UNIVERSIDAD DE CUENCA

FACULTAD DE INGENIERA
ESCUELA DE CIVIL

DISEO HIDROLGICO
USO DEL PROGRAMA ECQ APLICADO A
CAUDALES DE LA ESTACIN TOMEBAMBA EN
UCUBAMBA
AUTORES:
CARLOS PADILLA
CARLA PESNTEZ
CHRISTIAN TAPIA
CUENCA, 16 DE ENERO DE 2015

Introduccin
En el presente trabajo se realizar un anlisis de los valores extremos de los
datos de caudales obtenidos a partir de la Estacin de Tomebamba en
Ucubamba. Este anlisis se llevar a cabo a travs de dos programas muy
importantes en el anlisis para el diseo de estructuras hidrulicas, que son el
WETSPRO, en el cul se obtendr a partir de la herramienta POT la identificacin
de eventos independientes, a travs de las metodologas que la herramienta
proporciona. El segundo programa a utilizar es el ECQ (Hydrological extreme
value analysis tool), en el cual se realizar el anlisis de los valores extremos los
cuales son muy tiles al momento del diseo. Se realizar tanto para los datos
dados como para sus inversos, que representan las sequas.

Objetivos:
1. Obtener las grficas representativas de la separacin de flujos, en el
programa WETSPRO.
2. Obtener los POT tanto de los datos dados como de sus inversos.
3. A partir de los datos obtenidos en la herramienta POT, se obtendrn
grficas representativas de los valores extremos con sus respectivas
pendientes.

Marco Terico:
1. Software Westpro: Water Engineering Time Series Processing tool. Se
utiliza como una tcnica numrica de filtrado, que est basada en
reservorios lineales, para la separacin de flujos. Depende de la entrada
de caudales, la calibracin de las constantes de recesin para cada uno de
los flujos y el parmetro w el mismo que es considerado como una
fraccin que simula la variabilidad en tiempo de la acumulacin de las
series de caudal para cada uno de los subflujos, este valor es desconocido
por lo que necesita ser calibrado; es considerado como una variable de
tiempo discreta [1].
2. Herramienta POT: Peak Over Threshold, incluida en el software
WETSPRO, facilita la identificacin de eventos independientes en 3
metodologas diferentes basados en la seleccin de caudales picos
independientes [2].
a. Basado en el flujo base (Baseflow).
b. Basado en el flujo base y flujo intermedio (Baseflow + interflow)
c. Independiente en subflujos.
3. Separacin de Flujos: Para el proceso de separacin de flujo debemos
entender primero la definicin de un hidrograma.
Teniendo un conocimiento de los hidrogramas pasamos al proceso de
separacin de flujos.
Para la separacin de flujos utilizamos el programa WETSPRO (Water
Engineering Time Series Processing tool) versin 2.0, 2004. Se utiliza como
una tcnica numrica de filtrado, que est basada en reservorios lineales,
para la separacin de flujos. Depende de la entrada de caudales, la
calibracin de las constantes de recesin para cada uno de los flujos y el
parmetro w el mismo que es considerado como una fraccin que simula
la variabilidad en tiempo de la acumulacin de las series de caudal para

cada uno de los subflujos, este valor es desconocido por lo que necesita
ser calibrado; es considerado como una variable de tiempo discreta.
Sobre la base del filtro, la serie de las descargas totales de escorrenta se
puede dividir en la serie de sus subcomponentes: el flujo superficial,
subsuperficial y caudal base. El procedimiento de separacin se basa en la
clara diferencia en el orden de magnitud de las constantes de la recesin
de los subflujos de escorrenta. El flujo base se separa primero de la
descarga total de lluvia y escorrenta. Flujo interno se separa luego de la
descarga combinada de la escorrenta superficial y subsuperficial [2].
4. Seleccin de eventos independientes: Sabemos que un anlisis de
frecuencia nos ayuda a determinar la frecuencia o probabilidad de
ocurrencia de un evento, con el uso de distribuciones de probabilidad
estadsticas o empricas.
Para la ejecucin de un anlisis de eventos extremos, es recomendable
identificar primero los eventos y luego analizarlos por separado.
Para desarrollar el proceso que nombramos en el prrafo anterior dentro
del WESTPRO, existe una herramienta llamada POT (Peak Over Threshold),
la cual nos permite realizar una seleccin de eventos independientes en
base de la seleccin de caudales picos independientes.
Para este desarrollo tenemos tres mtodos:

Mtodo basado en el flujo base

Aqu dos picos sucesivos de descarga pueden considerarse en gran
medida independientes cuando la ms pequea descarga entre los dos
picos alcanza casi el valor del flujo de base.
Una descarga pico mxima puede ser considerada independiente de
otra cuando la descarga mnima
Un caudal mximo puede ser considerado como independiente de la
anterior, cuando para la descarga mnima q min entre dos picos - la
diferencia de este caudal mnimo con el valor flujo de base q base (o
flujo de base + interflujo) es ms pequeo que una fraccin limitada f
de la descarga pico q max.

q base
q min /q max

<

As mismo cuando q base es mayor a q min, el caudal mnimo se puede

considerar cerca de la descarga del flujo de base, y el pico de descarga
puede ser considerado como independiente de la anterior.

Mtodo basado en el flujo base ms el interflujo

El mismo mtodo se puede aplicar tambin utilizando el flujo de
base + interflujo.

 Mtodo independiente de los subflujos

Un criterio ms fcil es el uso de la 'constante de recesin' de flujo
superficial o la combinada recesin constante de flujo superficial y
subsuperficial.
Segn la definicin de la constante de recesin de un componente
de flujo, el
componente de flujo alcanza un valor inferior a 37%
de su valor de pico despus de un perodo de tiempo seco ms largo
que la constante de recesin.
Dos picos sucesivos pueden considerarse independientes cuando el
tiempo p entre los dos picos es ms largo que la constante k
recesin, y cuando el caudal mnimo entre estos dos picos es menor
que una fraccin f de la descarga mxima (por ejemplo, menor que
37%) [2].
5. ECQ (HYDROLOGICAL EXTREME VALUE ANALYSIS TOOL): En el
anlisis de valores extremos se analiza la cola de la distribucin que
describe la probabilidad de ocurrencia de eventos extremos y modelados
por una distribucin independiente. Los extremos considerados podran
existir en precipitaciones de intensidades extremas, volmenes de
tormenta, los niveles de agua, vertidos, los parmetros de calidad del
agua, etc [3].
Tres clases de distribucin:
En trminos de la funcin media de exceso, las tres clases del ndice
de valores extremos pueden ser marcadas:
<0: disminuye el exceso de medios (hacia los valores ms altos)
en la cola de la distribucin; esto significa que la media de
superacin de un umbral disminuye de umbrales ms altos; esto
corresponde a la limitacin de la X en esta clase.
= 0: la media de exceso tiene un valor constante (esto es una
propiedad bien conocida de la distribucin exponencial).
> 0: la media de exceso de aumentos en la cola.
a. UH- Estimacin del ndice del valor extremo:
Beirlant ha demostrado que, cuando la cola de la distribucin
estudiada converge a un GEV o distribucin GPD, el grfico UH tiene
un comportamiento lineal asinttico. La pendiente de la lnea es
igual a las

ndice de valores extremos:

Incluso si slo unas pocas observaciones extremas estn

disponibles, el comportamiento lineal asinttico ya se puede
observar en el UH-plot en muchas aplicaciones de ingeniera
hidrulica. En algunos casos, con muchas observaciones, incluso se
puede observar una tendencia lineal perfecta.
Debido a la naturaleza asinttica de la trayectoria lineal de los
puntos en el UH-trama, ms peso tiene que ser dada a las
observaciones ms altas en la estimacin de . Por esta razn,

una regresin lineal ponderada por encima de cierto umbral xt (t

m) se realiza en el UH-parcela para estimar

Con los pesos wj que se pueden elegir igual a (estos son derivados
por Hill (1975)), y son, por tanto, tambin llamados 'Hill-pesos':

El umbral ptimo xt, por encima del cual la regresin ponderada

tiene que ser realizado en una estimacin ptima de , es el umbral
que minimiza el error cuadrtico medio (MSE) de la regresin:

b. ndice de valor extremo Positivo - Pareto grfico cuantil

(plot)
Para la mayora la distribucin tpica de la clase > 0 es la estricta
distribucin de Pareto:

Las otras distribuciones de esta clase son, por lo tanto llamadas

distribuciones de tipo Pareto y tienen la misma forma en la cola. El
parmetro = 1 / tambin se llama ndice de Pareto.
Debido a la convergencia de la funcin cuantil U (p) a una
trayectoria lineal en la trama cuantil Pareto (con pendiente):
Los ndices de valores extremos tambin pueden estimarse en la
trama cuantil Pareto en la misma forma que se estima en el UH-plot.
Expresiones asintticas de la varianza del estimador
incluso
muestran una estimacin ms precisa.
Cuando se utiliza el monte pesos, el estimador de mediante la
trama cuantil Pareto es igual a la que fue sugerido por Hill (1975):

Este 'Hill-estimador' es el primer estimador introducido para la

estimacin del ndice de valor extremo en el caso > 0 y se ha
utilizado con xito en muchas aplicaciones. Se demuestra
fcilmente que el Hill-estimador es tambin igual al exceso medio
(el incremento medio de la trama cuantil Pareto del umbral en xt),

como se defini antes. En este lugar, la notacin UH se puede

explicar. La letra H est de pie para el Hill-estimador (desde el
umbral de encendido) y la letra U est de pie para la funcin cuantil
cola (en este caso evaluado en el umbral).
De una manera ms general, el uso de cualquier funcin de los
pesos, la siguiente ecuacin se puede usar para:

Cuando la frmula para el monte de los pesos se llena en esta

frmula y se usa la de la aproximacin:

Y la frmula para la estimacin de Hill es encontrada.

El MSE de la regresin lineal pesado en la trama cuantil Pareto viene
dada por:

La varianza asinttica del estimador de Hill- (usando el monte de

pesos) se encontr que:

Si las observaciones son POT-valores, una distribucin GPD se

puede montar encima de un umbral ptimo xt, que es tambin un
parmetro en el GPD. Los parmetros restantes no tiene que ser
calibrados en ese caso, es igual a:

Esta ltima expresin puede determinarse teniendo en cuenta la

trayectoria lineal asinttica en la trama cuantil Pareto:

y mediante la insercin de la expresin de la distribucin GPD G (x):

Cuando se consideran umbrales altos xs (s> t), el GPD sigue siendo

vlido despus de la adaptacin de los parmetros :

Para umbrales ms bajos, hay que buscar otro tipo de distribucin

en la clase > 0, que puede describir la desviacin de la trayectoria
lineal debajo xt en el plot de Pareto cuantil. Para cada distribucin
Fx(x) en esta clase, una relacin se encuentra entre los parmetros
de la distribucin y el ndice de valores extremos. Los dems
parmetros se pueden determinar mediante la maximizacin del
acuerdo entre la distribucin y la trayectoria lineal por encima de xt
en la trama cuantil Pareto.
El caso lmite =0 se puede observar como una pendiente
continuamente decreciente en la trama cuantil Pareto; los puntos
siguen rechazando a una lnea horizontal (pendiente asinttica de
cero).
c. ndice de valor extremo Cero - Weibull parcela cuantil
La distribucin ms tpica es =0, que es la distribucin de Weibull:

Las otras distribuciones de la clase se llaman distribuciones de tipo

Weibull.
El parmetro de forma se denomina el ndice de Weibull y, como
el ndice de valor extremo, es una medida de la pesadez de la cola
de la distribucin, aunque de otra manera:
> 1: la luz o "super-exponencial 'cola
= 1: distribucin exponencial
0 < <1: cola 'sub-exponencial' pesado o
El sub caso = 0 puede considerarse como un caso lmite para las
distribuciones de tipo Weibull; que corresponde a la clase de Pareto.
Anlogamente al ndice de valor extremo, el ndice de Weibull se
puede estimar mediante una regresin lineal ponderada en la trama
cuantil Weibull; Distribuciones de tipo Weibull convergen en una
trayectoria lineal con pendiente 1 / en la trama cuantil Weibull:

El siguiente Hill - type estimador de 1 / , se puede usar el monte

pesos, se puede determinar mediante:

es el Hill-estimador basado en la parcela cuantil Pareto y at

igual a:

En la varianza asinttica de este estimador para (usando el monte

de pesos) se encontr que:

El umbral ptimo puede determinarse tambin mediante la

minimizacin del MSE de la regresin ponderada en la trama cuantil
Weibull:

d. ndice de valor extremo Cero - exponencial plot cuantil

Cuando se determina un ndice de Weibull cerca de 1, la posibilidad
= 1 puede ser probado por medio de un QQ-plot exponencial. La
pendiente de una (eventual) trayectoria lineal asinttica de los
puntos de esta trama es igual al nico parmetro de la
distribucin exponencial:

Anlogamente al ndice de valores extremos y el ndice de Weibull,

los ndice puede estimarse mediante una regresin lineal
ponderada en la trama cuantil exponencial:

El uso de Hill-pesos, el siguiente estimador se encuentra (el

estimador de Hill Tipo de ):

El umbral ptimo puede determinarse tambin mediante la

minimizacin del MSE de la regresin ponderada en la trama cuantil
exponencial [3]:

DESARROLLO
Para el desarrollo de este anlisis se utilizar el mtodo con
eventos extremos independientes Peak-Over-Threshold (POT) o
Partial-Duration-Series (PDS).
1. Obtencin de la separacin de flujos en el programa WETSPRO
Flujo Base e Interflujo:

Imagen 1. Datos Ingresados en el WETSPRO

Imagen 2. Flujo Base

Imagen 3. Interflujo

Imagen 4. Filtro de Flujos

2. Anlisis de eventos Independientes, herramienta POT

Imagen 5. Datos ingresados en la herramienta POT

Imagen 6. Separacin de eventos independientes

3. Resultados de la herramienta POT

Imagen 7. Datos obtenidos de la separacin de eventos independientes

4. Uso del ECQ para Caudales de sequa y caudales normales.

Se empezar el anlisis con caudales normales, tomados en la
Cuenca del ro Tomebamba.
a. Para los eventos de flujos rpidos, se tiene:

1. Grfica de Exponencial Q-Q PLOT

Imagen 8. Curva de observaciones Q-Q PLOT

En esta grfica se observa las variaciones en las observaciones, en

donde los puntos superiores de la cola tienden hacia una lnea
recta; sin embargo todava no est ajustada. Se obtiene ahora la
grfica de la pendiente y el error MSE:

Imagen 9. Error MSE, pendiente y valores de xt

Para este caso se observa que el error va disminuyendo a medida que aumenta
el valor de xt, que no estara en lo correcto, mientras que la pendiente se
mantiene ms o menos en un mismo valor, entre 60 y 80. Ahora se ajusta
buscando un xt, que para este caso se le toma xt=13, obteniendo:

Imagen 10. Grfica de la funcin Exponencial ajustada

Se puede observar que los puntos superiores de la cola se doblan hacia arriba y
hay nicamente 2 puntos como valores extremos independientes y tambin
podemos observar valores extremos por debajo de la distribucin que son
alrededor de 5.

Imagen 11. Grfica de error MSE, pendiente y xt ajustada

Sin embargo este tipo de funcin no nos ayuda a obtener la ocurrencia de los
eventos extremos, debido a que el error disminuye en vez de subir. En el
programa ECQ se obtuvo lo siguiente:

Imagen 12. Valores obtenidos en el programa ECQ

Ahora se remplaza estos datos en la frmula de la funcin, para obtener la

grfica de la funcin, as:

Donde las observaciones es el valor de x:

Funcin Exponencial
1.5
1
0.5
G(x)

50

100

150

200

250

-0.5
-1
-1.5
OBSERVACIONES (x)

Grfico 1. Funcin Exponencial obtenida a partir de la fmula

Comparando con la obtenida en el programa ECQ, se tiene que ah es casi lineal

la funcin, mientras que ya calculando con los valores dados por el mismo
programa se tiene la Grfico 1, se tiene una curva diferente, en donde se
observa una distribucin de cola normal.
Tambin se realiza un anlisis para los tiempos de retorno, siendo el perodo de
retorno:

En dnde se tiene la grfica:

Periodo de Retorno Distribucin Exponencial

250
200
150
CAUDAL [m3/sg]
100
50
0

10

20

30

40

50

60

70

PERIODO DE RETORNO [AOS]

Grfico 2. Periodo de Retorno con la distribucin Exponencial

Podemos observar que para valores de caudales mayoeres a 150 m3/sg, se

tienen periodos de retorno altos entre 30 y 70 aos.
2. Grfica de Pareto Q-Q PLOT

Imagen 13. Grfico de los caudales con la distribucin de Pareto

En esta grfica se observa las variaciones en las observaciones, en donde los

puntos superiores de la cola tienden a formar una pequea curva, dando lugar a

una distribucin de cola normal; sin embargo todava no est ajustada. Se

obtiene ahora la grfica de la pendiente y el error MSE:

Imagen 14. Grfico de la Pendiente, el error MSE y el valor de xt para la distribucin de Pareto

Se puede observar que en este tipo de distribucin se tiene que la pendiente

aumenta conforme aumentan los valores de xt, al igual que el error, se puede
tomar a partir del valor de xt=11, para poder ajustar la distribucin:

Imagen 15. Distribucin de Pareto ajustada

En este grfico se observa que la distribucin ajustada tambin presenta una

cola normal, y que alrededor de tres datos forman parte de los valores extremos

independientes y que solamente un dato se encuentra por debajo de la

distribucin. Ahora se tiene el error MSE y la pendiente:

Imagen 16. MSE, pendientes y valor de xt

Se mantiene el hecho de que se tiene una distribucin de cola normal. Ahora

remplazando los datos obtenidos en el programa ECQ:

Imagen 17. Datos obtenidos para ajustar la distribucin de Pareto

Se puede ver que el valor de gamma es mayor a 0, por lo tanto se tiene una
distribucin de cola pesada. Ahora con estos datos reemplazando en la frmula
de la distribucin:

Se tiene la siguiente grfica:

Distribucin de Pareto
5
0

50

100

150

200

250

-5
G(x)
-10
-15
-20
OBSERVACIONES [x]

Grfico 3. Distribucin de Pareto

Se puede observar que con el empleo de estos datos vara un poco la forma de
la curva en comparacin a la obtenida con el ECQ. Ahora aplicando la frmula del
Perodo de Retorno se tiene:

Perodo de Retorno Distribucin de Pareto

250
200
150
Caudales [m3/sg]

100
50
0

10

15

20

25

30

35

40

45

Perodo de Retorno [aos]

Grfico 4. Perodos de Retorno con la Distribucin de Pareto

Se observa que con un perodo de retorno menor a 5 aos hay muchos caudales
menores a los 80 m3/sg, y que son muy pocos los caudales altos con un periodo
de retorno mayor a los 20 aos.
b. Para los datos de Flujo Lento se tiene:
1. Grfica Exponencial Q-Q PLOT
Al igual que los datos de flujo rpido se realiza el mismo proceso y el
mismo anlisis donde:

Imagen 18. Distribucin Exponencial

Se puede apreciar una gran dispersin entre los ltimos puntos dando lugar tal
vez a una distribucin de cola pesada. Ahora la grfica de MSE y de la pendiente
se tiene:

Imagen 19. MSE, pendiente y valores de xt

Se puede ver que el valor del error y de la pendiente aumenta conforme

aumenta el valor de xt. Ahora se realiza el ajuste, donde se escoge un xt=6 y se
tiene:

Imagen 20. Grfica de la Distribucin Exponencial ajustada

Se tiene una distribucin de cola normal, en donde hay 2 valores de extremos

independientes y 2 valores por debajo de la distribucin. Ahora se obtiene la
grfica de MSE y la pendiente con sus respectivos Threshold:

Imagen 21. MSE, pendiente y valor de xt ajustada

Ahora con los datos obtenidos se realiza la grfica de la funcin exponencial:

Imagen 22. Datos obtenidos para la funcin Exponencial

Se tiene la funcin:

Funcin Exponencial
1
0.5
0

G(x)

-0.5

50

100

150

200

250

-1
-1.5
-2
-2.5

Observaciones [x]

Grfico 5. Funcin Exponencial

Se realiza de igual manera el clculo del Perodo de Retorno, obteniendo la

siguiente grfica:

Periodo de Retorno Distribucin Exponencial

250
200
150

Caudales [m3/sg]

100
50
0

10

15

20

25

30

35

Perodo de Retorno [aos]

Grfico 6. Periodo de Retorno Funcin Exponencial

Se observa que con un periodo de retorno menor a 10 aos se tiene caudales

menores a los 150 m3/sg, y que son muy pocos los valores de caudales mayores
a los 150 m3/sg que tienen un perodo de retorno mayor a los 10 aos.
2. Grfica Pareto Q-Q PLOT
Sin ajustar se tiene:

Imagen 23. Distribucin de Pareto

Ahora con respecto al error MSE y la pendiente se tiene:

Imagen 24. MSE, pendiente y valor de xt

El error MSE y la pendiente aumentan conforme aumenta el valor del Threshold.

Para un ajuste se toma el valor de xt=10.

Imagen 25. Distribucin de Pareto ajustada

Al ajustar esta distribucin se puede notar claramente que es una distribucin de

curva pesada en donde el valor de gamma es mayor a cero, y tambin se puede
ver claramente en la grfica en donde pertenecen la mayor parte de los puntos a

aquellos valores extremos independientes. Ahora se realiza la elaboracin de la

grfica de la funcin de Pareto con los datos obtenidos en el programa:

Imagen 26. Datos obtenidos para la funcin de Pareto

Ahora con estos datos se tiene la grfica correspondiente:

Funcin de Pareto
1
0.8
0.6
G(x)

0.4
0.2
0

50

100

150

200

250

-0.2
Observaciones [x]

Grfico 7. Funcin de Pareto

Al igual que los casos anteriores, se obtiene el valor del Perodo de Retorno:

Perodo de Retorno Distribucin Pareto

250
200
150

Caudales [m3/sg]

100
50
0

10

15

20

25

30

35

Perodo de Retorno [aos]

Grfico 8. Periodo de retorno de la distribucin de Pareto

Se puedo observar que una mayor acumulacin de caudales bajos de observan

en periodos de retorno menores a 10 aos con un caudal menor a 60 m3/sg.

SEQUAS
Los datos obtenidos de la sequa se obtienen a partir de los datos de caudales
dados, calculado con la frmula:

Sequa=

1
, Distribucinde Weibull y Exponencial
Caudal dado

O con la frmula:

Sequa=x , Distribucin Pareto

Para este trabajo se utiliz la primera frmula.
Ya obtenidos los valores de sequa se realiza el mismo proceso que se hizo
anteriormente. Entonces partiendo del programa WETSPRO se tiene:

Imagen 27. Datos ingresados en el WETSPRO para la obtencin de datos del POT

Imagen 28. Grfica del Flujo Base

Imagen 29. Grfica del Interflujo

Imagen 30. Representacin de los Flujos separados

Ahora utilizamos la herramienta del POT y tenemos:

Imagen 31. Datos ingresados en el programa

Imagen 32. Grfica obtenida con los datos ingresados con la herramienta POT

Imagen 33. Datos obtenidos de la herramienta POT

Ahora se procede a usar el programa del ECQ, utilizando estos valores para las
distribuciones Exponencial, Pareto y Weibull para:
a. Resultados de periodos de Flujo Rpido
1. Grfica Exponencial Q-Q PLOT:

Imagen 34. Distribucin Exponencial

En esta imagen se puede observar que la cola de la distribucin tiende a ser

lineal, sin embargo con el ajuste se identificar el tipo de cola que tiene. Ahora
se tiene la grfica del error MSE y de la pendiente:

Imagen 35. Valor del error MSE, pendiente y Threshold

Se observa que el error disminuye y aumenta conforme aumenta el valor del

thershold, sin embargo al final disminuye, y la pendiente se mantiene constante
entre los valores de 0.2 y 0.4. Ahora para su ajuste se escoge un valor de xt=5.

Imagen 36. Distribucin Exponencial Ajustada

Se observa que posee puntos independientes externos y algunos por debajo del
ajuste, pero la cola se considera normal. En cuanto al error MSE y la pendiente se
tiene:

Imagen 37. MSE, pendiente y threshold de la distribucin exponencial ajustada

Se ve que a pesar del ajuste el error MSE disminuye conforme aumenta el valor
del threshold. Ahora con los valores obtenidos en el programa de beta y de xt, se
realiza la grfica correspondiente:

Imagen 38. Datos obtenidos en el programa ECQ para la distribucin exponencial

Distribucin Exponencial
1
0.8
0.6
0.4
0.2
G(x)

0
-0.2

0.1

0.2

0.3

0.4

0.5

0.6

-0.4
-0.6
-0.8
-1
Observaciones [x]

Grfico 9. Distribucin Exponencial con los datos obtenidos en el programa

Perodo de Retorno - Funcin Exponencial

0.6
0.5
0.4

Caudales de sequa

0.3
0.2
0.1
0

10

15

20

25

30

35

Perodo de retorno [aos]

Grfico 10. Perodo de Retorno Caudales de Sequa

Se presentan caudales de sequa menores a 0.4 con un perodo de retorno menor

a los 15 aos.
2. Grfica de Pareto Q-Q PLOT

Imagen 39. Distribucin de Pareto.

A simple vista se podra decir que se obtendr una cola pesada, si se le realiza
un ajuste. Ahora se obtienen los valores de MSE y de la pendiente:

Imagen 40. MSE, pendiente y threshold

El valor del error aumenta y disminuye mientras aumenta el valor del threshold,
mientras que la pendiente se mantiene con una tendencia lineal. Se toma para
su ajuste ahora un valor de xt=5.

Imagen 41. Valores obtenidos para el ajuste de la Distribucin de Pareto

Imagen 42. Distribucin de Pareto ajustada

Se presentan valores extremos independientes como valores por debajo de la

funcin.

Imagen 43. MSE, pendiente y threshold de la distribucin de Pareto ajustada

Se tiene que el error aumenta conforme aumenta el valor del threshold. Y la

pendiente disminuye y vuelve a aumentar conforme aumente el valor del
threshold. Ahora se obtiene la grfica de la funcin:

Distribucin de Pareto
2
1
0

0.1

0.2

0.3

0.4

0.5

0.6

-1
G(x)

-2
-3
-4
-5
-6
Observaciones [x]

Grfico 11. Distribucin de Pareto

La cola se puede considerar como normal ya que tiene una tendencia lineal.

Perodo de Retorno de la Distribucin de Pareto

0.6
0.5
0.4

Caudales de sequa 0.3

0.2
0.1
0

10

15

20

25

30

Perodo de Retorno [aos]

Grfico 12. Perodo de Retorno con la Distribucin de Pareto

Se tiene con un perodo de retorno menor a 10 aos valores de caudales de

sequa menores a los 0.3.
b. Resultados de periodos de Flujo lento
1. Grfica Exponencial Q-Q PLOT

Imagen 44. Distribucin Exponencial

Se puede observar que la cola de esta distribucin tambin presenta una

tendencia lineal por lo tanto es cola normal. Ahora se tendr la grfica del error
MSE y de la pendiente:

Imagen 45. MSE, pendiente y Threshold

El error podemos ver que aumenta conforme aumenta el nmero de thershold, al

igual que los valores de la pendiente. A continuacin se realiza el ajuste tomando
como valor de xt=4, con lo que se tiene:

Imagen 46. Distribucin Exponencial ajustada

Esta grfica se presenta con valores extremos independientes, valores por

debajo del ajuste y con una cola normal. Ahora viendo el error MSE y la
pendiente se tiene:

Imagen 47. MSE, pendiente y Threshold de la Distribucin Exponencial ajustada

Ahora con los datos obtenidos por el programa se grafica la curva de la funcin:

Imagen 48. Datos obtenidos en el programa

Distribucin Exponencial
0.8
0.6
0.4

G(x)

0.2
0
0.1
-0.2

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.55

0.6

-0.4

Observaciones [x]

Grfico 13. Distribucin Exponencial

Ahora para el tiempo de retorno se tiene:

Perodo de Retorno Distribucin Exponencial

0.6
0.5
0.4

Caudales de sequa

0.3
0.2
0.1
0

10

15

20

25

30

Perodo de Retorno [aos]

Grfico 14. Perodo de Retorno

Con un perodo de retorno menor a 10 aos se observan caudales menores a

0.25.
2. Grfico de Pareto Q-Q PLOT
Se tiene en el programa:

Imagen 49. Distribucin de Pareto

Ahora para el error, la pendiente y el threshold tenemos:

Imagen 50. MSE, pendiente y threshold

Se puede observar el error MSE, que se encuentra al final un valor bajo, es decir
que disminuye segn aumenta el valor del threshold, y la pendiente igual
disminuye mientras aumenta el threshold.

Ahora se ajusta con un valor de xt=3, en donde se tiene:

Imagen 51. Distribucin de Pareto ajustada

Imagen 52. MSE, pendiente y Threshold

El error y la pendiente disminuyen segn aumenta el valor del Threshold.

Ahora con los datos obtenidos se tiene:

Imagen 53. Datos obtenidos en el programa

Distribucin de Pareto
1
0
0.1

0.15

0.2

0.25

0.3

0.35

0.4

-1
G(x)

-2
-3
-4
-5
Observaciones [x]

Grfico 15. Distribucin de Pareto

0.45

0.5

0.55

0.6

Perodo de Retorno Distribucin de Pareto

0.6
0.5
0.4
Caudales de sequa

0.3
0.2
0.1
0

10

12

14

16

18

Perodo de Retorno [aos]

Grfico 16. Perodo de Retorno Distribucin de Pareto

Se observa que caudales menores a 0.25 tienen un periodo de retorno menor a 4

aos.

RESULTADOS:

En cuanto a los datos de caudales de flujo rpido y lento, se puede decir

que la distribucin exponencial presenta una cola de distribucin normal
ya que tiene una tendencia lineal y tiene menos cantidad de valores
extremos independientes, mientras que la de Pareto presenta una cola
pesada, debido a que posee una mayor cantidad de valores extremos
independientes. Como se puede observar en la siguiente Imagen.
En cuanto al error MSE y la pendiente se tiene para ambos flujos tanto
rpido como lento, en la Distribucin Exponencial una disminucin del
error a medida que aumenta el valor del Threshold, y en cuanto a la
pendiente en la distribucin de Pareto aumenta conforme aumenta el
valor del Threshold. Ver imagen.
Ahora en el resultado obtenido al remplazar los valores dados por el
programa para la realizacin de una grfica de cada distribucin para
cada flujo, se observa que la Distribucin Exponencial presenta una
mayor probabilidad de ocurrencia de caudales entre 50 y 150 m3/sg con
probabilidades de entre 30% y 60%, mientras que la de Pareto presenta
mayor probabilidades de caudales entre 30 y 100 m3/sg en los caudales
de flujo rpido y para los caudales de flujo lento con una probabilidad del
50% al 80% caudales entre 60 y 140 m3/sg. Ver Imagen.
Ahora para el anlisis de las sequas se tiene: que al igual que los
caudales anteriores, la cola de la distribucin Exponencial es normal,
mientras que la de la Distribucin de Pareto es pesada. Ver imagen.

En cuanto al error MSE y la pendiente se tiene: que en ambos casos el

valor del error MSE y la pendiente en la Distribucin exponencial
disminuye con el aumento del valor del Threshold, mientras que en la
distribucin de Pareto aumenta. Ver imagen.
El anlisis de las grficas ya obtenidas con los datos dados por el
programa se tiene: que tanto para flujo lento como para flujo lento hay
una mayor cantidad de puntos entre los caudales de 0.1 y 0.2 con una
probabilidad entre 0.1 y menores a cero, esto en la distribucin
Exponencial, mientras que en la distribucin de Pareto, para el flujo
rpido hay una mayor cantidad de caudales entre 0.1 y 0.2 con una
probabilidad de 0.1 y valores menores a 0, muy parecida a la obtenida
con la distribucin exponencial. Ahora para el flujo lento se tiene igual
mayor cantidad de caudales entre 0.1 y 0.2 pero con un valor de G(x)
menores a -1. Ver imagen.

CONCLUSIONES Y OBSERVACIONES

Para caudales de Flujo Rpido y Lento la mejor aproximacin es la de

Pareto, ya que nos muestra valores extremos confiables para un diseo,
ya que el error crece conforme aumenta el threshold, y la pendiente se
mantiene entre valores dados, mientras que en la distribucin
Exponencial la pendiente tambin vara hasta disminuir, al igual que el
error MSE.
Para caudales de sequa, la mejor distribucin se toma a la exponencial ya
que la de Pareto no presenta un buen ajuste en cuanto a los valores
extremos independientes.
Para un buen anlisis de valores extremos es necesario realizar al menos
dos tipos de distribuciones, as de esa manera se sabr con cual trabajar
y se podr comparar, para una mejor decisin para el diseo.

REFERENCIAS:
[1]http://www.secsuelo.org/XCongreso/Simposios/Conservacion/Ponenci
as/2.-%20Efecto%20de%20la%20Escala%20de%20la.pdf
[2] Diapositivas dadas en clase, Captulo 3, Anlisis de frecuencias.
[3] Manual ECQ: P. Willems. K.U. Leuven Hydraulics Laboratory