
-19
-
11
Hidrologa / David Cedeo
b-3) Vector de Escorrenta Directa:
Hidrologa / David Cedeo
c) Hidrograma de Escorrenta Total:
1-65
O = O.+O.
Tiempo
t
(hr)
Caudal Directo
Q
(pies3/seg)
Flujo Base
Qr
(pies3/seg)
Caudal Total
Q,
(pies3/seg)
0 0 25 25
1 150 25 175
2 525 25 550
3 900 25 925
4 1, 110 25 1,13s
5 960 25 985
6 810 25 835
7 540 25 565
8 2'70 25 295
9 90 25 115
10 45 25 70
11 0 25 25
12 25 25
Observacin:
El caudal total mximo producido por la lluvia de perodos mltiples
sobre la cuenca es
Qma*
:
1,135 pies3/seg
ANALISIS DE FRECI]ENCIAS
INTRODUCCION
Muchos procesos en hidrologa deben ser analizados y explicados de
manera probabilstica debido a la taixaleza aleatoria
(casual)
de los mismos.
Por ejemplo, es muy difcil predecir la escorrentia y la precipitacin
en
sentido puramente
determinstico
(en
el
pasado, presente
fufuro), debido a
que es imposible conocer cuantitativamente todos los
parmetros que afectan
estos
procesos.
Afortunadamente, existen mtodos estadsticos disponibles
para
orgarnzar, presentar y reducir los datos observados de manera de
que
se
facilite su interpretacin y evaluacin. En esta seccin estudiaremos algunos
mtodos estadsticos que nos permitan
cuantificar la incertidumbre de los
datos hidrolgicos en un marco de referencia estocstico.
VARIABLES ALEATORIAS
Una variable aleatoria es un
parmetro (por
ejemplo: precipitacin,
escorrentia, etc.) que no se puede predecir
con ceteza, debido a
que
las
variables aleatorias son el resultado de un
proceso
casual o incierto. Estas
variables deben ser tratadas estadsticamente como discretas contnuas.
La mayora de los datos hidrolgicos son contnuos y
deben ser analizados
probabilsticamente
utilizando distribuciones contnuas de frecuencias; por
ejemplo, los valores de descarga en un hidrograma pueden ser cualquier
nmero positivo
real, el cual depende del aparato de medicin, es decir, que
pueden
tomar cualquier valor dentro de cierto rango. Sin embargo estos datos
Hidrologa / David Cedeo
L67
se
presentan
a menudo de manera discreta debido al
proceso
de medicin
(por
ejemplo: valores mensuales, diarios u horarios de escorrenta).
Las variables aleatorias discretas solamente
pueden
tomar valores
enteros dentro de un conjunto de valores especificados; como ilustracin,
podemos observar que
al lanzar una moneda se
producir
como resultado:
cara sello, mientras que
tirar un dado de seis caras
producir
cualquier
nmero entero del conjunto
|
1, 2, 3, 4, 5, 6
l.
Los datos observados en un
aparato de medicin deben ser tratados como valores discretos,
ya que han
sido redondeados y cuantificados durante el
proceso
de coleccin de la
informacin. Sin embargo, esto es muy inconveniente para
el anlisis de
frecuencias debido a la gran
cantidad de intervalos de valores
que
se deben
considerar. Por ejemplo, si el rango de la magnitud del caudal de descarga
vara de 0 a 5,000 pie3/seg y los datos se han redondeado a valores enteros,
existirn 5,0) intervalos discretos que se deben considerar. En este caso, es
mucho mas fcil suponer que los registros son contnuos. No obstante,
algunas veces se aplican distribuciones de frecuencia discretas a variables
contnuas (por
ejemplo: profundidad
de Ia precipitacin); pero la mayora de
las aplicaciones de distribuciones discretas en hidrologa ocurren en el caso
de variables aleatorias que representan el nmero de eventos que satisfacen
algn criterio; por ejemplo, el nmero de inundaciones que pasarn de cierta
magnitud durante cierto perodo de aos.
Hidrologa / David Cedeo
PRESENTACION DE LOS DATOS
168
Los datos observados a menudo se
presentan
en la forma de un
diagrama de barras histograma. La altura
y forma general
del histograma
es til para
caracterzar los datos y permite la seleccin de una distribucin
de frecuencia para ser aplicada a los datos;
por ejemplo, la distribucin puede
ser sesgada (oblicua)
o simtrica. Utilizando como ejemplo los datos de
escorrenta, el rango de caudales se divide en intervalos de clase y el nmero
de observaciones (frecuencia)
correspondiente a cada intervalo de clase es
tabulado. El ancho de cada intervalo de clase debe ser suficientemente
pequeo para que se pueda
observar el comportamiento de los datos y a la vez
suficientemente grande para que el patrn no sea confuso. El valor utilizado
para los intervalos de clase
puede
alterar la impresin de los datos en el
observador; por
consiguiente, este valor deber
poder
ser alterado fcilmente
en los programas
estadsticos de computadora de manera que los ingenieros
puedan
comparar varias opciones. Panofsky y Brien (1968)
sugirieron la
siguiente frmula como una ayuda para la seleccin:
k = 5log,o(z)
donde k es el nmero de intervalos de clase y es el nmero de datos
observados. Los intervalos de clase no tienen que ser del mismo ancho, ya
que
algunas veces es conveniente agrupar los datos en intervalos mas grandes
de ancho variable.
Hidrologa / David Cedeo
1-69
Una manera de discretizar los datos contnuos de flujo sera la de
asignar una variable discreta aleatoria a cada intervalo de clase. Cualquier
valor de caudal dentro de un intervalo de clase sera asignado al valor discreto
correspondiente al intervalo, generalmente
el
punto medio, el cual se
denomina marca de clase. En este caso la marca seal de clase se
graficar
en el eje de las abcisas del histograma.
Si las ordenadas del histograma se dividen
por
el nmero total de
observaciones, el resultado se denomina frecuencirrelativa (probabilidad)
de cada intervalo de clase, de tal forma que la suma de las ordenadas sea igual
a 1, produciendo
un mtodo alternativo para graficar los datos. Para
comparar el ajuste de una distribucin terica a la distribucin emprica, hay
que normalizar los datos; es decir, dividir la frecuencia relativa entre la
amplitud del intervalo de clase y el resultado recibe el nombre de frecuencia
relativa normalizada simplemente densidad. En el histograma de
densidad, el rea total de la grfica es igual a 1, lo cual corresponde al caso
terico. Otra manera de presentar los datos es la distribucin de la frecuencia
acumulada, la cual representa la suma de las frecuencias relativas del
histograma hasta un intervalo dado y es la probabilidad
de
que
un valor
cualquiera a 1o largo de las abcisas sea menor o igual a la magnitud de ese
dato. Tanto las frecuencias relativas como las frecuencias acumuladas se usan
extensivamente en hidrologa, lo cual ser ilustrado en el siguiente ejemplo.
a
Hidrologa / David Cedeo
Ejemplo 21: Histogramas de Frecuencia.
L't 0
La siguiente tabla muestra los caudales mximos anuales registrados en
una estacin de aforo en un ro durante un
perodo
de 31 aos. Construir los
histogramas de frecuencia relativa y
acumulada.
Tabla: Serie Anual Mxima
Ao
Caudal
Mrximo
fn3lseq)
Ao
Caudal
Mximo
ln3 /seo)
1945 9
,840
19 6r 6,260
L946 5, l-70 L9 62 1,360
L947 L,620 1963 1,000
L948 23s L9 64 2,770
t9 49 15, 600 ]-965 1
,
400
1950 4,740 :-966 3
,2L0
19 51 427 L9 67 1, 1-l-0
1"952 3,310 1968 5,230
1953 4,400 L9 69 4,300
1954 7,760 t97 0 2,820
1955 2
,
520 L97 L 1,900
r-956
340 t97 2 3, 980
1957 5,440 L97 3 6,560
1958 3,000 L97 4 4
,
71,0
1959 3
,690
L97 5 3,460
1960 1-0, 300
Hidrologa / David Cedeo
Solucin:
L1L
a) Ordenamiento o clasificacin de datos
(de
mayor a menor caudal):
Tabla: Datos Ordenados
Posicin Caudal Posicin Caudal
1 15,600 17 3,310
2 10,300 18 3,210
1
9,840 19 3,000
4 7,760 20 2,820
5 6,560 21 2,770
6 6,260 22
')
\x\
1 5,440 23 1,900
8 s,230 24 t,620
9 5,t70 25 1,400
10 4,'140 26 1,300
11 4,710 27 1,110
12 4,400 28 1,000
13 4,300 29 427
t4 3,980 30 340
15 3,960 31 235
16 3,460
Hidrologa / David Cedeo
b) Intervalos de Clase:
L'72
k = 5log,o (n)
=
5log,o (31)
=
7.45
Se utilizaran 8 intervalos de clase y vamos a considerar
que el rango del
caudal es: 0 <
Q
< 16,000
pie3/seg; por 10 tanto, la amplitud
(constante) de
cada intervalos de clase es:
LQ -
16'000-o
=
2,oooPies3/seg
8-
c) Clculo de la Frecuencia, Frecuencia Relativa, Densidad
y Frecuencia
Acumulada:
Tabla: Distribucin de Frecuencias
Intervalo de
Clase
(p3lseg)
Marca de
Clase
(p3lseg)
Frecuencia
Frecuencia
Relativa
Densidad
Frecuencia
Relativa
Acumulada
0 - 2,000 1,000 9 0.29 0.000145 0.29
2,000 - 4,000 3,000 9 0.29 0.000145 0.s8
4,000 - 6,000 5,000 7 0.23 0.000115 0.81
6,000 - 8,000 7,000 3 0.10 0.000050 0.91
8,000 - 10,000 9,000 1 0.03 0.000015 0.94
10,000 - 12,000 11,000 1 0.03 0.00001s 0.97
12,000 - 14,000 13,000 0 0.00 0.000000 0.97
14,000 - 16,000 1s,000 1 0.03 0.000015 1.00
Suma: n
:31
Hidrologa / David Cedeo
0.30
0.25
0
0.1
0.1
L73
0.05
0.00
246
'10
12 14 16
FRECUEHCIA RELATIVA HISTOGRAI|IA DE
4
6 810 12 14 16
FRECUENCIA
RELATIVA ACUIIIULADA
CAUDAL
(10"p"/s)
FRECUENCIA
RELATIVA
ACUMULADA
1.0
0.8
0.6
0.4
o2
2
HISTOGRANA DE
Diagramas de Barra
Hidrologa / David Cedeo
CONCEPTOS DE PROBABILIDAD
r'74
Considere un experimento aleatorio discreto con n resultados posibles:
{
*,,, *",...., x"
}.
Los resultados son mutuamente excluyentes si dos
cualquiera de ellos no pueden
ocurrir simultneamente. Tambin se dice
que
son exhaustivos colectivamente si tienen en cuenta todos los resultados
posibles
del experimento. La probabidad
de un evento X, se pueden definir
como el numero de ocurrencias del evento despus de un gran nmero de
ensayos. Esta probabilidad puede ser estimada de la siguiente manera:
P (Xt)
n
donde q es el nmero de ocurrencias
(frecuencia)
del evento Xi en un total de
n experimentos. Por consiguiente n,/ n es la frecuencia relativa probabilidad
de ocurrencia de X,.
Una probabilidad
discreta es simplemente la probabilidad
de un evento
discreto. Si definimos P(X) como la probabilidad
de un evento aleatorio X,,
las siguientes condiciones se satisfacen para las probabilidades
discretas de
esos eventos cuando se consideran todos los N resultados posibles:
0 < P(x) < I
EPrx)
=
r
t=l
n.
I
Hidrologa / David Cedeo 1-l5
La probabilidad
de la unin (simbolizada por u) de dos eventos
mutuamente exclusivos Xr y Xz es la suma de las probabilidades
de cada uno,
es decir:
P(\ x)
= P(x)
+
P(x2)
Los eventos X, y Yr son independientes si la ocurrencia de uno no
afecta la ocurrencia del otro. La probabilidad
de ocurrencia de ambos
eventos o interseccin (simbolizada por n) cuando los eventos son
independientes es el producto
de sus probabilidades
individuales:
P(xtn Y) = P(x)' P(r,)
Para eventos que
no son ni independientes, ni tampoco mutuamente
exclusivos, se cumple la siguiente relacin:
P(4u Y)
= P(x,)
*
P(rr)
-
P(\n Y)
La probabidad
condicional de un evento X, despus que
el evento Y,
ha ocurrido es:
P(X, n
yr
)
P,1Y,) =
P(Y)
7
Hidrologa / David Cedeo
1-1 6
Si los eventos X, y Y, son independientes, entonces:
Ejemplo 22: Probabilidad Condicional
Definimos X, como la condicin de que llover en un da dado y Y,,
representa la condicin de que habr relmpagos
"n-rr.r
du cualquiera. Las
probabilidades
de esos eventos son:
P(X,) 0.3 (probabilidad
de lluvia
:
30%)
P(Y,) 0.1
(probabilidad
de truenos
:
l0%)
P(Y1
lX1)
0.25
(si
hay lluvia,la probabilidad
condicional de truenos es de25%)
Calcular la probabilidad
de que llueva y
truene simultneamente ese da:
P(\n Y) = P(\
I
Xr)
,.
P(Xr) = 0.25
x
0.3
=
o.075
Adems, la probabilidad
de que llueva truene durante ese da es:
P(xtu Y) = P(x,) +
P(Y) - P(4a Y)
P(Xl uY) = 0,3+0.1
-0.075 = 0.325
El comportamiento de una variable aleatoria discreta contnua se
puede
describir por medio de su distribucin de probabilidad. Podemos
asignar un valor numrico a cada resultado posible de un experimento de
acuerdo a una funcin de masa de
probabidad (variables
discretas) a una
funcin de densidad de probabilidad (variables
contnuas).
En hidrologa, las variables aleatorias
-discretas
se utilizan
corrientemente para
describir el nmero de ocurrencias que satisfacen cierto
criterio;
por
ejemplo, el nmero de caudales de descarga
que pasarn
de
cierta magnitud (los
cuales producirn inundaciones) el nmero de
tormentas que
ocurren
por
ao en una localidad.
Ocasionalmente, es conveniente tratar las variables contnuas de manera
discreta. Por ejemplo, en el caso de los caudales mximos (histogramas
de
frecuencia) podemos
utilizar las marcas de clase
para
describir la magnitud
del evento correspondiente a cada intervalo de clase. En este caso, si la
variable X representa los caudales discretos, podemos
definir las
probabilidades
de cada evento utilizando las frecuencias relativas:
P (Xt)
Hidrologa / David Cedeo
VARIABLES ALEATORIAS Y
PROBABILIDAI)
De acuerdo a los resultados
distribucin de frecuencias), tenemos
discreto:
DISTRIBUCIONES
1-'7'7
DE
del ejemplo de histogramas
(tabla
de
las siguientes probabilidades en el caso
n.
I
Hidrologa / David Cedeo
0.29
0.29
0.23
0.10
0.03
0.03
0.00
0.03
satisfacer los
L7B
axiomas de probabilidad
P(1,000)
P(3,000)
P(5,000)
P(7,000)
P(e,000)
P(l1,000)
P(13,000)
P(15,000)
Observe que estos valores deben
mencionados anteriormente :
< P(X) < I
P(Xt)
donde k es el nmero de intervalos de clase. Adems, para probabilidades
discretas tenemos las siguientes relaciones:
P(a<X<b)
=
t
P(X)
a<Xb
k
E
Hidrologa / David Cedeo
1-7 9
Por lo tanto,
podemos
definir la funcin de distribucin acumulada como:
F(x) = P(X<x) =
E
Pfx,l
X,,,
Usando los valores de probabilidad
anteriores, tenemos que:
F(s,000) = P(X <s,000)
= P(1,000)+P(3,000)+P(s,000)
F(5,000)
=
0.29+o.29+0.23
=
0.81
Las variables aleatorias contnuas se utilizan
generalmente
en hidrologa
para
representar los eventos de caudal, lluvia, volumen, profundidad y
tiempo. Los valores utilizados no estn restringidos a nmeros enteros, sin
embargo, muchas veces las variables contnuas se redondean a cantidades
enteras. Para una variable aleatoria contnua, el rea bajo la funcin de
densidad de la probabilidad
/(l)
representa la probabilidad;
es decir:
f
P(Xt<X<X) =
Jf?lx
xL
La funcin de densidad de probabilidad no es una probabilidad por s
misma y tiene unidades correspondientes al inverso de las unidades de la
variable X. Sin embargo, a diferencia de otros clculos en ingeniera, estas
unidades generalmente
se ignoran.
Por el contrario, la funcin de densidad acumulada es de mucho
inters ya que es una probabilidad.
La funcin de densidad acumulada para
7
Hidrologa / David Cedeo
variables contnuas se define
discreta:
de manera similar
r_80
al caso de una variable
x,
f
F(Xt)
= P(-- <X<Xt\ =
Jf?x
Algunas propiedades
de esta funcin incluyen:
o<F(x)<1.0
P(Xr<X<X)
=
F(X)-F(X)
Utilizando los datos de caudales mximos del ejemplo de histogramas
de frecuencia, podemos calcular algunas
probabilidades
considerando que el
caudal es una variable aleatoria contnua; por ejemplo:
P(Q<4,ooo) = o.s8
P(4,000<0<6,000)
=
0.81
-0.58 = 0.23
P(Q>6,000)
=
r-P(8 <6,000) = 1-0.81
= o.le
A continuacin, podemos
observar que
al dividir las frecuencias
relativas por la amplitud del intervalo de clase, obtenemos la densidad o
frecuencia relativa normalizada y el rea total bajo el histograma de densidad
es 1
(una
unidad), 1o cual satisface la siguiente definicin para variables
aleatorias contnuas:
Hidrologa / David Cedeo
1Bi
Area
f(x)
dx = I
por consiguiente, la densidad es equivalente a una funcin emprica de
densidad de probabilidad.
La seleccin del tipo de funcin de densidad de ia probabilidad para
representar los datos hidrolgicos es difcil, ya que existen varias opciones
que se ajustan a la fbrma del histograma de densidad. En las siguientes
secciones describiremos aigunas de las funciones tericas de densidad de
probabilidad ms utilizadas para analizar variables hidrolgicas.
Fig. 28: FUNCIOH DE 0EHSIDAD DE PROBAB|LIOAD.
{para
variables a lBato rias continuas}
r
_J
Hidrologa / David Cedeo
MOMENTO DE T]NA DISTRIBUCION
L82
Una funcin de probabilidad
de masa una funcin de densidad de
probabilidad
son una forma funcional cuyo momento est relacionado con sus
parirnetros; por lo tanto, si se pueden encontrar los momentos, entonces
tambin se
pueden
obtener los parmetros de la distribucin. A su vez, los
momentos tambin nos indican la forma de la distribucin.
Para una distribucin discreta, el ensimo momento alrededor del
origen puede ser definido como:
Muo =
\x,rtqx
i=l
y para
una distribucin contnua como:
El primer
momento alrededor del origen es la media (,r)
valor
promedio,
el cual es el valor esperado y se denota como E(X). Por lo tanto
para
una distribucin discreta tenemos:
tv
E(n
=
|
x,r1x,
=1
Moo =
I_:
,r
f(x)
dx
Hidrologa / David Cedeo
y para
una distribucin contnua:
183
E(x) =
I:xf@)dx
La media es una medida de tendencia central y tambin se le llama
parmetro
de localizacin, debido a
que indica dnde est situado en el eje X
el centroide de la distribucin.
La esperanza es un operador lineal, de tal rodo que
si a y son
constantes, se satisfacen las siguientes propiedades:
E(a)
=
a
E(bx)
=
b E(x)
E(a+bx)
= ct+bE(x)
Los momentos de orden mayor
generalmente
no se necesitan. Sin
embargo, los momentos centrales alrededor de la media se pueden definir
para
una funcin discreta de probabilidad
de masa como:
Mk =
E
6,
-
r,loptx,l
=l
Hidrologa / David Cedeo
y para
una funcin contnua de densidad de
probabilidad
como:
144
Estos momentos centrales representan el valor esperado de la diferencia
entre .r y el valor promedio pr, elevado a una
potencia
k. Es evidente
que
el
primer momento central es cero, debido a:
El segundo momento central se denomina varianza y es muy
importante en estadstica, pues
es una medida de la variabilidad. Para
variables aleatorias discretas tenemos:
/
I/AR(X) = o2
= El(x
-
p)'l =
E,
tx,
-
F)2
p(x,)
j=l
Para variables aleatorias contnuas :
VAR(x) = o2 = E(x -
p)l'?l
=
I :"
(x
-
r,)2 f(x)
dx
Lavarianza es el valor esperado de la desviacin al cuadrado alrededor del
promedio y represena la escala dispersin de la distribucin. Una medida
Mk
=
[:
(,-r,)'f(x)dx
[-"U-t)f(x)dx
=
[--xf(x)dx-u[:-f@)dx
=
0
7
Hidrologa / David Cedeo
185
equivalente es la desviacin estndar
(o), la cual simplemente es la raz
cuadrada de la varianza. Utilizando las propiedades
de la esperanza, tenemos
el siguiente resultado:
Var(x) = EIQ-tt)21
=
E(x2-2tx+1t2
Var(x) = E(r')-2pE(x)+t2
=
E(x2)-p2
Var(x) =
E(x')-lEQ)
Observe que la varianza no es un operador lineal. Algunas relaciones
tiles incluyendo las constantes a y
son:
Var (a\
=
0
Var(b x) = b2 Var(x)
Var(a
+
bx)
= b2 Vdr(x)
En estadstica se
pueden
obtener momentos de mayor orden cuando se
necesiten, pero en hidrologa el parmetro ms utilizado corrientemente es la
asimetra (1), la cual se define como la raznentre el tercer momento central
y la desviacin estndar elevada al cubo:
M3
o3
7
Hidrologa / David Cedeo 186
La asimetra y es el parmetro que define Ia forma de la distribucin.
Observe que si la distribucin es simtrica alrededor del promedio, la
asimetra es cero.
Algunas veces es conveniente tener una medida normalizada de la
dispersin de la distribucin. El coeficiente de variacin
(CV)
se define
como la razrentre la desviacin estndar
y
el valor promedio:
CV
F
Una medida adicional de tendencia central es la mediana
(Xrr,
la cual
no es un momento, pero representa el valor de X para
el cual la funcin de
distribucin acumulada es 1/2, es decir:
F (X^)
=
0.5
Otro parmetro
de inters ocasional, que tampoco es un momento, es
la moda de la distribucin. Este es el valor de X para
el cual la funcin de
densidad de probabilidad (o
la funcin de probabilidad
de masa) alcanza su
valor mximo. La relacin entre el
promedio,
la mediana y la moda se
ilustra en la siguiente figura. La mayora de las distribuciones de inters de
hidrologa son unimodales, pero
en algunas ocasiones se
presentan
distribuciones mixtas que son bimodales.
Los momentos y parmetros
analizados en esta seccin se refieren a las
distribuciones de
probabilidad
fundamentales
y
se
pueden
derivar
7
AS IMETRICAS SESGO NEOATIVO
LA FUHCIOH DE DEHSDAD FlG. 29: EFECTOS DE LA ASlfitETRlA EH
DE trROEAEILIT]AD.
Hidrologa / David Cedeo
1-8'l
analticamente. Existen frmulas generales para las frrnciones de
probabilidad
de masa (discreta) y
densidad de probabilidad (contnua) que se pueden
sustituir en las sumatorias integrales para evaluar los momentos en funcin
de los parmetros
de la distribucin. Estas relaciones proporcionan un
estimados de los momentos de la mtodo simple para obtener valores
distribucin.
S I Ii4 ETR ICA
MODA
MEDIANA
[NEDIA
SESGO POSTIVO
MEDIA= MEDIANA
=
MODA
Hidrologa / David Cedeo
1BB
ESTIMACION DE LOS MOMENTOS A PARTIR DE LOS DATOS
Si se conocen los valores numricos para los parmetros
de una
distribucin, es
posible generar una serie de variables aleatorias Xl, X2, ...Xo
que pertenecen
a la funcin de
probabilidad
de masa
(discreta)
la funcin
de densidad de
probabilidad (contnua). Dicha serie de longitud infinita
constituira la poblacin de todas las variables aleatorias que pertenecen a las
funciones mencionadas cuyos parmetros deflnen los momentos.
Los datos hidrolgicos observados a menudo
-son
el resultado de una
mezcla de
procesos fsicos (por
ejemplo, la escorrenta es el resultado de la
precipitacin) y por 1o tanto incorporan una combinacin de distribuciones de
probabilidad.
En adicin, los datos observados estn sujetos a errores de
medicin y no se ajustarn perfectamente a cualquier distribucin. Por 1o
tanto, los valores de los momentos para la poblacin total calculados a
partir
de los datos permanecern
desconocidos. Sin embargo, se
pueden
obtener
estimaciones de dichos valores a partir de los datos observados para los tres
momentos de mayor importancia en hidrologa. Si el nmero de
observaciones independientes de una variable aleatoria representa el tamao
de la muestra n, entonces una estimacin de la media valor promedio,
ser:
i=x
Los momentos de mayor orden pueden estar sujetos a desviaciones
parciales
en sus valores estimados. Una estimacin imparcial es aquella para
Ex,
r=l
7
Hidrologa / David Cedeo
la cual el valor estimado de la muestra es
poblacin. Por ejemplo, se
puede
demostrar
es una estimacin imparcialparc p.
189
al valor esperado de la
16l
=
tt ;
por lo tanto x
igual
que
i
E(n = El
t
E (X)
I
yr,
ll
=l
E
i-l
E (Xt)
I
g
nr
Lt=
11
=t
n
_
E,
6,
i=l
-
i)' 62
=
52
n-1
x,' -
"f
n-l
Donde el divisor n - I
(en
vez del valor intuitivo de n) elimina la
desviacin parcial;
es decir: E(,s') = o2. Observe que para muestras ms
grandes
un divisor gaal a n
producira
casi la misma respuesta; pero en la
prctica
se prefiere
el estimador imparcial.
Debido a
que
los momentos estimados son una funcin de variables
aleatorias, estos resultan tambin variables aleatorias. La varianza de la
estimacin del promedio
se puede calcular de la siguiente forma:
'2
Var (X)
'2
7
Hidrologa / David Cedeo 190
Por lo tanto, si interpretamos la varianza del
promedio
como una
medida del error en la estimacin del promedio;
sta se reduce al incrementar
el tamao de la muestra. Esta proposicin generalmente
es vlida para todas
las estimaciones de momentos.
La asimetra presenta problemas
especiales debido a
que involucra la
sumatoria de las desviaciones al cubo de la media y por consiguiente est
suj eta a errores ms grandes en su evaluacin. Una estimacin imparciai
aproximada es el coeficiente de asimetra:
cs,=f
(X,-E
(n-r)(n-2)
Desafortunadamente, la correccin apropiada para la parcialidad
depende de la distribucin respectiva. Una correccin para
C^S,
que
se
utiliza en la distribucin Pearson Tipo 3 es:
'3
E
CS,
El valor corregido tambin se puede tttlizar con reserva en las otras
distribuciones cuando se requiera este parmetro. La estimacin de la
asimetra calculada con la ltima frmula se denomina estimacin en sitio, lo
cual significa que
la estimacin incorpora solamente datos de un solo registro
de mediciones.
Las cuencas en desarrollo, con niveles variables de urbanizacin y
deforestacin, presentan
un
problema
muy difcil en la estimacin de los
(
,*
u).r,
n)
7
Hidrologa / David Cedeo
191
momentos debido a que la escorrenta tiende a aumentar con el tiempo. Por
lo tanto, las distribuciones de frecuencia pueden
ser no estacionarias
(varan
con el tiempo). En esta situacin, se puede utllizat la simulacin por medio
de modelos utilizando
programas
de computadoras para desarrollar
distribuciones de frecuencias para caudales en cuencas urbanas para una
condicin dada de desarrollo.
Ejemplo 23: Momentos de una Serie Anual Mxima
Utllizar la serie de 31 aos de caudales mximos registrados en la
estacin de aforo, usada anteriormente en el ejemplo de los histogramas de
frecuencia, para evaluar la media y la desviacin estandar de los datos
originales y transformados; adems, estimar la asimetra corregida.
Observacin:
En la estimacin de los parmetros se utilizaron 1os datos originales:
x--o
y
transformados de la siguiente manera:
Y = LoCro (Q)
Estos valores se muestran en la siguiente tabla, al igual que los
resultados de las diferentes sumatorias obtenidos por
medio de una hoja
electrnica de clculo.
Hidrologa / David Cedeo 192
Tabla: Datos Originales y Transformados
(Tamao
de la Muestra: n
:
31)
Ao Caudal: X
= Q
Y:LogQ
1945
1946
1947
1948
1949
1950
1951
t9s2
1953
t954
1955
1956
1957
1958
1959
1960
1961
t962
1963
t964
1965
t966
1967
1968
t969
t970
t97t
t972
t973
t974
t975
9,840
5,170
1,620
235
15,600
4,740
427
3,310
4,400
7,160
2,520
340
s,440
3,000
3,690
10,300
6,260
1,360
1,000
2,770
1,400
3,210
1, 110
s,230
4,300
2,820
1,900
3,980
6,560
4,710
3,460
3.993
3.713
3.210
2.371
4.t93
3.616
2.630
3.520
3.643
3.890
3.401
2.53r
3.736
3.471
3.567
4.0t3
3.797
3.t34
3.000
3.442
3.146
3.507
3.045
3.1t9
3.633
3.450
3.2'79
3.600
3.8t7
3.673
3.539
Sumatorias:
Ex
:
128,462
Ex'
:861,184,754
E1x-l': 1.690188x10"
Ey
:
107.3454
EY'
:
377.0935
E(v-i)'
:
- 1.9956
Hidrologa / David Cedeo
Solucin:
a) Media:
b) Yariarza:
193
x
=
Li
*, =
+-
e2q462\
= 4,t43.e4p3/s
n
i4
31
I =
Lf
t, =
+
U07:4s4)
= 3.462s
n
--t
3l
s; =
;+ln,t-,,']
E'=
+ls6t,ts4,7s4
-3rx
q+t+t.o+2
1
S"' =
10,961,550 .46 p6 /s2
s'2 -
I
li",-,/f
v
n-r
l7-' l
,s,,t -
I
p77.og3s
-3rx
12.+azt21
=
0.1794
' 30
Hidrologa / David Cedeo
c) DesviacinEstndar:
,s= =
3,310.82 p3
/s
=
0.4236
Ii.;',
-
x)'
n =l
10/1'
d)
s=
v
Coefi ciente de Asimetra:
cs.
c.s-
(n-I) (n-2)
.'3
J
31 7.6902
x
7012
?Ox29
(3,3
10.s2)3
,s3
v
I
l
E
t=l
=
1.659
g,
-
f)'
cs.
ty
(n-r)(n-2)
31
-
1.9956
c.s.
ty
-
0.936
(30
"
2e)
(o.4?3q3
10,96 1,5 5 046
0.1794
Hidrologa / David Cedeo
e) Asimetra Corregida:
195
cs, =
('.*).',
cs", =
(
r
.
6
)'
(r.65e) = 1.e8r
\
rl
/
cs,., =(r.6'l
"(-0.e36)=
-r.n7
Y
\
t
/
AJUSTE DE T]NA DISTRIBUCION A LOS DATOS
Un uso intuitivo para la estimacin de los momentos es el ajuste de la
distribucin de
probabilidad
a los datos
por
medio de la igualacin de los
parmetros
estimados obtenidos de los datos a la forma funcional de la
distribucin. Por ejemplo, la distribucin normal tiene dos parmetros:
Media
r
y Yarianza o2; el ajuste por
el mtodo de momentos para la
distribucin normal simplemente estima los valores:
0=O
y 6=so
utilizando los resultados obtenidos para el valor promedio y la desviacin
estndar en el anlisis de la muestra.
7
Hidrologa / David Cedeo 1-96
Los mtodos grficos y el mtodo de
probabilidad
mxima son los dos
procedimientos
altemos al mtodo de momentos para
ajustar las distribuciones
a los datos. A pesar
de
que
estadsticamente se ha observado
que
el mtodo
de probabilidad mxima es superior al mtodo de momentos, generalmente
es mucho ms complicado de calcular que el mtodo de momentos y por Io
tanto se encuentra ms all de esta introduccin a la hidrologa estadstica.
El objetivo principal de determinar los parmetros de una distribucin
es el de evaluar la funcin de densidad acumulada.- En algunos casos, se
puede lograr el mismo objetivo sin calcular los parmetros
actuales de la
distribucin. En lugar de eso, la distribucin es evaluada utilizando el factor
de frecuencia K, el cual se define como:
K
X_X
s,
El valor de K es una funcin del valor deseado para la funcin de
densidad acumulada y
tambin dependen de la asimetra. Por lo tanto, si se
conoce el factor de frecuencia K para
el valor deseado de la funcin de
densidad acumulada y la asimetra, se puede obtener el valor correspondiente
de X, de la siguiente manera:
X = X+KS,
Posteriormente durante el anlisis de diferentes distribuciones de
probabilidad,
se ilustrar el uso de los factores de frecuencia K.
7
Hidrologa / David Cedeo L97
PERIODO DE RETORNO O INTERVALO DE RECT]'RRENCIA
La manera mas comn en hidrologa para indicar la probabilidad de un
evento es la asignacin de un perodo
de retorno intrvalo de recurrencia
para ese evento. El perodo
de retorno se define de la siguiente manera:
Un evento anual m.ximo tiene un
perodo
de retorno (
intnalo de
recurrencia) de T aos s su magntud es igualada excedda, en promedio,
cada T aos. El recproco de T es la probabilidad de que el evento ser
igualado excedido en un ao cualquera.
Por consiguiente, la inundacin con un
perodo
de retorno de 50 aos,
tiene una probabilidad
de 0.02 2% d,e ser igualada excedida un ao
cualquiera. Es importante sealar que el perodo de retorno no implica nada
acerca de las secuencias en el tiempo de los eventos hidrolgicos. Esta
inundacin de 50 aos no ocurre una vez cada 50 aos; por el contrario, se
debe esperar que ocurran, en promedio, aproximadamente 20 inundaciones
con un perodo
de retorno de 50 aos durante los prximos
mil aos. Por
ejemplo, suponiendo que los eventos sean independientes, podran
ocurrir dos
inundaciones con un perodo
de retorno de 50 aos en dos aos consecutivos
y sta secuencia de eventos tendra Ia siguiente probabilidad
de ocurrencia:
P(Qrol
Qr)
= P(?r)
"
P(Qs)
=
0.02
x
0.02 = 0.0004
El concepto de perodo
de retorno implica eventos independientes y
generalmente
se obtiene analizando los datos de una serie de aaudales
a
Hidrologa / David Cedeo 198
mximos anuales
( precipitacin
mxima, etc). El evento de mayor
magnitud en un ao dado, se asume que es independiente del mayor evento
en otro ao cualquiera. Tambin es
posible
aplicar dicho anlisis a los n
eventos independientes mayores en un intervalo de z aos, sin considerar el
ao en que ocurrieron los mismos. En este caso, si el segundo evento en
magritud en un ao es ms grande que
el evento de mayor magnitud en otro
ao, este se debe incluir en el anlisis de frecuencia. Esta serie de los n
valores mayores (independientes)
se denomina Seriede Excedencia Anual,
en oposicin a la Serie Anual Mxima. Ambos tipos de series se utilizan en
hidrologa, con muy pequeas
diferencias en los eventos con perodos
de
retornos grandes (eventos
raros). Existen ms problemas
asegurando la
independencia de los eventos cuando se utiliza la serie de excedencia anual,
pero para
los eventos con perodos
de retorno bajo, esta serie produce
resultados ms realistas para
los perodos
de retorno de eventos con la misma
magnitud que
cuando se utiliza la serie de valores mximos anuales. Segn
Chow
(1964),
la relacin entre los perodos
de retorno basados en Ia
excedencia anual I" y los valores mximos
f
es:
T
Ln(T^)-Ln(T.-l)
Otra opcin para
el anlisis es la de ttllizar todos los datos registrados
en la serie histrica sin considerar la independencia de los eventos. Esta serie
se denomina Serie Completa y un ejemplo tpico es el registro diario de
caudales, la cual se llizar para
determinar los caudales mximos anuales
7
Hidrologa / David Cedeo L99
y los caudales de excedencia anuales. La informacin de frecuencia obtenida
de las series completas generalmente
se muestran en una curva de duracin
de caudales (Searcy,
1959), la cual es una
grfica
de la magnitud del caudal
en funcin del
porcentaje
del tiempo que este valor del caudal es igualado o
excedido. La informacin obtenida del anlisis de la serie completa no se
puede relacionar directamente con los perodos de retorno debido a
que los
valores registrado en la serie completa no son independientes necesariamente.
CAUDAL
Fig.3O: Cun/a de Duracin
Los perodos
de retorno pueden
ser asignados a eventos mnimos (por
ejemplo: sequas) de una manera completamente anloga, pero la
interpretacin "igualado
excedido" significa "igual
ms severo que esta
magnitud". Por consiguiente, un caudal bajo de 20 aos es aquel que tiene
una probabilidad
e 5% de
que
la magnitud del caudal en un ao cualquiera
ser menor igual a este valor.
7o del tiempo en
que
el caudal es superado
Hidrologa I David Cedeo
CLASIFICACION DE LOS DATOS
200
Para graficar
los caudales cualquier otro dato hidrolgico, primero
debemos ordenar los valores desde t hasta n
(numero
de aos registrados) en
orden decreciente de magnitud (eventos extremos de inundaciones). Es decir
que
el dato de mayor magnitud tendr una
posicin
m
:
I y
el de menor
magnitnd tendr una
posicin
m
:
n. El rango ru y el nmero de aos n se
ttlllzanpara calcular la posicin
de los datos y para
efectuar una estimacin
emprica de la frecuencia Fy el perodo de retorno i.
En hidrologa la clasificacin de posicin ms comn
para
obtener el
perodo
de retorno (
I
)
es
por medio de la frmula de Weibull:
T=
n+1
por
consiguiente, la frecuencia ( F
)
es:
D-rfr
n+7
Observeque: F(Q) = P(Q<Q) = I - P(Q>Q)i porloranro
se satisface la siguiente relacin: 1/1 = P(Q ,
Q).El
procedimiento
anterior fue analizado en detalle
por
Gumbel (1958);
sin embargo, la
venerable frmula de Weibull ha sido ampliamente criticada debido a
que no
proporciona
una estimacin adecuada para la funcin de densidad acumulada
de tal manera que
el valor esperado E(') sea igual al valor terico para los
datos observados de mayor magnitud, escogido entre el total de ,? muestras
1-
I
T
Hidrologa / David Cedeo
20r
para
cualquier distribucin; exceptuando la uniforme. Es decir, que las
distribuciones corrientemente usadas en los anlisis hidrolgicos para
estudios
de frecuencia producen un valor desviado
parcializado para la frecuencia F
al utilizar la formula de Weibull. Gringorten
(1963) propuso una forma
generalizada para tratar de corregir estas deficiencias; sugiriendo las
siguientes frmulas para el perodo
de retorno y la frecuencia:
n+1-2a
T
m-a
m-a
F = 1-
n+7-2a
donde el valor del parmetro
a depende de la distribucin: es igual a0.375
para la distribucin normal log normal, 0.44paru la distribucin de Gumbel
y se sugiere el valor de 0.40 para
ste
parmetro,
como un compromiso
adecuado para las situaciones en
que
se desconoce la distribucin exacta de
la muestra. A pesar
de que las ltimas frmulas son mejores desde el
punto
de vista terico, la formula de Weibull todava
goza
de gran aceptacin en
hidrologa.
Eiemolo 24: Perodo de Retorno y Frecuencia
Usar la frmula de Weibull con los datos de caudales mximos
registrados en la estacin de aforo
(utilizados
en diferentes ejemplos
desarrolados en esta seccin) para
encontrar el perodo de retorno y la
frecuencia.
7
Hidrologa / David Cedeo
Solucin:
En la siguiente tabla se muestran los caudales ordenados de mayor a
menor magnitud, mostrando su perodo de retorno utilizando la formula de
Weibull:
-
n+l
1-
m
y la frecuencia evaluada de la siguiente manera:
F = l-
1
T
Tabla: Clculos
Posicin
m
Caudal
Q
(p3ls)
Perodo de Retorno
T (aos)
Frecuencia
F
1 15,600 32.00 0.969
2 10.300 16.00 0.938
3 9,840 14.67 0.906
4 7,760 8.00 0.875
5 6,s60 6.40 0.844
6 6,260 s.33 0.813
7 5,440
A<1
0.781
8 5,230 4.00 0.750
9 5,170 3.56 0.119
10 4,740 3.20 0.688
7
Hidrologa / David Cedeo 203
Tabla: Continuacin
m
a
T F
11 4,710 2.9t 0.6s6
12 4,400 2.67 o.625
13 4,300 2.46 o.s94
14 3,690 2.29 0.562
15 3,5 80 2.r3 0.531
16 3,460 2.00 0.500
l7 3,310 1 ,88 0.469
18 3,2r0 1.78 0.438
19 3,000 1.68 0.406
20 2,820 1.60 0.315
2l 2,770 t.52 0.344
22 2,520 r.46 0.313
23 1,900 1.39 0.281
24 t,620 1.33 0.250
25 1,400 t.28 o.219
26 1,360 t.23 0. 188
27 1,110 1. 19 0.156
28 1,000 t.t4 0.12s
29 427 1.10 0.094
30 340 1.07 0.063
31 23s 1.03 0.031
Hidrologa I David Cedeo
1.mlD
0.cm
0.&m
0.7(m
0.dm
0.sm
0.fm
0.cm
o2lp
0.1(m
o^{rm
ct
l!
{
o
z
5
(,
-t
IL
6{m
gno
rm 1ffi f 4m
c tDlL(cD
FlG.31: FUNCION DE DENSIDAD ACUMUIDA
(OJIVA)
244
I
,"""-'
r'
a
I
7
I
/
I
./
I
I
L
it
I
I
/
ry
I
I
I
J
/
7
Hidrologa / David Cedeo
MODELOS PROBALISTICOS COMT]NES
245
En hidrologa se utilizan muchas funciones de probabilidad de masa
para
variables discretas y funciones de densidad de probabilidad para
variables contnuas, pero
solamente se van ha describir en esta seccin las
ms comunes. Es muy difcil reducir el nmero de distribuciones para
variables contnuas, ya que
se pueden seleccionar diversas funciones para el
anlisis de caudales mximos; sin embargo, las ms comunes son:
Distribucin Normal, Log Normal, Gamma
(de
2-parmetros), Pearson
Tipo 3, Log Pearson Tipo 3 y Gumbel Valor Extremo Tipo I. En
adicin a las funciones anteriores, se incluir Ia definicin de Distribucin
Binomial para variables aleatorias discretas y la Distribucin Exponencial
para
variables contnuas debido a su simplicidad para ilustrar algunos
conceptos de probabilidad.
A menudo, el objetivo de un anlisis discreto es asignar probabilidades
para
el nmero de ocurrencias de un evento, mientras que el objetivo de un
anlisis contnuo es el de determinar la probabilidad
de la magnitud de un
evento. En el caso discreto, puede existir inters en la funcin de
probabilidad
de masa y en la funcin de distribucin acumulada; mientras que
en el caso contnuo, el valor de la funcin de densidad de
probabilidad
solo
nos permite
comparar el ajuste de la distribucin terica a la distribucin
emprica, mientras que la funcin de densidad acumulada para las variables
aleatorias contnuas nos define la probabilidad
de ocurrencia de los eventos.
7
t\
q
. lc
r,lA
'*la*
llrt
1n
b
la * l:r
x*
Ill
.n
ql
lil
6l ,- ll
lll
\(dl ll
rrl
l
o
A
*
ol
b0
cl
t
q)
uo
\o
v)
+
d
o
a
AA
\d
c)
d
to
N
d
l
0)
a
OJ
c.)
ut
q)
8
ce-
t-r
c-
A
h
o
d
o
rd
c)
q-.r
()
t-l
<
d)
-ts
t.s
co.
d
.
|-\
e..
o
:{ t
8
VI
R
VI
8
I
ll
x
a.l
I
A
I
I
h
I
EI
(!l
dt
-ol
(t
-l
t
til
o.t
I
()t
l
I
t
cl
EI
(Jl
ol
c-l
a)
l
.<
cl
.Ol ll
ol
El
x
,)l
tr.,,l
\
r
N
't
k'
ll ...
le
tct
A
X
o
ll
*
Cd
li
z
9!
J
X
!)
-lr
lo-
a
c)
o
F
z
o
C
g
X
E]
\ot
ol
-ot
rl
.rl
ot
7
I
X
lt
cl
F-
,Fr
I \O r/r
arl*
I
Io
-.>
cat'
I
lr
t
I .o-
a\
F
I
q 13
l
C.r
lx
t.:
l\r
C-
t^
lx
.t
lx
l
I
(-
tsl*"
Bl'.
sl
EI
.Fl
il
dl
Orl
qJ
.<
8
vl
R
VI
8
I
I
*
d
I
q
x
o
I
I
h
J
I
A
X
o
a
<
tJ
tu
A
)s
.n
Ol uJ
-
bJN
.5FI
^,
'5lx
c)
d '=l
:l
^l
-
'=l
Ll
il
^Fl
:l
)
lrt rl
-l
q.,
I
ca
!l
-
l,-.
0) ,-rl , lo
X dl
l'-,
El
Gl'-.
5 Ct
rl
-a
ol xl
r
^\l
el
!r Hl I
E o.l
4.
I
=
!l '<l
-
-t
I
.Ol
'gt
l
F
()
x
E]
()
o?u
ca- a
h;
;.r
I
>'
q)
u,
I
\
o
*
-/
ca)
a
F
l-r
C)
i
bo
J
cn
o
ti
()
l
\C
c
ti
l
;jl Q
P.
.xt .!+ .r,
l
F';
H F;:
'El
al
.ttl cd
(!
xl
^oo l-{l lJ.r \-/
Hidrologa / David Cedeo
DISTRIBUCION BINOMIAL
204
Es muy comn examinar ura secuencia de eventos independientes para
la cual el resultado de cada evento puede ser xito o fracaso; por
ejemplo, la
inundacin con un
perodo
de retorno de I aos ocurre o no. Esta secuencia
consiste en ensayos independientes de Bernoulli, para los cuales la
probabilidad
de xito de cada ensayo es una constante igual a la fraccin p.
Utilizaremos la distribucin Binomial para averiaguar cul es Ia probabilidad
de que
ocurran exactamente x xitos en n ensayoi de Bernoulli. Observe
que sta ser la nica distribucin de tipo discreto analizada en esta seccin
y la misma se utilizada en algunas ocasiones en Hidrologa, especialmente
para
definir el riesgo y la confiabilidad de un
proyecto.
La probabilidad
de que ocurran r xitos seguidos por (
n - x
)
fracasos es el
producto
de las probabilidades
de ocurrencia de xitos p y
fracasos:
S
:
(1-p)
en los n eventos independientes; es decir:
p' (l
-
p)'-'
Pero los ensayos de Bernoulli representan una secuencia posible para
la
ocurrenciade .r xitos y (n-x
)
fracasos; por lo tanto debemos considerar
todas las secuencias posibles, incluyendo aquellas en las cuales los xitos no
ocurren consecutivrmente. El nmero de combinaciones maneras posibles
de escoger ir eventos entre los n
posibles resultados sta dado por el
coeficiente binomial:
nl
xl (n
-
x)l
Hidrologa / David Cedeo 209
La probabilidad
deseada es el
producto
de la probabilidad
de cada una
de las secuencias y el nmero de maneras en que pueden
ocurrir las
secuencias; por 10 tanto, el resultado (funcin
de masa de probabilidad) es la
Distribucin Binomial:
p* (l
-
p)n'
;
V = 0,1,2,3,...,n
La notacin B (n,p) indica una distribucin Binomial-con parmetros n y p.
Para ste tipo de distribucin, la media valor esperado es:
t
= E(x)
=
nP
la varianza es:
02 = Var(x) =
np(1
-P)
y la asimetra es:
| - 2p
Lnp
(r
-
p)l%
En la expresin anterior se puede
observar claramente que la distribucin es
simtrica si la probabilidad
de xito es p
:
0.5. En este caso en
particular,
la funcin de distribucin acumulada es:
(;)
F(x)
= P(x<x)
=
l(",)o,r-ob-t)
7
Hidrologa / David Cedeo
2L0
La evaluacin de la f,rncin anterior es tediosa para valores grandes
de
n y valores intermedios de x, pero
afortunadamente existen tablas en los
libros de estadstica con los valores calculados
para
F(x).
RIESGOS Y CONFIABILIDAD
Enuna secuencia de n aos,
cul
es la probabilidad
de
que
el evento
con un perodo
de retorno Z ocurra solamente una vez? La probabilidad p
deocurrenciadel evento enun ao cualquiera es h f?accin p
:
I I T y el
nmero de ocurrencias en la secuencia de n aos es B (n,p). La probabilidad
de
que
el evento ocurra al menos una vez en n ensayos se denomina Riesgo.
Este valor se puede
calcular rpidamente considerando
que riesgo es igual a
1 menos la probabilidad de que
el evento no ocurra en n aos; es decir:
Riesgo = 1-(1
-p)'=
I
Por otro lado, la Confiabilidad se define como 1 menos el riesgo; por lo
tanto tenemos la siguiente expresin:
Confiabilidad= (l-pf
('
+)'
('
+)'
Los conceptos de riesgo
hidrolgico, especialmente
hidrulicas.
y confiabilidad son importantes en el diseo
durante las etapas de construccin de obras
Hidrologa / David Cedeo
Ejemplo 25: Diseo de Ataguas
21-].
Se va a construir una atagua para proteger
una urbanizacin en una
planicie
de inundacin mientras se completa un proyecto de canalizacin. La
afagtra se diseara para una inundacin que tiene un perodo de retorno de 20
aos y el
proyecto
de canalizacin requiere 3 aos para ser terminado.
Describir el proceso
estocstico y calcular las siguientes probabilidades
durante la construccin del proyecto
a) El nivel del agua sobrepasar la atagua en un ao cualquiera.
b) La atagua contendr la inundacin de diseo
(Confiabilidad).
c) El nivel del agua sobrepasar la atagua exactamente una vez.
d) La atagua ser sobrepasada por lo menos vnavez (Riesgo).
e) La atagua ser sobrepasada solamente durante el ltimo ao.
Solucin:
En este anlisis se va ha investigar el xito fracaso del atagua para
contener los niveles de inundacin; por 1o tanto se trata de un caso discreto
y el proceso
se puede
definir por medio de una distribucin binomial:
B(n,p) = B(3,00s)
donde donde n es la duracin de la construccin en aos y la proporcin
p
es el inverso del perodo
de retorno Z.
7
Hidrologa / David Cedeo
Clculo de las Probabilidades:
a) La atagua falla en un ao cualquiera:
P(o>o..,\ = D -
I
-
I
= o.o5
ry
drteno.
.
T 20
b) Confiabilidad de la atagua:
Confiabilidad= q'
=
(l
-P)'
Confiabitidad
=
(l
-0.0s)3 =
(0.95)3
=
0.86
c) La atagua falla exactamente una vez en tres aos:
21-2
F(x=r) =
f''l
p'(r-p)(n-x'
=
f
''l
p0-p)2
\
*i
\
I
/
F(x=r) =
+;
(0.05) (0.e5),
=
0.135
d) Riesgo de la medida de
proteccin:
Riesgo= l-Confiabilidad= l-0.86
= 0.14
e) La atagua falla durante el ltimo ao
(regla
de multiplicacin):
Prob =
qxqxp
=
(r-p)"p
= (0.9s)2(0.0s)
=
0.045
7
Hidrologa / David Cedeo
DISTRIBUCION EXPONENCIAL
f(t)
=
),eL';
La media de la distribucin es:
21-3
Considere una secuencia de sucesos aleatorios, de tal manera que los
eventos son independientes, el proceso es estacionario
(es
decir, los
parmetros
del
proceso no cambian con el tiempo) y no es posible tener ms
de una ocurrencia del evento en cualquier instante. Estas condiciones
describen un
proceso
de Poisson, el cual es representativo los eventos de
tormentas. Si la variable aleatoria / representa el intervalo de tiempo entre
los eventos, se pueden
decir
que la variable f tiene una distribucin
exponencial con la siguiente funcin de densidad de probabilidad:
l> 0
t.r
= E(t)
y la varianza es:
a2 = Var(t)
Esta distribucin tiene la propiedad
caracterstica de que
su
promedio
es igual a su desviacin estndar; por 10 tanto, el coeficiente de variacin es
CV
:
l. La distribucin es obviamente sesgada hacia la derecha, con una
asimetra constante y
:
2.
_1
L
,)
7
Hidrologa / David Cedeo 2L4
La funcin de densidad acumulada se puede
evaluar analticamente,
integrando la funcin de densidad de probabilidad;
es decir:
F(f) =
Jo'
, exp (- )" t) dt
=
I
-
exp(-1. /)
En la expresin anterior, es evidente
que
cuando t
:
*
,la
funcin de
distribucin acumulada es: F(-) = 1; 1o cual satisface una de las
propiedades
de este tipo de funcin, ya que el rea total bajo la funcin de
densidad de probabilidad
debe ser igual a la unidad y representa la
probabilidad
de todo el espacio muestral.
La distribucin exponencial puede
ser manipulada fcilmente en forma
analtica y en consecuencia se utiliza algunas veces para
aproximar
distribuciones asimtricas ms complejas. Tambin se emplea ocasionalmente
para
encontrar la correspondencia entre la precipitacin
total en la cuenca y
el caudal en el ro; pero
se utiliza ms a menudo para
obtener los intervalos
de tiempo entre los eventos. Algunas funciones de distribucin estrechamente
relacionadas con Ia distribucin exponencial son la distribucin de Poisson,
la cual define el nmero de ocurrencias en el tiempo / y la distribucin
Gamma, la cual define el intrvalo de tiempo entre k eventos.
Ejemplo 26: Intrvalo de tiempo entre tormentas
Durante el transcurso de un ao, ocurren aproximadamente 110 eventos
independientes de tormentas en cierta localidad, con una duracin promedio
de 5.3 horas cada una. Describir el
proceso ignorando las variaciones
a
Hidrologa / David Cedeo 2]-5
durante las estaciones del ao y calcular algunas
probabilidades,
las cuales se
van a definir posteriormente.
Solucin:
El proceso
se
puede
describir utilizando una distribucin exponencial,
la cual tiene las siguientes funciones de densidad de probabilidad
f
(t) y
densidad acumulada F(t) :
f(t)
= )'e-L'; t>o
F(t) = I
- exp(-.1.r)
El intrvalo de tiempo promedio (en horas) entre eventos de tormentas
en un ao es (1
ao
:
8,760 horas):
_
8,760
- 110
"
5.3
t=ff=743hr
El parmetro
I de la distribucin exponencial est relacionado con el
valor promedio
anterior, ya que:
E(t) -
I
)L
Por lo tanto, utilizando el mtodo de momentos, tenemos:
.r.
=
1
-
1
= o.or35hrl
r
74.3
7
Hidrologa / David Cedeo 216
Probabilidades:
a)
Cual
es la probabilidad
de que
existan al menos 4 das
(96
horas) entre
tormentas?
P(t>96hr) = r
-F(96) = exp(-0.0135x9) = 0.27
b)
Cul
es la probabilidad
de que el intervalo entre dos tormentas sea
exactamente igual a 12 horas ?
P(t=t2hr) = F(12)-F(12)
=
0
Observe que la probabilidad
de que
una variable aleatoria contnua sea
exactamente igual a un valor especfico siempre es cero.
c)
Cul
es la probabilidad
de que la separacin entre dos tormentas sea
menor igual a 12 hr?
P(t<12hr)
= F(12\
=
1-exp(-0.0135x12)
P(t<l2hr)
= l-0.85 = o.l5
7
Hidrologa / David Cedeo
DISTRIBUCION NORMAL
211
La Distribucin Normal tambin se conoce con el nombre de
Distribucin de Gauss y es de fundamental importancia en
probabilidad y
estadstica. Una razn de esto, es que el Teorema del Lmite Central
establece que bajo condiciones muy generales, la distribucin de la suma de
una gran
cantidad de variables aleatorias se puede
aproximar a una
distribucin normal, independientemente de de la distribucin verdadera de
la muestra. Muchos procesos fsicos se
pueden ide-alizar como la suma de
procesos
individuales; por lo tanto, la distribucin normal encuentra muchas
aplicaciones en hidrologa y otras areas de estadstica, tales como
prueba
de
hiptesis, intrvalos de conflanza y control de calidad.
La funcin de densidad de probabilidad para la distribucin normal
(curva
en forma de campana) es la siguiente:
f
(x'l
-
(x
-
tt)'
-oo
< f <
oo
,
lt;
2a2
Los prametros
de la distribucin son el promedio p y la varianza o2; las
variables aleatorias que tienen esta distribucin se denotan como N(r, o2).
Debido a la naturaleza simtrica de la distribucin normal, esta no es
adecuada para
analizar eventos extremos, tales como caudales mximos; pero
es satisfactoria para describir totales anuales.
.,.0
| l
Hidrologa / David Cedeo 2L8
La evaluacin de la funcin de la densidad acumulada requiere un
cambio de variable:
z =
(
-
t)
o
Donde
z
es la variable normal estandarizada
y
tiene una distribucin N
(0, 1);
entonces la funcin de densidad acumulada para la variable transformada es:
F(z)
=
|
Desaforhrnadamente, esta integracin no se puede efecfuar fcilmente,
pero
existen tablas de F(z) en funcin de la variable
z enla mayora de los
libros de estadstica. Obsrvese que la variable estandarizada
e
corresponde
al factor de frecuencia ft utilizado en otras distribuciones. La magnitud de
-r
para
un perodo
de retorno dado, se puede encontrar fcilmente utilizando el
siguiente
procedimiento
:
1- Calcular la Funcin Normal Acumulada: F(Z) = 1 - I lT
Obtener el valor de Z en una Tabla de Distribucin Normal
Entonces: X = X+2.5"
1
J-
/
"\
1 I -u'l
exr.tl
-l
du
,lt;
'\
2
)
Hidrologa
/
David Cedeo
F(z)
0.0t 0.02
Funcin de l)istribucin
Normal Acumulada
279
0.521e 0.5279 0.51t9
0.5.16 0.56?5 0.57 t4
0.6026 0.6064 0.6 t0_1
0.6406 0.6441 0.6480
0.617: 0.6808 0.6$44
0.7 D1 0.7t57 0.7190 0.ltt4
0.7454 0.7486 0.7i I7 0.7:tS
0.7164 0.1194 t).7821
0.78_i:
0.8051 0.8078 0.810 0.81i l
0.81l5 0.3J0 0.8i65 0.8189
0.85i 0.8577
0.8770 0.8790
0.8962 0.8980
0.9tJ I 0.9147
0.9219 0.9292
0.8599 0.36: I
0.88 r0 0.33i0
0.8997 0.901i
0.9162 0.9177
0.910 0.9,119
0.9406 0.9418 0.9429 0.94,1t
0.q5ti 0.9525
0.9515 095J:
0.4608 0.96 t6 0
q25
n.glj
0.9686 0.969t 0.9699 0.910
0.9750 0.9156 0.9?61 t\.9161
0
qRoJ
0.s80R 0.s8 t 2 o
98 I
7
0.9846 0.9850 0.9854 0.9857
0 9RR I 0.98R4 0.'rr87
0
o!9t)
0.9909 0.991 I 0.99tJ 0.991
0.991r 0.9912 0.9914 0.99,\6
0.9948 0.9945 0.9951 0.9ci2
0.996 r 0.9962 0.996J 0.996.r
0.997t 0.9971 0.9973 0.9914
0.99?9 0.9979 0.9980 0.9q81
0.9985 0.9935 0.9986 0.9986
0.9989 0.9989 0.99q0 0.9990
I
_,,
)
""nl
,
)aw
001 004 0.0i
0.06
0.0
0.t
0.1
0.1
0.1
0.5000
0.5198
0.5791
0.6 l]9
0.6554
0.69 r5
0.1257
0.7580
0.7631
0.8ri9
0.84r l
0.8641
0.8849
0.90J 2
0.9r92
0.9132
0.9452
0.9i54
0.9641
0.97r1
0.9112
0.9821
0 986r
0.9891
0.9918
0.9918
0.99.r3
0.99s
0.99 t4
0.9981
O.998 t'
0.i lt0
0.55t7
0.59t0
0.6i93
0.6664
0.70
'9
0.7357
0.1613
0.1961
0.82 !8
0.5i59
0.5751
0.6rJl
0.6ir7
0.6879
0.504c 0.5080
0.5138 0.5.;'8
0.J812 0.5871
0.6211 0.6255
0.6591 0 6613
0.6950 0.6985
0.7291 0.71t4
0.76 0.764.1
0.7910 0.7919
0.8186 0.8212
0.5 r60 0.J t99
0.5557
0.j596
0.594S 0.i987
0.611! 0.6168
0.6700 0.61i6
0.7054
0.1088
0.7389
0.i422
o.iii; 0.7131
0.799i 0.8021
09264 0.3289
0.3508 0.351I
0.8729 0.8749
r).8q25
0.3944
0.9099 0.9 t r5
0.925 r 0.916s
0.9.182 0.9394
0.9495 0.9505
0.959r 0.9599
0.9611 0.9678
0.9718 09744
0.9193 0.9198
0.9818 0.9842
0.9875 0.9878
0.9904 0.9906
0.9927 0.9929
0.9945 0.9946
0.9959 0.9960
0.9969 0.9970
rr.99.17
0.9978
0.9984 0.9984
0.9988 0.9989
0..i
0.6
0.1
0.8
0.9
1.0
Ll
t.2
LJ
1.4
t.5
t.6
1.7
t.8
t.9
2.0
2.1
2.2
2.1
2.4
2.5
2.6
2.1
2.8
?.9
1.0
0.3418 0.8461 0.8485
0.865 0.8686 0.8708
0.8869 0.8838 0.8907
0.9049 0.9066 0 9082
o.9zo7 0.9222 0.9:36
0.9145 0.915? 0.9170
0.9463 0.9414 0.9484
0.9564
0.9571 0.9582
0.949 0.96i6 t\.9664
0.9719 0.9126 0.9132
0.9't't8 0.978J
0.9826 0.9810
0.9864 0.9868
0.9896 0.9898
0.9920 0.9922
0.9788
0.9814
0.9811
0.990t
0.9925
0.9940 0.99 I 0.9941
0.9955 0.9956 0.9951
0.9966 0.9961 0.9s68
0.99?5 0.9976 0.99"t1
0.9982 0.9982 0.9e8.1
0.9987 0.9987 0.9988
Hidrologa / David Cedeo
Eiemplo 27: Distribucin Normal
Emplear la distribucin normal en combinacin con los datos de
caudales mximos registrados en la estacin de aforo (utilizados en los
ejemplos anteriores desarrollados en esta seccin)
para
calcular:
a) El caudal con perodo de retorno de 100 aos
(Q,oo).
b) La probabilidad de que el caudal ser menor igual a 10,000 pies3/seg
y
su respectivo perodo
de retorno.
Solucin:
Los parmetros de la distribucin normal estimados en trminos de los
momentos de la muestra son:
=
O
= 4,744p3/s
= sa = 3,311 p3 ls
y la tuncin de densidad de probabilidad
es:
220
I
-.1
f(e\
=
---="*nl-t0-9r'
-*<e<*
sotfzr"
L
,sn"
]
a) Caudal para
un
perodo
de retorno T
:
100 aos:
F(Q,oo)
= 1-
L
= t-
,#
= o.ee
Hidrologa / David Cedeo
)41
Interpolando en las tablas de distribucin normal acumulada, tenemos:
Z
=
2.326
Por lo tanto la magnitud del caudal es:
Qroo
=
Q+Z'Sn
= 4,144+2.326x3,3 11 = 11,850p3/s
b) Variable Normal Estandarizada:
z =
O-O
-
1o'ooo-4'144
= 1.769
so 3,3 1l
Utllizar las tablas de la distribucin normal acumulada para obtener:
F(Z)
=
F(1.76e)
=
0 9615; por consiguiente, la probabilidad es:
P(8<1O,OOOp3/s) = F(Z) = 0.915
y el
perodo
de retorno para un caudal
Q
:
10,000 pies3/seg es:
_l
I_
1
^-
_
=
Zb AnOS
r-F(z) 1-o.els
Observacin:
La Distribucin Normal no se ajusta satisfactoriamente a los datos de
caudales mximos registrados (histograma
de densidad) debido a la asimetra
de la distribucin emprica.
J
H4
{!
Y.
az
<;J
E
<t:
d
&..
(,g
9A
ur
ti<
44
a
i
fJ
f
Zi!
o4.
co
=d tri
b
E?
f-l Z
, ij
?,
F
Vz
UX
)2.
!E
.
o
Q
++{qq4sB
HHgHgHfi
EREEggHE
7
Hidrologa / David Cedeo
DISTRIBUCION LOG NORMAL
223
Considere un clculo hipottico de escorrenta, en el cual la escorrenta
es igual al
producto
de funciones de diferentes factores aleatorios, tales como
precipitacin,
rea tributaria, coeficiente de
prdidas,
evaporacin, etc. En
general,
si una variable aleatoria X es el resultado del
producto
de una
gran
cantidad de otras variables aleatorias
(mecansmos
de multiplicacin),
entonces la distribucin de los logarnos de x ser aproximadamente normal,
ya que el logaruno de X estar cnstirudo
por
h sna de los logartmo de
los factores contribuyentes. En hidrologa, es muy fcil concebir muchos
factores contribuyentes a la escorrenta que son aleatorios y de los cuales
existe muy poca informacin determinstica; por lo tanto, un mecansmo
multiplicativo para la escorrenta puede
ser una suposicin razonable. En
general,
se
puede
considerar que una variable aleatoria tiene una distribucin
log normal si el logartmo de la variable aleatoria est distribudo
normalmente; es decir que si I
:
log
0)
tiene una distribucin normal,
entonces X tiene una distribucin log normal. La funcin de densidad de
probabilidad para la distribucin log normal es:
f(x)
log,o (e)
-0 -
Fr)'
>0
, o ,lin
2 o2
v
donde
I = log,o
6)
y e es la base de los logartmos nafurales; observe
que la funcin de densidad de probabilidad para la distribucin log normal
est limitada a la izquierda por
el valor cero, tiene una asimetra
positiva y se
"-rl
7
Hidrologa / David Cedeo
.'t
a A
puede utilizar fcilmente debido a su relacin con la distribucin normal, ya
que
la variable transformada tiene la siguiente funcin de densidad de
probabilidad
normal:
f(y)
o" rfz n
para la cual existen tablas que nos permiten obtener directamente la funcin
de densidad acumulada, ya que la distribucin normalse utiliza ampliamente
en estadstica.
La asimetra y de la distribucin log normal es una funcin del
coeficiente de variacin CV
-
a / p":
3 'CV
*
CV3
pero la asimetra de la variable transformada Y
:
log
(X)
es cero, tal como
se espera, debido a
que I est distribuida simtricamente.
A pesar de que la funcin de densidad de
probabilidad
de X
(variable
original) se puede derivar fcilmente, esta funcin se requiere en muy pocas
ocasiones. En lugar de eso se encuentran los momentos de I
:
log
(E y
se utiliza la distribucin normal para la variable transformada I. Esta
transformacin se puede hacer de dos maneras, ya que se pueden usar
logartmos naturales de base 10. El mtodo de momentos requiere que el
momento de los datos originales sea calculado y relacionado con el momento
de los datos transformados. Cuando se utilizan logartmos naturales en la
transformacin: I = ln (X)
,
stas relaciones son:
f-tv
-
r,..1' l
exo |
'
I
'l
2 o,'
I
7
Hidrologa / David Cedeo
22s
o2
CV2 exp (o,2
-
1)
u2
/
"'\
t-
= exp
I F..
*
--2-
|
^
\
2)
Las ecuaciones anteriores se pueden resolver simultaneamente
para
encontrar
Fy
y arz. Si se utilizan logartmos de base 10, las frmulas
anteriores se deben modificar reemplazando la bise de los logartmos
raturales (e
:
2.718) con logartmos de base 10. Observe
que
el logartmo
del promedio
no es el promedio de los logartmos; por
el contrario,
ly
= log(X,)
donde X, es la mediana de X. El mtodo de momentos para la estimacin de
los parmetros
conserva el momento de los datos originales, 1o cual es
necesario para la simulacin de caudales en ros.
Otro mtodo es el de convertir el promedio y Ia variarza a logaritmos
naturales. Este segundo mtodo es ms comn y est relacionado con
estimaciones de probabilidad
mxima para los parmetros
de I. En este
caso, primero
se calculan los logaritmos de todos los caudales y luego se
obtiene el promedio y la variarva de los datos transformados; si los momentos
de los datos transformados son calculados por ambos mtodos, la semejanza
de los resultados se incrementar al aumentar el tamao de la muestra.
7
Hidrologa / David Cedeo
Ejemplo 28: Distribucin Log Normal
z6
Utilizar los datos de caudales mximos registrados en la estacin de
aforo y aplicar la distribucin log normal
(usando logartmos de base l0)
para calcular:
a) El caudal con un
perodo
de retorno de 100 aos.
b) La probabilidad de
que
el caudal sea menor o igual a 10,000 pies3/seg
y su respectivo perodo de retorno.
Adems, comparar los parmetros estimados utilizando los momentos de los
datos originales y los obtenidos con los datos transformados.
Solucin:
Los parmetros
de la distribucin log normal estimados utilizando los
momentos de los datos transformados Y
=
log,o (p)
son:
f = 3463
'Sr
=
0 424
y la funcin de densidad de
probabilidad
es:
fQ\
2.3
Q
Sy
\ft;
a) Caudal
para
un perodo de retorno T
:
100 aos :
F(r,oo)
= 1-
L
= 1---l =
0.99
.-li#]
7
Hidrologa / David Cedeo
22'7
Interpolando en la tabla de distribucin normal acumulada, tenemos:
z = 2.326
Por lo tanto, la variable transformada l,oo = logro (0,00
)es:
Iroo = i*Z'5, = 3.463+2.326x0.424 =
4.449
y la magnitud del caudal se
puede
obtener de la siguiente forma:
Q
,oo
=
16(rroq)
=
16(a
aas)
= 28:80 p3 I s
b) Transformacin del caudal
0
:
10,000 p3/s:
Y = log,o(10,000) =
40
Normalizacin de la variable transformada:
-
y-y
4-3.463
Z =
,"
=
1.267
Utllizar la tabla de la distribucin normal acumulada para
obtener:
F(Z)
=
F(l.267)
= 0.8975; por consiguiente, la probabilidad es:
P (Q < ro,ooo p3
I s) = F(z) = 0.8e75
y el perodo
de retorno para el caudal
Q
:
10,000 p3ls es:
T =
I
= 9.8 aos
'
lO aos
1-F 1-0.8975
7
Hidrologa / David Cedeo
Comparacin del Valor de los Parmetros:
Coehciente de Variacin:
228
a_
CVt
':
Fx
sf
Media Valor Promedio:
I
I
Px
= exp
I
Fv
+
\
Por lo tanto, tenemos:
,.9x
3,3 10.82
0.799
Coeficiente de Variacin al cuadrado:
CVrt = exp (of
- t'
"
exp(S]'?- l)
Yarianza:
S: = tn(Cl/xl)*r = ln[(0.799)2]+r
=
0.ss1
Desviacin Estndar:
X
4,t43.94
=
O.742
(
"
"*nlr
*
+) +)
=X
o'551
=
8.054
2
,s2
Y = tn(X)
- -1!- = h(4,143.e4) -
2
Cambio de Base de los Logartmos:
ln (m)
logro (m)
= logro
@)
^
ln(m)
= 0.4343 ln(m)
2.3026
7
Hidrologa / David Cedeo
aa
Por consiguiente, el Valor de los Parmetros por el Mtodo de Momentos
(utilizando
logartmos de base 10) es:
y=8'054=3.49s
2.3026
s. -
0742
= 0.322
'
2.3026
Resumen:
Valor del
Parimetro
Mtodo de
Momentos
Usando Datos
Transformados
Y 3.498 3.463
,s/ 0.322 0.424
Observe que los valores obtenidos para los parmetros por
ambos mtodos
son parecidos; pero el mtodo de datos transformados Y = logro (p) es
el ms comun. Sin embargo, la diferencia es notable al calcular la magnitud
del caudal con un perodo
de retorno de 100 aos:
f,oo
=
l*Z'Sr
=
3.498 +2.326x0.322
= 4.247
Q
,oo
= 1(v'oo) = 16(+zn7)
= 17,687 p3 ls
O
o
c)
CL
o
8<
a
o
l
o
a
o
J
^EJ
Q
<
z
E9
a:
Fz
J(J
OF
aA
!,
F,l
9
c;
rrJ
^
z.
oFf
En
t,r
Fr
gEl
o
A
.l
0
FZ
zr
EEl e
Z f-l
a\6
|i z.
zo
(J
fe
l-r
U
o
<l
trl
o
o
o
c)
o
3
t.J
o
o
o
q
o
tr.J
o
(f
c)
o
,i
3
Lr
o
q
3
tJ
o
Q
o
(tr
3
rU
o
C]
o
(oI
7
Hidrologa / David Cedeo
DISTRIBUCION GAMMA
23a
Esta distribucin es utilizada ampliamente en hidrologa simplemente
debido a su forma y propiedades
matemticas bien conocidas; entre ellas
tenemos las caractersticas de estar limitada por la izquierda y un sesgo
positivo, 1o cual es conveniente para eventos extremos de inundaciones
(adems, la distribucin garma tambin se puede utilizar con un sesgo
negativo para
eventos de sequas). La distribucin Gamma puede ser de dos
parmetros (Gamma - 2) de tres
prametros (Gammi
- 3), la cual recibe el
nombre de Pearson Tipo 3. A pesar de que los coeficientes: ,1, y p
en
el caso de Pearsontipo 3: 1,
p
y e requeridos para definir la funcin de
densidad de probabilidad
son funciones simples que
utilizan la media
.r,
desviacin estndar o y la asimetra
T;
es muy comn en aplicaciones
hidrolgicas evaluar la funcin de densidad acumulada con factores de
frecuencia, evitando de sta manera la integracin de la funcin de densidad.
Existen tablas para los factores de frecuencia K, los cuales son funcin de la
asimetra corregida CJ y del perodo de retorno Z; por 1o tanto, para
estimar la magnitud del caudal con un perodo de retorno deseado, se calculan
los momentos de los datos: media
g
y desviacin estndar sn y luego se
utiliza la siguiente frmula:
Q,
=
Q+K(CS.T)'Sn
Este procedimiento
es satisfactorio para los perodos de retorno
mostrados en la tabla, pero no es apropiado interpolar en la tabla para otros
7
Hidrologa / David Cedeo
z 1l
intrvalos de recurrencia. El procedimiento correcto sera efectuar una
interpolacin grfica
en el diagrama de caudales en funcin de perodos de
retorno. Adems, este es el procedimiento para el problema inverso de
encontrar la probabilidad (y por
consiguiente, el
perodo
de retorno)
correspondiente a un caudal de una magnitud dada.
Alternativamente, los dos tres
parmetros de la distribucin Gamma
se pueden
calcular y a continuacin se utilizan las tablas de la funcin de
densidad acumulada que aparecen en algunos librcs de estadstica para
determinar la probabilidad.
La distribucin Gamma de dos
parmetros (Gamma - 2) corresponde
al establecimiento del lmite a la izquierda de la funcin de densidad en el
valor cero
(.
:
0); en ste caso no se requiere calcular la asimetra de la
muestra, ya que
se puede utilizar la siguiente relacin para
estimar ese valor:
cs =
t
=
2.cv2
Por lo tanto, podemos
obtener el coeficiente de asimetra requerido para
encontrar el factor de frecuencia K de la siguiente manera:
cs
)
,(+
7
Facto de Frecuenca K para las Distribucnes: camma, Pearson Tpo 3 y Log Pearson Tpo 3.
lhtrvelo d Rcurrnc cn Ao! T
3.0
2,9
2,4
2.7
2.6
2.5
2,3
2.2
2.1
2.O
1.9
1.8
1.6
1.5
1.4
1.3
4.2
'1.1
't.o
0.9
0.8
o.7
0.6
0.5
0.4
0.3
o.2
0,1
o.o
-0.1
4,2
-0.3
4,4
-0.5
-0.6
4.7
J).8
.9
-1.0
-1.1
-1.2
-1.3
-1.4
.1.5
-1.6
-1.7
-1.8
-1.9
-2.O
-2.1
-2.2
-2.4
-2.5
-2.6
-2.7
-2.9
3.0
o.48
0.t50
0.479
0.,1!t9
0.518
0.537
0.555
0.574
0.592
0.509
o.627
0.513
0.560
0.675
0.690
0.705
0.719
o.732
o.745
0.754
0.769
0.780
0.790
0.800
0.808
0.816
o.424
0.830
0.836
o.442
0.446
0.850
0.853
0.855
0.856
0.857
0.857
0.856
0.854
0.852
0.8rl8
0.844
0.83a
0.832
0.825
0.817
0.808
0.799
0.788
o.777
0.765
o.752
0.739
o.725
o.711
0.696
0.681
0.656
0.651
0.636
1.195
1.210
1.224
1.234
1.250
1.262
1.274
t2a4
1.294
1.302
1.310
l.3la
1.324
1.329
1.339
1.340
1.341
1.3&
1.339
1.336
1.317
1.309
1.301
1.292
1.242
1.270
l.25A
1.26
1.231
1.216
1.200
t.183
1.166
1.147
1.124
1.107
1.086
1.064
1.O41
l.ot8
0.994
0.970
0.945
0.920
0.495
0.469
0.444
0.a19
0.795
o.771
o.747
o,724
o.702
0.681
0.660
2.277
2,275
2.272
2.267
2.262
2.256
2.28
2.26
2.230
2.219
2.207
2.193
2.179
2.163
2.16
2.124
2.104
2.O47
2.056
2.O43
2.018
1.993
1.967
1.939
1.9'10
1.440
L849
1.818
1.785
1.751
1.716
1.880
1.543
1.506
1.567
1.52a
.448
,1.48
1.&7
1.366
1.324
1.2&
1.194
1.157
l.ll5
't.075
'f.035
0.996
0.959
0.923
0.488
0.455
0.423
0.793
0.764
0.738
o.712
0.683
0.656
3.134
3.114
3.093
3.071
3.044
3.023
2.997
2.970
2.942
2.912
2.a41
2.48
2.415
2.7aO
2.743
2.706
2.666
2.426
2.585
2.542
2.498
2.453
2.67
2.359
2.31,1
2.261
2.211
2.159
2.107
2.O54
2.000
1.945
L890
La34
1.777
1.720
1.563
1.606
1.549
1.492
1.379
1.324
1.270
1.217
1.155
1.116
1.069
1.O23
0.940
0.939
0.900
0.864
0.830
0.794
0.764
o.740
o.714
0.649
0.666
4.667 -0.396
4.690 .390
4.714 .384
4.740 ).376
4-769 4.368
4.799 4.360
4.832
.0.351
4.867 -0.341
4.905
"0.330
{.9,15 .319
{.990 -0.307
'-1.037 4.294
-1.087 4.2A2
-1.14 .268
-1.197 4.254
t_256 4.2&
f .318 4.225
.3a3 4.210
-,1.4d9 -0.195
-1.518 {.1a0
-1.588 {.164
-1.660 4.r
.733 4,132
-1.806 4.116
-l.aao og9
-1.995 -0.0a3
-2.029 -0.066
-2.104 -0.050
-2.17a -0.033
-2.252 4.017
-2.326 0.000
-2.400 0.017
-2.472 0.033
-2.544 0.050
-2.615 0.066
-2.686 0.083
-2.755 0.099
-2.424 0.116
-2.491 0.132
-2.957 0.148
3.022 0.164
3.087 0.1a0
3,149 0.195
,211 0.210
3.271 0.225
.330 0.2&
3.388 0.254
-3.444 0.268
3.499 0.2A2
3.553 0 294
3.605 0.307
3.556 0.319
3.705 0.330
3.753 0.341
.800 0.351
3.845 0.360
3.489 0.36a
3,932 0.376
-3.973 0.384
-4.013 0.390
-4.051 0.396
4,051 4.970
4.013 4.904
3.973 4.A47
3.932 4.783
3.449 4.714
3.74{t 4.652
3.aoo 4.584
3.753 4.515
3.705 4.444
3.656 4.372
3.605 4.294
3,553 4.223
3.99 4.147
3.444 4.069
3.344 3.990
3.330 3.910
3.271 3.a28
3.211 3.745
3.'149 3.661
3.087 3.575
3.022 3.89
2.957 3.&1
2.a91 3.312
2.424 3.223
2.755 3.132
2.686 3.041
2,615 2.949
2,544 2 456
2.472 2.763
2.&O 2.670
2.326 2.574
2.252 2.82
2.174 2.33a
2.,104 2.294
2.029 2.201
1.955 2.104
l.aao 2.016
1.806 1.926
1.733 1.837
1.660 1.749
l.saa I 664
1.514 1.58.1
,1.449
1.501
1.343 1.424
1.31A 1.351
'1.256 1.2a2
1.197 1.216
1,1& 1.155
1.087 1.097
1.037 1.044
0.990 0.995
0.9,16 0.949
0.905 0.907
0.867 0.869
oa32 0 933
0.799 0.400
0.769 0.769
0.740 0.741
0.714 0.714
0.690 0.690
Fuentef Haan, C.T., 1377, Slaai.aical Methods in Hlldrology,lowt
g.ate
ljnvrsity Press, Anes.
Hidrologa / David Cedeo
Ejemplo 26: Distribucin Gamma
234
Utllizar los datos de caudales mximos registrados en la estacin de
aforo
para
calcular la magnitud del caudal con un
perodo
de retorno de 100
aos, utilizando las siguientes distribuciones de 2 y 3 parmetros:
a) Gamma - 2
b) Pearson Tipo 3
Adems, describir la funcin de densidad de probabilidad y sus parmetros.
Advertencia: El problema inverso de encontrar et periodo
de retorno para
un
caudal de 10,000 p3/s
requiere una grfica de caudales en funcin de Ia
probabilidad
cuando se utiliza la distribucin Gamma; por lo tanto, no lo
vamos a calcular en esta ocasin.
Solucin:
a) Distribucin Gamma - 2:
Media y Desviacin Estndar de la Muestra .
O
=
4,144 p3
/s
So = 3,3llP3/s
Coeficiente de Asimetra:
/ \2
cs =
,lLl
= zf
,rr'1'
= 2(0.7ee)2 = 1.277
loJ
\+'t+t)
r
I
I
I
I
I
l
I
I
I
I
I
I
I
t
I
I
I
I
Hidrologa i David Cedeo
Factor de Frecuencia
(obtenido
interpolando en la tabla):
a?tr
K = K(CS=r.227,r=loo) = 3.1e7
Magnitud del Caudal
para un Perodo de Retorno T
:
100 aos:
Qtoo
--
Q+KxSo
=
4'144+3'197
x3,111
Q
ro,
=
14,730
P3
ls
Funcin de Densidad de Probabilidad
para la Distribucin
Gamma - 2:
\9 O9-t e'xQ
f@)
=
'"
z -
; Q>o
f(B)
Parmetros de la Distribucin Gamma - 2:
L =
O
= 3.280,. lo-a
s.' (3.31 1
)2
12
/
-
\2 / \r
p
=
l_9_l
-
[
4,t44
l'=
1566
\
sn
/
\
3,31r
/
Observacin: La funcin de densidad de probabilidad para la distribucin
Gamma - 2 se ajusta de manera adecuada a la distribucin emprica de los
caudales mximos registrados
(histograma
de densidad), tal como se puede
apreciar en la siguiente
grfica.
c
a
8o
Ov
a
o
f
o
o
e
ao
J
-
'
riE
'q
a_
z
f t
to
<9
ac
)d
=u1 !r=
F
r-t
I
LJ 'f
d,lr
e
t
2.8
n
l? Fl
)6-
F- r.l
vl a
l.1
(4
dz.
t- f
2A
tl
r.t
'a, A
o7.
<U
4?.
<5
Ff{
:
Q
q88
rr
uj
r. .t.
gEEE
vr,.rd
ti
FFSIEF
(ol
Hidrologa
/ David Cedeo
231
b) Distribucin Pearson Tipo 3:
Media, Desviacin Estndar y Coeficiente de Asimetra Corregido,
utilizando los momentos de la muestra:
0
= 4,144 p3 ts
So = 3,311 p3 ls
cs = 1.981
Factor de Frecuencia (obtenido
interpolando en Ia tabla):
K = rK(CS=1.981,2=100)
= 3.595
Magnitud del caudal para un perodo de retorno Z: 100 aos:
Qroo
=
8"K'Sn =
4,144
+3.595x3,3
ll
.,
Q
too
=
16'050
P3
ls
Funcin de Densidad de Probabilidad para la Distribucin
Pearson Tipo 3:
LF (O
-
eF-r ,-L(Q-.)
f
(Q)
f(p)
; Q>e
I
I
I
I
I
I
I
??a
Hidrologa
i David
Cedeo
Parmetros
de la Distribucin
pearson
Tipo 3:
B
=
(+)'=
(t+)'=,0,e3
L=
= 3.049
"
l0-
a
=
O
- t,
t[l
= 4,t44
-:,:u
/
r-orx
= 801.35 p3ls
Observacin:
En la siguiente grfica
se muestra
el ajuste de la funcin de densidad
de probabilidad
para
ra distribucin
pearson
tipo 3 a la distribucin
emprica
de los caudales
mximos registrados (histograma
de densidad) y en la misma
podemos
apreciar el lmite
a la izquierda
:
e
> e
"
B0O p3
ls .
_@
sn
o*
a
o
J
eo
E<
()
J
..
-l a-
7,
e
x
rpr
AZ.
<o
.u
vl-
2
H
.I
\-
<J
U
2
tr
a,o
l.l
7.4
I.)J
FF]
Uc
;r?
q
d9
(t ir
<^
&tt
r- v)
2.
-4
Z
l-t
?7
<U
lZ
P
U
o
<J
i
tJ
c)
o
a
c)
t].t
o
o
9
f
u.t
CJ
o
C]
3
lrl
(f
o
c)
".1
3
tl
o
a
o
o
r-t
3
r.1
o
ci
o
ll
o
o
o
ci
3
ul
o
o
o
q
(oli
I
l
I
I
I
I
I
I
I
I
I
I
I
I
l
I
I
I
I
Hidrologa / David Cedeo
DISTRIBUCION LOG PEARSON TIPO 3
240
Cuando se aplica la distribucin Gamma de tres
parmetros a los
logartmos de los datos de variables aleatorias
(datos
transformados),
generalmente
se le denomina distibucin Log Pearson tipo 3. Esta
distribucin tiene un
papel muy importante en hidrologa debido a
que
ha sido
recomendada por
el U.S. Interagency Advisory Comittee on Water Data
(1982)
como la distribucin de probabilidad que debe ser aplicada a los
caudaies de inundacin.
La forma de la distribucin Log Pearson tipo 3 es bien flexible debido
a que utiliza tres parmetros y su uso es completamente similar a la
distribucin Log Normal discutida previamente; sin embargo los momentos
de los datos originales y transformados no esln relacionados en esta ocasin.
Por el contrario, los datos son transformados tomando logartmos
(de
base e
base 10) de la siguiente manera:
y
= loe(Q)
y la distribucin Gamma - 3
se aplica exactamente como se hizo en la seccin anterior. Esto significa que
las magnitudes de los caudales se pueden calcular directamente
para los
perodos
de retorno mostrados en la tabla, pero el problema inverso de
determinar el perodo de retorno
(
la funcin de densidad acumulada)
correspondiente a una magnitud dada solamente se puede resolver
grficamente.
I
I
t
Hidrologa / David Cedeo
24L
I
Ejemplo 27: Distribucin Log
pearson
Tipo 3
I
Utilizar los datos de caudales mximos registrados en la estacin de
I
aforo para
calcular la magnirud del caudal con un perodo
de retorno de 100
aos aplicando la distribucin Log Pearson tipo 3; dems, describir la funcin
I
de densidad de probabilidad y los parmetros
de la distribucin.
I
)o luc ron
I
I
-r*nsformacin
de los Datos (logartmos
de base r0):
y
= log,o (0)
Media, Desviacin Estndar y
Coeficiente de Asimetra Corregido para
I
los datos transformados:
I
I
I
I
I
I
t-
I
Y
= 3.463
s = 0.424
v
c,s = -1.117
Factor de Frecuencia (obtenido
interpolando en la tabla):
K
= K(CS=
-1.117, f = 100)
= 1.504
Variable
Transformadai
I,oo
= logro (0roo
)
I,oo
= f
*,KrSy
= 3463 +1.504x0.424
=
4.101
Hidrologa / David Cedeo
Por lo tanto, la magnitud del caudal paraT
-
100 aos es:
242
Qro,
= 16rtt
=
16(a
lot)
=
12,6.10
P3
/s
Funcin de Densidad de Probabilidad para la Distribucin
Log Pearson Tipo 3:
f
(o)
; Q
> e',
0
f (p)
Donde I = log,o(Q) y laconstantenumrica ln(10) =
2.3 se
debe al cambio de base de los loeatmos.
Parmetros de la Distribucin Log Pearson Tipo 3:
p
(+)' (
. \z
'
| = 3206
- r.rtt
)
l=
= 1.836
2.3 (0.424)
= z:ql
-s,
1r- I
= 23(3.463-0.424r|;.zoe
>
=
6.227
Lmite de la Funcin a la Izquierda:
,lT
2.3 sY
O
> e'= exp(6.227)
= 506.22
p3
ls
z
<o
6a
6f
FH
-,
AY
.tz
?=
U
Fd
g
-.
hla
:f
A
Fl
< t
r. a
2Fl
f.
2
A rJ
uf
<A
4z
A
++se8
HHHH
Hqsge
(.rF_-jo
+sBs
HHg
xlJo
q38
!tt<.(i
(o)
Hidrologa
/ David Cedeo
244
DISTRIBUCION
GLIN{BEL (Valor
Extremo Tipo I)
Est funcin de densidad de probabilidad
surge de la teora de valores
extremos desarrollada por
Gumbel (1958).
La distribucin tiene una forma
adecuada; pero
al igual que
la distribucin normal, carece de lmites en ambos
extremos;
sin embargo, la posibilidad
de un valor menor de cero (por
ejemplo, caudales negativos)
es de muy poca preocupacin
en su aplicacin.
Unavez ms, no se requiere la funcin de densidad de probabilidad, ya que
la funcin de densidad acumulada tiene la siguiente forma particular
de una
doble exponenciacin:
F(x)
= erp{-exp[-a(x
- z)]]
; -c<x<6
La funcin anterio puede
ser evaluada fcilmente
sin necesidad de
tablas y en la misma, el parmetro
d es un factor de escala y
el parmetro
es la moda. Estos parmetros
estn relacionados con el promedio
r
y la
desviacin
estndar o por
medio de las siguientes expresiones:
u=P
"G
Las cuales proporcionan
una forma de estimacin de los parmetros por
el
mtodo
de momentos.
Se ha demostrado
tambin que
no es necesario efectua
I
l
I
I
I
I
I
I
I
l
Hidrologa / David Cedeo 245
correcciones para tomar en cuenta el nmero de datos n en Ia evaluacin de
c y
u. La asimetra
v
de la distribucin de Gumbel tiene un valor
constante igual a 1.1396.
El argumento del exponencial interno: y
= d (x
-
u) se denomina
la variable reducida y
debido a
que la misma es una funcin nica de la
frecuencia F = | - 1/T
(laeual
est relacionada con el
perodo
de retorno
I), estr variable se puede :utilizar para
obtener una grfica
de la distribucin
en forma lineal utilizando factores de escala adecuados.
Si la funcin de densidad acumulada se utiliza en combinacin con las
relacones de momento para
obtener la variable X en trminos de Ia
frecuencia F del perodo
de retorno 7, se puede derivar facilmente un
factor de frecuencia K:
K = -0.7797Y 0.5772- o77e.t,nl,"(+)
]
K
= -0.77e7
x
05772
- o77s7"l'"(,=)
El factor de frecuencia: K =
(X
-
p)/ o
x
se puede
utllizar para
obtener
directamente el valor de la variable X; es decir: X
=
v
*
K ax .
Si la funcin de densidad acumulada se evala para el valor promedio:
X
=
p se encuentra que su magnitud es: F(f.)
=
0.57;por 1o tanto, el
perodo
de retorno para
la media
,r
es: T, = Il(1
-
F) =
2.33 aos. St
existe una grfica
de caudales en funcin del
perodo de retorno, algunas
Hidrologa / David Cedeo
246
veces se usa la informacin anterior
para estimar de manera rustica el valor
promedio de los caudales, suponiendo
que los mismos obedecen a una
distribucin de Gumbel.
9=t1
Distribucin Gumbel
Utilizar nuevamente los datos de caudales mximos registrados en la
estacin de aforo
(serie
anual mxima) en combinacitTcon
la Distribicin de
Gumbel para encontrar la magnitud del caudal con un perodo de retorno de
100 aos; adems, encontrar la
probabilidad de
que la magnirud del caudal
sea menor igual a 10,000
p'ls y su respectivo
perodo de retorno'
Solucin:
Media y Desviacin Estndar de la Muestra:
O
=
4,744 p3 /s
So = 3,377 p3/s
Funcin de Densidad de Probabilidad:
fQ)
= d exp\-*tO -
u) -exp[-c
tO
-
r)l\ <
Q
<
a
Parmetros de la Distribucin Gumbel:
tnG 3JnG
=
3.874
^
lo-a slp3
7
I
I
I'
I
Hidrologa
/ David Cedeo
u
=
e-
0'5772
= 4,144-
0.s772
= 2,653.9 p3
/s
3.874x IO-a
Factor de Frecuencia
K para
Z
-
100 aos:
K
= -0.450
-o77s7rl,,,lrqg)l
= 3.137
[ \
ssl]
Magnirud
del Caudal:
Qroo
=
Q*KSB = 4,144+3.137 x3,3
1l
= 14,5j0p3/s
Funcin de Distribucin
Acumulada:
F(Q)
= exp{
-"*p[-
"@
-
u)Jl
Probabilidad:
F(10,000)
= exp
{-"rp[
-3.874x l0-4(10,000
_
2,653.g)]l
p
(Q < 10,000 p3ls)
= '(10,000)
= 0.943
Perodo de Retorno:
-ll
18 aos
|
- F
I - 0943
{l
I
o
()
a
F+qqqqqqs
W
ur rlj uJ ru rjJ .-+.
ooooooc';;r.u
eooooo9
9oooo^
roaxo
;'-,j:;;;x-c
(ol
2
(JO
Z F.(
t
2t(
dbr
u)X
ZY
r-t
. I-
)D
oz
9i'
O
it
4
ri
Zj
o
?
Xoi
'th
J
ce
4.
'\
ca
t r'J
zc
Y
9A
v
1i
EH
()
Hidrologa / David Cedeo
249
Comparacin de Resultados
Distribucin
Caudal Pronosticado
para
T: 100 aos
Asimetra
Calculada
Normal 11,850 p3ls 1.98
Log Normal:
Datos Transformados
Mtodo de Momentos
28,130 p3ls
17,690
p3ls
- 1.12
Gamma - 2 14,730 p3ls 1.28
Pearson Tipo 3 16,050
p3ls 1.98
Log Pearson Tipo 3 12,610 p3/s - t.l2
Gumbel 14,530 p3/s 1.98
Observacin:
Los caudales pronosticados para un perodo de retorno de 100 aos
varan al utilizar cualquiera de las 6 distribuciones de probabilidad estudiadas
en sta seccin, las cuales fueron aplicadas a la misma serie anual mxima
(caudales
registrados en la estacin de aforo). Es importante sealar
que
el
mejor ajuste se debe determinar grficamente comparando la funcin terica
de densidad de
probabilidad
con la funcin emprica
(histograma
de
densidad). Adems, podemos
observar
que la asimetra tambin afecta el
ajuste de los datos a una funcin de densidad de
probabilidad y en el caso de
la distribucin normal, la funcin terica es simtrica,
pero
el mtodo de
momentos estima una asimetra corregida diferente para los datos.
REFERENCIAS
Bedient,
P. B.
y N. C. Hubert
,1gg2'
Hydrology
and Floodplain
Anafiss'
Second
Edi.tion,
Addison
- Wesley
Publisghing
Co'' Reading'
Massachusetts.
Chow,
V. T., D. R. Maidmenty
L'W'
Mays'
1988' AppliedHydrology'
McGraw
- Hill Publishing
Co', New
York'
Linsley,R.K.,M.A.Koh]eryJ'L'H'Paulus'1982'Hydrologyfor
Engineers,Thid
Edition,
McGraw
- Hill Book Co" New York'
Maidment,
D. R.
(edito)
,
1'993, Handbook
of Hydralogy
'
McGraw
- Hill Inc., New York'
Raudkivi,
A'. J., 1979, Hydrology,
Pergamon
Pess'
Oxford'
England'
Shaw, E. M.,lgg4,
Hydrology
in Practice'
Third Edrtion'
Chapman
& Hai1, London.
Viessman,
W., G. L' Lewis
y J' W' Kapp'
1989'
Introduccon
to
Hydrology,
Third Edition,
Harper
Collins
Publishers'
New York'