CAPITULO 10

10.1

ELEMENTOS DE HIDROLOGIA ESTADISTICA

Introduccin
De la referencia 9 extraemos los siguientes comentarios, con
ajustes para su adaptacin al presente texto.

ciertos

El objetivo bsico de la aplicacin de la estadstica en Hidrologa es

el anlisis de la informacin hidrolgica en forma de muestras, a fin
de inferir las caractersticas con que debe ser esperado en el futuro
El avance en el campo de las computadoel fenmeno que se estudia.
ras y el desarrollo creciente de mtodos numricos han dado una importancia particular al uso de la estadstica en todas las ciencias naturales, especialmente en Hidrologa.
Existe en muchos la idea de que la estadstica es usada slo cuando no
es posible dar una solucin exacta a un problema hidrolgico. En esta
interpretacin la solucin exacta es una solucin determinstica' del
problema. Sin embargo, se puede demostrar que la solucin determinstica constituye una solucin particular de la solucin estadstica o
probabi lsti ca.
En forma general, la mayora de los problemas hidrolgicos se pueden
agrupar en tres categoras principales de acuerdo al objetivo principal del proyecto:
a.

Diseo de estructuras hidrulicas, siendo necesaria la evaluacin

y cuantificacin de los valores extremos (mximos y mnimos)
del
escurrimiento superficial.
b. Satisfaccin de demandas, siendo necesario evaluar y cuantificar
las descargas disponibles en el punto de inters.
c. Diseo y operacin de embalses, siendo necesario evaluar y cuantificar la variacin del escurrimiento superficial en todas sus caractersticas estadsticas, como valores medios, mximos y mnimos.
En cada una de las tres categoras menci onadas se presentan diferentes
tipos de problemas, dependiendo la simplicidad o complejidad de la so
lucin del tipo, cantidad y calidad de la informacin disponible, as
como de 1a magni tud del proyecto. Los casos ms comunes que se presen
-tan en cada una de las tres categoras mencionadas son:
Cuencas con suficiente informacin hidrolgica. Este es el
caso
ms optimista donde se pueden aplicar todo tipo de
metodologas
existentes.
2. Cuencas con escasa informacin hidrolgica. En este caso se pueden desarrollar modelos <que relacionen las precipitaciones con las
de?cargas, mediante.el uso de la regresin simple o mltiple, lineal o no lineal.
3. Cuencas'sin informacin hidrolgica. Este es el caso ms crtico
y el ms comn, el cual puede resolverse mediante un anlisis regional.

lo

159

Conviene recordar aqu que las tcnicas probabilsticas se aplican e

la informacin hidrolgica slo despus que sta ha sido sometida a ur
tratamiento previo en que se atiende: el relleno de la informacin, el
anlisis de consistencia y la extensin del registro. Para este trab~
jo previo resulta fundamental la referencia 8.
10.2

Uso de Modelos Probabilsticos

Los fenmenos que se presentan en la ingeniera pueden clasificarse,
desde el punto de vista de la certeza de su ocurrencia, en determinsticos y probabilsticos. Si la ocurrencia de las variables en un proceso es cierta, es decir si las variables siguen una ley determinada
se habla de un proceso determinstico. En cambio, si se toma en cuenta la probabilidad de ocurrencia y la falta de certeza existente, entonces se habla de un proceso de naturaleza probabilstica. Es conveniente hacer notar que la gran mayora de los procesos que interesan
al ingeniero, en especial en el campo de la Hidrologa, pertenecen a
la categora de fenmenos probabilsticos.
Entre los procesos probabilsticos es necesario distinguir los probabi
lsticos a secas de los probabilsticos estocsticos o simplemente es~
tocsticos. Se denomina proceso estocstico a aqul en el que las caractersticas de las vqriables aleatorias varan con el tiempo. En un
'proceso probabilstico, independiente de la variable tiempo, la secue!!.
cia de las variables no interesa y se supone que ellas siguen un dete~
minado comportamiento dado por el modelo probabilstico o distribucin
de frecuencias. En el presente texto slo en el apartado 10.7 se hace
una breve referencia a los procesos estocsticos.
Dada pues una variable aleatoria, interesar describir la probabilidad
de ocurrencia de los distintos estados. Esto se consigue gracias a un
modelo matemtico de su comportamiento o modelo probabi~stico.
Esta
distribucin probabilstica permite calcular:
Las probabi li dades de los di s ti ntos es tados o valores que puede t2.,
mar la variable aleatoria.
2. La probabilidad de tener valores mayores o menores que un determinado lmite.
3. Los valores de prObabilidad de ocurrencia asociados a cada valor
de la variable aleatoria.

1.

En resumen, puede decirse que el modelo probabi1stio o distribucin

permite conocer y manejar fcilmente el comportamiento de la variable
y sintetizd toda la informacin sobre probabilidades asociadas a cada
estado.
Segn se trate de variables discretas o continuas, se usarn modelos
de distribucin probabilsticos discretos o continuos. Sern modelos
discretos aqullos cuya funcin densidad de probabilidad y funcin de
probabilidad acumulada se encuentran definidas para detenninados' valores que puede tomar la variable.
Las principales distribuciones discretas son:
l.
2.

Distribucin binomial
Distribucin de Poisson
160

Las principales distribuciones continuas son:

1.

2.

3.
4.
5.

6.

Distribucin unifonne
Distribucin nonnal
Distribucin logartmico-normal
Distribucin Gamma
Distribuciones de valores extremos
a. Tlpo 1 o tipo exponencial (ley de Gumbel)
b. Tipo 11 o tipo Cauchy
c. Tipo 111 o distribuciones truncadas
Distribucin Chi cuadrado

Una vez que el ingeniero, en base a su experiencia, escoge el

modelo
probabilstico que va a usar debe proceder a calcular los
parmetros
de su modelo y despus revisar si este modelo es consistente con
la
realidad. Ambas cosas las hace con los datos observados (registro o
muestra). Para la estimacin de los parmetros hay disponibles dos m~
todo.s:
- el mtodo de los momentos
- el mtodo de mxima verosimilitud
y para el estudio de la consistencia dos grupos de mtodos:

* mtodos grficos
* mtodos cuantitativos:
10.3

test
test
test
test

Chi cuadrado
W
,
Student
de Kolmogoroff.

Anlisis de Frecuencia de Valores Extremos

En este apartado se describe el anlisis de frecuencia de valores extremos referido a caudales, es decir el anlisis a que son sometidos
los caudales mximos anuales. El objeto es calcular el caudal de dise
o de estructuras como los aliviaderos de las presas de embalse.
Supongamos que se cuenta con el registro de caudales mximos mensuales
de una serie de 30 aos (caudales en m3 jseg):
E

1959
1960
1961
1962

102 110
80 90
16 96
95 125

205
85
74
196

40
30
42
45

20
12
36
31

15
8
25
21

10
6
14
16

8
2
6
15

2
8
15

1
8
14

O
6

16
2

1988

97 116

91

50

28

19

12

11

12

Como esta serie abarca toda la informacin disponible es denominada se

161

rie de duracin completa. La serie anual mxima se obtiene eligiendo

el valor mximo de cada ao:
1959
205
1960
90
1961
96
1988
10.3.1

116

Posiciones de Trazado
Una vez seleccionada la serie con la que se va a realizar el
anlisis de frecuencia se ordenan los valores de mayor a menor, prescindiendo del ao de ocurrencia:

1
2

220
196
116

n =

30

]8

Luego es necesario asignarle a cada valor una probabilidad de

excedencia. Esta probabilidad de excedencia o frecuencia (P)
que se asigna a cada valor de la serie es ln qui se conoce como posicin de trazado. Su inversa es el perodq de retorno
(T) .

A travs del tiempo diferentes autores han desarrollado frmulas para determinar posiciones de trazado (tabla 10.1).
De todas las frmulas propuestas la que mejor aceptacin ha te
nido hasta el momento es la de Weibul1. En el ejemplo:
m

1
2
3

220
196
116

0.032
0.064
0.097

JI '
15.5
10.3

= 30'

78

0.968

~-.:

1.03

Las cifras de la tabla final deben interpretarse as: existe

una probabilidad del 6.4% de que el valor 196 m3 /seg sea igualado o excedido
; tambin: es probable que
el caudal de 196 m3 /seg se presente una vez cada 15.5 aose.r-. promQd
\\le:t

E',y\

162

'30 aros

e.,

pro\'l\eCUD

TABLA 10.1

POSICIONES DE TRAZADO
N = 10

Nombre

Ao

California

1923

Hazen

1930

Weibull

1939

Chegodayev

1955

Blom

1958

Tukey

1962

Gringorten

1963

N
m

Probabilidad de
excedencia (P)
m
N
2m - 1
2N
m
N+ 1
m - 0.3
N + 0.4
m - 3/8
N + 1/4
3m - 1
3N + 1
m - 0.44
N + 0.12

m=5

m= 1
P

0.10

10

0.500

0.05

20

0.450

2.2

0.091

11

0.455

2.2

0.067

14.9

0.451

2.2

0.061

16.4

0.451

2.2

0.065

15.4

0.451

2.2

0.055

18.2

0.447

2.2

= nmero total de valores de la muestra

nmero de orden de los valores ordenados de mayor a menor

10.3.2 Ley de Gumbe 1

De las varias distribuciones de valores extremos hay dos que
tienen mayor aceptacin, al haber demostrado que se
ajustan
bien al fenmeno de las crecida~ de los ros: la distribucin
de valores extremos tipo 1 o ley de Gumbel y la distribucin
log-Pearson tipo 111.
~ente

Chow ha encontrado que estas distribuciones pueden expresarse en la fonna:

x =

x
x

0x

x + K ox

caudal con una probabilidad dada

media de la serie de caudales pico
desviacin estndar de la serie
un factor de frecuencias definido por cada distribuClan. Es una funcin del nivel de Probabilidad asignado a x.
163

L-a 1ey de Gumbe 1 es t dada por 1a expres in :

P

P
y

1 - e

-y

-e

(10,1)

probabilidad de que un valor x sea igualado o excedido

variable reducida, dada por la expresin:

=a

(x - u)

u ... moda de la distribucin

a ... parmetro de dispersin
Para una muestra de tamao finito, Gumbel encontr que:

Yn
a

Yn
x- - a x a
n
a

valr medio esperado de la variable reducida

desviacin estndar de la variable reducida.

y tambin que Yn' an, son funciones slo del tamao de la mues
tra.
20
0.52
1.06

40
0.54
1.14

30

0.54
1.11

50
0.55

100
0.56

200
0.57

1.16

1.21

1.24

Reemplazando valores:
y = ax

au

= -!!.x
a
X

= -a nx

n (X'-

~
a
X

n-

- -

Yn
~)
a
n

+ Yn

a
x = -nx- + y - ya
a
n
x
x

x
JI.

'-

x+
--

y - Y
n
a

+ Ka

x
164

(10.2)

(10.3)

Con la ecuacin 10.3 es posible hallar los caudales con largos

perodos de recurrencia (avenida centenaria, avenida milenaria, avenida diezmilenaria). Esta ecuacin es la ecuacin de
una lnea recta en papel probabilstico de Gumbel (pgina 168).
Precisamente la manera de comprobar que el modelo de Gumbel es
el apropiado para el problema en estudio consiste en graficar
la recta y plotear los puntos de la muestra; deber cumplirse
que todos los puntos caen alineados cerca de la recta.
Ejemplo 10.1
Hallar el valor de K para una probabilidad de 1% si se trabaja
con una muestra de 40 aos.
P

= 0.01

De la ecuacin 10.1:
Para n

= 40

y = 4.600

Yn

= 0.54

CI

= 1,14

De modo que:
K =

y - yn
= 3.55
CI
n

1 100,
Como T = TY
se indica K100 = 3.55
=

Ejemplo 10.2
Usando el registro de caudales que se acompaa, encontrar las
crecidas de los 10,100 Y 1,000 aos, utilizando la distribucin de Gumbel. Los caudales estn en pie 3 /seg.
Ao

Qmx

Ao

Qmx

Ao

Qmx

1969
1970
1971
1972
1973
1974
1975

36,600
69,900
99,000
76,200
62,600
44,200
49,200

1976
1977
1978
1979
1980
1981
1982

53,100
58,800
64,100
77,800
71 ,200
59,600
55,100

1983
1984
1985
1986
1987
1988

49,600
58,600
39,700
38,200
103,000
4Z,900

Ordenando los caudales de mayor a menor:

165

1
2
3
4
5
6
7
8
9
10

103,000
99,000
77 ,800
76,200
71 ,200
69,900
64,100
62,600
59,600
58,800

21.0
10.5
7.0
5.25
4.2
3.5
3.0
2.63
2.33
2.1'

Para n

= 20

11

58,600
55,100
53,100
49,600
49,200
47,900
44,200
39,700
38,200
36,600

1.91
1. 75
1.62
1.50
1.40
1.31
1.24"
1.17
1.11
1.05

12
13
14
15
16
17
18
19
n = 20

= 1.06

= 10

T = 100
P = 0.01
Y = 4.60
K
100 = J.85

P = 0.1

= 2.25
10 = 1.63

Y
K

Adems:

Yn = 0,52
on

Para

= 1,000

P = 0.001

Y ::;; 6.91
K
= 6.03

1000

-x = 60,720
x = 18,233.65

De modo que:

QI0

= 90,441

QI00

= 130,920

Q1000

= 170,669 pie 3 /seg

Como comprobacin, ploteando los tres puntos encontrados (Q,T)

en papel probabilstico de Gumbel deben caer en una misma lnea recta; adems todos los puntos de la muestra deben caer en
o cerca de esta recta.
10.3.3 Distribucin Log-Pearson Tipo

111

Para el uso de esta distribucin se convierten los valores de

la serie a sus logaritmos decimales y se hallan los siguientes
parmetros:
medif\
de,v;acin estndar

10g x

= -~ 109 x
n

olog x = . /

Coeficiente de asimetra

Ag

( 109

x - 1o 'x) 2
n 1
.

n (1og x - 10g x)3..

(n-l) (n-2) (olog x)3

Ei valor de x para cualquier nivel de probabilidad se

calcular a partir de:
166

puede

99.9

0.01

0.05 0.1

99.8

0.2

"

0.5

98

85

90

80

70

60

50

40

30

20

10

20

50

40

50

60

70

80

PA PEl

f)E

PROBA BILlDAD

NORMAL

10

90

95

98

0.5

99

0.2

99.8

0.1

99.9

0.05

0.01

99.99

PERIODO
II

1,2 1.31.41.5

DE

RETORNO

10

lO

90

( aol)
25

50

100

100

300 400 500

1000

I
I

,,

,
I

I
I

11

,
I

I
I
I

,,

,,
I

....a'l

:1

(Xl

'1
:1

o
o

:1
I

,:1

,
,

lO

",O

,
I

I
I

.
1

,
.1

.s

LO

10

lO

30.40

50

-2.0

-,.&

70

.:
_0.5

.6

97

11111111 11

0.5

PAPEL

95

P"O.".ILIO"O

.J
-'.0

:60

1.0

DE

1.5

1.0
25
VA.,A.LE

PRO B A B I L I DA D

3.0
RE OU

3.5

9.[-.m

'9

t9.5

99,8

99,7

99.51

.IOOJ

11 1 1111111
4.0

l' DA
DV GUMBEL

4.5

5,0

5.5

-6,0

4;.5

7.0

--

(l0.4 )

log x = 1og x + K cr 1og x

Los valores de K se toman de la tabla 10.2
TABLA 10.2

VALORES DE K EN LA ECUACION 10.4

Per odo

retorno,

de

1(}

aos

Coefi ci ente
de
asimetra
Ag

1,0101

99

80

pO

20

10

3,0
2,8
2,6
2,4
2,2
2,0
1,8
1,6
1,4
1,2
1,0

-0,667
-0,714
-0,769
-0,832
-0,905
-0,990
-1,087
-1,197
-1,318
-1,449
-1,588
-1,733
-1,880
-2,029
-2,178
-2,326
-2,472
-2,615
-2,755
- 2,891
-3,022
-3,149
-3,271
-3,388
-3,499
-3,605
- 3, 70'5
-3,800
-3,889
-3,973
-4,051

-0,636
-0,666
-0,696
-0,725
-0,752
-0,777
-0,799
-0,817
-0,832
-0,844
-0,852
-0,856
-0,857
-0,855
-0,850
-0,842
-0,830
-0,816
-0,800
-0,780
-0,758
-0,732
-0,705
-0,675

-0,396
-0,384
-0,368
-0,351
-0,330
-0,307
-0,282
-0,254
-0,225
-0,195
-0,164
-0,132
-0,099
-0,066
-0,033

0,420
0,460
0,499
0,537
0,574
0,609
0,643
0,675
0,705
0,732
0,758
0,780
0,800
0,816
0,830
0,842
0,850
0,855
0,857
0,856
0,852
0,844
0,832
0,817
0,799
0,777
0,752
0,725
0,696
0,666
0,636

1,180
1,210
1,238
1,262
1,284
1,302
1,31B
1,329
1,337
1,340
1,340
1,336
1,328
1,'317
1,301
1,282
1,258
1,231
1,200
1,166
1,128
1,086
1,041
0,994
0,945
0,895
0,844
0,795
0,747
0,702
0,660

2,278
2,275
2,267
2,256
2,-240
2,219
2,193
2,163
2,128
2,087
2,043
1,993
1,939
1,880
1,818
1,751
1,680
1,606
1,528
1,448
1,366
1,282
1,198
1,116
1,035
0,959
0,888
0,823
0,764
0,712
0,666

3,152
3,114
3,071
3,023
. 2,970
2,912
2,848
2,780
2,706
2,626
2,542
2,453
2,359

4,051
3,973
3,889
3,800
3,705
3,605
3,499
3,388
3,271
3,149
3,022
2,891
2,755
2,615
2,472
2,326
2,178
2,029
1,880
1,733
1,588
1,449
1,318
1,197
1,087
0,990
0,905
0,832
0,769
0,714
0,667

0~8

0,6
0,4
0,2

-0,2
-0,4
-0,6
-0,8
-1,0
-1,2
-1,4
-1,6
-1,8
-2,0
-2,2
-2,4
-2,6
-2,8
-3,0

1,2500
Ni vel

~0,'()43

-0,609
-0,574
-0,537
-0,499
-0,460
-0,420

2
de

0,033
0,066
0,099
0,132
0,164
0,195
0,225
0,254
0,282
0,307
0,330
0,351
0,368
0,384
0,396

169

probabil i dad,

25

50

100

porcentaje

~,261

2,159
2 ,O5~
1,945
1,834
1,720
1,606
1,492
1,379
1,270
1,166
1,069
0,980
0,900
0,830
0,768
0,714
0,666

El mtodo con s i s te en p1otea r 2 puntos (Q, T) y traza r 1a lnea recta que los une, en papel de 'probabilidad log-normal. Se
prolonga esta recta para encontrar el caudal con perodo de re
torno grande.
10.3.4

Eventos Histricos
Algunas veces, las posiciones de trazado calculadas deben ser
modificadas. Esto sucede cuando existen antecedentes histricos que permiten suponer que en el lugar en estudio han ocurri
do crecidas que vale la pena tomar en cuenta.
Veamos
tres
ejemplos de casos en que hay que considerar eventos histricos.
Primer Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe
la mayor crecida de este perodo es la mayor ocurrida en
ltimos 80 aos. A la mayor crecida del perodo habr
asignarle una probabilidad de 1/81. Para la segunda mayor
cida el clculo se hace en forma normal (2/31, etc).

que
los
que
cre

Segundo Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe que
en 1909 hubo una creci da, de magnitud conoci da, que es 1a mayor hasta la fecha (80 aos). La probabilidad de esta crecida
ser 1/81. Para las crecidas medidas el clculo se hace en
forma normal.
Tercer Caso:
Se tiene el registro de los ltimos 30 aos, pero se sabe que
en 1909 ocurri una crecida, de magnitud conocida, que es la
segunda ~n orden de magnitud en relacin con las medidas. Las
probabilidades se calculan asE
1/81
mayor ,cred da de todas
segunda crecida de todas
2/81
2/31
~egunda crecida. del re~istro
tercera crecida del rgistro
3/31, etc
10.3.5 Longitud de Registro

Un problema que siempre ha preocupado a los hidrlogos es cuan

tificar el error cometido al trabajar con registros de pocos
aos en la estimacin de caudales con altos perodos de retorno.
Benson~ingeniero

del U.S. Geological Survey, parti de una

lista hipottica de 1000 crecidas que definan una recta de
frecuencia, de base o referencia, trazada en papel probabilstico de valores extremos. Este registro 10 dividi en forma
aleatoria en 100 registros de 10 aos, 40 de 25 aos, 20 de 50
y 10 de 100. Para cada uno de estos 170 registros se dibuj
su recta de frecuencia y todas se compararon con la recta base.
Entre la crecida anual media calculada con diferentes longitudes de regi stro y 1a creci da anual medi a base se obtuvi eron
las siguientes diferencias: 28% para registros de 10 aos, 14%.
170

para registros de 25 aos, 12% para los de 50 aos y 5% para

los de 100 aos. Esto da una idea de lo que puede esperarse
en la estimacin de la crecida anual media con registros cortos.
Se observ que la diferencia entre la crecida anual media base
y las crecidas anuales medias determinadas grficamente en la
ordenada correspondiente a un perodo de retorno de 2.33 aos,
no diferan en ms de 1.5%. Ello permite concluir que es posi
ble calcular grficamente el promedio sin error apreciable.
Se estudi tambin los valores de las'crecidas de perodos de
retorno de 10, 25, 50 Y 100 aos determinadas con los
registros de distintas longitudes, mediante la ley de Gumbel.
Los
resultados se resumen en la tabla 10.3.
TABLA 10.3

LONGITUDES DE REGISTRO NECESARIAS

Precisin 25%

2.33
10
25
50
100

Precisin 10%

80% de 1as
veces

95% de las
veces

80% de las
veces

95% de 1as
veces

8
12
15

12
18
31
39
48

25
38
75
90
100

40
90
105
110
115

Estos resultados muestran que el 95% de las veces un registro

de 39 aos de longitud permite definir la crecida de los
50
aos, con una precisin del 25%. Se tiene tambin que el 95%
de las veces un registro de 12 aos permite definir la crecida
anual media con el 25% ae error.
Las cifras de este estudio no pueden aplicarse a otras curvas
de frecuencia, pero son 'bastante indicativas de la variacin
que puede esperarse al trabajar con registros de pequea longi
tud. Visto de otro modo, se nota la conveniencia de extender
un registro corto antes de realizar con l un anlisis de frecuencia.
10.3.6

Probabilidad de

Dise~o

Frente a un caso concreto el ingeniero debe decidir el perodo

de retorno de su creci da de di sea. Para e 11 o debe preci sar
en primer trmino la vida til de la obra; luego se preguntar
sobre la probabilidad de ocurrencia de crecidas durante ese pe
rodo. Escogiendo un porcentaje adecuado de riesgo determina~
r el perodo de retorno de la crecida de diseo y proceder a
calcular la magnitud de sta con la ley de Gumbel o la distri171

bucin 10g-Pearson tipo 111; o mejor aun, con las dos a fin de
tomar el promedio.
El perodo de retorno se ha venido manejando como un valor medio. Es decir, el suceso son perodo de retorno de T aos ser excedido una vez cada T aos en promedio; pero tambin ser
excedido en ms de la mitad de las veces en una serie de
T
aos.
Aclaremos. Supongamos un evento de T = 10 aos; la probabilidad de no excedencia en un ao cualquiera es (1-0.1) = 0.9 Y
la probabilidad de no excedencia durante un perodo de 10 aos
es 0.9 10 = 0.35. O 10 que es 10 mismo, la probabilidad de excedencia de un suceso con un perodo de retorno de 10 aos en
un perodo de 10 aos es 65%.
La frmula a usar es pues:
(1 _ p)n

(1

= probabilidad de no excedencia

1 n

- )

n '"

= probabilidad de no excedencia

(10.5)

perodo de diseo o vida til de la obra.

Con la 10.5 puede calcularse el perodo de retorno a usar asociado a un perodo de diseo o vida til y a un nivel de proba
bilidad asignado. As es como se ha construido la tabla 10.4TABLA 10.4
Perodo de
diseo (n)
2
5
10
20
30
50
100

PERIODOS DE RETORNO
Probabilidad de no exceder
0.01

0.25

0.50

0.75

1.1
1.7
2.7
4.9
7.0
11.4
22.2

2.0
4.1
7.7
14.9
22.2
36.6
72.5

3.4
7.7
14.9
29.4
43.0
72.0
145.0

7.5
17.9
35.3
70.0
105.0
175.0
345.0

0.99
200
498
996
1,990
3,330
5,000
10 ,000

La tabla 10.4 indica que existe una probabilidad igual a 1% de

tener un evento con perodo de retorno de 996 aos en un pero
do de diseo de 10 aos. Indica tambin que si se quiere co~
rrer un riesgo de 25% para una estructura de vida til 50 aos,
debe ser diseada con un caudal pico de perodo de retorno 175
aos.
172

Toma de decisin
El estudio de las avenidas de largo perodo de retorno tiene
una aplicacin importante en el funcionamiento de los vertederos de demasas de las presas de embalse. Por esta razn el
breve comentario que sigue se refiere a estas obras.
La seleccin de la magnitud de la avenida de proyecto es algo
sumamente complejo y que debe ser encarado por ingenieros exp~
rimentados en estudios de avenidas. Bsicamente se toman en
consideracin los efectos derivados de un eventual fracaso de
la obra. La determinacin de los daos probables no debe limi
tarse a las condiciones que existen en la poca de la constru~
cin. Deben, por el contrario, evaluarse los futuros aprovechamientos en la llanura de inundacin aguas abajo, como viviendas, granjas, caminos, puentes y otros.
Las presas que forman grandes vasos, construidos en los
ros
principales, con un elevado potencial de escurrimiento, sin d~
da pueden considerarse en la categora de muy peligrosas.
En
estos casos deber asumirse un criterio conservador, tomando
como base que no se podra tolerar una falla debido a la prob~
ble prdida de vidas y debido a los daos potenciales que pueden alcanzar las proporciones de una catstrofe. En cambio,
las pequeas presas construidas en corrientes aisladas
en
reas rurales, donde la falla ni amenaza la vida humana ni pro
ducira daos mayores, se pueden considerar en la categora de
poco riesgo. En este caso, el criterio de diseo se puede establece~ en una base mucho menos conservadora.
En ios Estados Unidos, los vertederos de demasas de las grandes presas, cuando existe un gran peligro de vidas humanas,
son diseados para la creciente ms desfavorable posible llamada creciente mxima probable (CMP). La experiencia demuestra que la OMP es mayor que aquellas que pueden ser obtenidas
utilizando el anlisis de frecuencia. A la CMP no se le puede
asignar una probabilidad realista ni es susceptible de un estu
dio econmico; el anlisi~ debe estar basado en la decisin de
dar la msima proteccin. La Ct~P es muy grande y casl siempre
superior a las posibilidades de control; su consideracin en
el estudio slo sirve para eliminar la posibilidad adicionalde una falla repentina en la presa; aparte de la proteccin de
vidas humanas puede ser til, por ejemplo, colocar las plantas
de agua potable, as como otros servicios pblicos, por encima
del nivel de la CMP.
La obtencin de la CMP es un proceso largo, laborioso y costoso. Se determina a partir de la precipitacin mxima probable
(PMP). La PMP se puede obtener a partir del anlisis de precuencia de las precipitaciones mximas. A partir de la
PMP
puede obtenerse la CMP mediante tcnicas hidrolgicas consistentes en el uso de modelos lluvia-escorrenta e hidrogramas
unitarios. Se requiere mucha experiencia. Las condiciones ex
tremas sern condiciones antecedentes muy hmedas, hidrograma
unitario con pico muy pronunciado y embalse lleno al presentar
se la tormenta.
-

173

10.3.7 Metodo de Gradex

Los mtodos basados en distribuciones tericas para el estudio

de frecuencia de crecidas (Gumbel y log-Pearson tipo 111), se
basan en la utilizaci6n de registros de caudales pico. ~in e~
bargo, los datos de caudales son por lo general cortos y relativamente escasos. Guillot y Duband elaboraron una metodologa que permite evaluar los gastos mximos de crecidas utilizando registros cortos de caudales conjuntamente con registros
largos de lluvias. El mtodo consiste en extrapolar la curva.
de frecuencia de gastos observados, a partir de cierto valor,
mediante una recta paralela a la de precipitaciones
mximas
diarias.
Guillot y Duband desarrollaron el mtodo del Grdex apoyndose
en las siguientes hiptesis:
l.
2.

3.

Las precipitaciones mximas diarias siguen la ley de Gumbel o valores extremos tipo l.
La lluvi2 media diaria sobre una cuenca tiene por gridex
el promedio de los grdex de las subcuencas.
Se entiende por gridex a la pendiente de la recta precipi
taci6n-probabilid'ad en un papel probabilstico de Gumbel-::Se demues.tra que es igual a la razn 0x/on'
La retencin, a medida que aumenta la lluvia, tiende hacia
un lmite superior, funci6n de las caractersticas de la
cuenca y de la humedad del suelo. A medida que se alcanza
un equilibrio entre el volumen de agua que llueve y el escurrido todo incremento de precipitacin tiende a producir
un aumento igual de volumen escurrido.

El mtodo del grdex es aplicable a cuencas de hasta el c;rden

de los 1,000 km 2 de superficie. En su aplicacin' se procede
analizando los gastos observados hasta definir la crecida dece
nal y luego se extrapola la recta con el grdex medio de las
precipitaciones sobre la cuenca.
De la ecuacin JO.2:

x = x +

y - y

de modJ que ox/on' que se define como grdex, viene a ser la

pendiente de la recta de frecuencia en papel probabilstico de
Gumbel, tal como se habla anticipado.
Este mtodo fue aplicado en Chile para alrededor de 40 estacio
hes, alcanzando resultados bastante aceptables. Encontr que
174

los resultados no diferan en ms de un 10% de las crecidas ob

tenidas siguiendo el mtodo de Gumbel.
10.3.8 Anlisis de Frecuencia Regionales
Los anlisis de frecuencia regionales se refieren al estableci
miento de relaciones vlidas para toda la regin. Para ello
se requiere contar con registros en estaciones cercanas con ca
ractersticas hidrolgicas semejantes.
Mtodo de la crecida ndice
Es el utilizado por el U.S. Geological Survey en sus estudios
regionales de frecuencia de crecidas. Consiste fundamentalmen
te en seleccionar una regin de caractersticas meteorolgicas
y fisiogrficas similares y efectuar un anlisis de frecuencia
para cada una de las estaciones en estudio. Estas curvas se
adimensionalizan en base a una crecida ndice (puede ser
la
crecida media), luego se superponen y se determina una
sola
distribucin adimensional cuyo nico parmetro es la crecida
ndice. Despus se efecta una correlacin entre las crecidas
ndice con las caractersticas de sus cuencas y se obtiene la
curva de regresin. La combinacin de la distribucin adimensional y la curva de regresin permite efectuar el anlisis de
frecuencia en cualquier cuenca de la regin.
El mtodo, paso a paso, es el siguiente:
l. Se tabulan las crecidas mximas anuales de cada una de las
estaciones existentes en la regin, siempre que dicho registro tenga una longitud de 5 ms aos. No se
deben
utilizar estaciones que estn muy afectadas por obras de
regulacin artificial o cualquier otro factor artificial,
salvo que se corrijan las inconsistencias.
2.

Mediante un diagrama de barras se puede

gitud de cada registro. En base a este
la longitud del perodo para el cual se
dio (perodo comn). Hay que tratar de
comn ms largo posible.

3.

En base a correlaciones se extienden los registros de corta duracin para que abarquen un perodo igual al perodo
comn elegido.

4.

Se numeran las crecidas para cada estacin segn su magnitud, asignndole el nmero 1 a la mayor.

5.

Se calcula el perodo de retorno o probabilidad de exceden

cia mediante la frmula de Weibull, solamente para las cre
cidas medidas. A las crecidas estimadas mediante correla~
ciones no se les calcula perodo de retorno ya que no se
recomienda graficarlas. Slo se utilizan para darles un
nmero de orden ms re~lista a las crecidas medidas.

6.

Para cada una de las estaciones, graficar las crecidas ver

sus su r' obabilidad de excedencia en papel probabilsticode Gumbel y trazar las respectivas rectas de distribucin.
175

representar la lon
diagrama se elige
va a hacer el estu
elegir el perodo

Con cada una de estas recta~ se determina grficamente la

crecida ndice. Se recomienda que sea la crecida media y
para su determinacin se entra al grfico con una probabilidad de excedencia de 42.9% (T = 2.33 aos).
7.

Tabular para cada una de las estaciones las razones entre

el caudal para varios perodos de retorno y la crecida ndice.

8.

A partir de la tabla del punto 7, detenninar la mediana de

las razones para cada perodo de retorno. Graficar estos
valores y luego pasar por ellos una curva que representar
la curva de frecuencias regional y cuyo nico parmetro es
la crecida ndice (Qi)'
Q

9.

En base a los datos de las crecidas ndice para cada estacin y a las caractersticas fsicas y meteorolgicas de
cada cuenca determinar una ecuacin de regresin con Qi c~
mo variable dependiente. Las caractersticas fsicas y m~
teoro1gicas de las cuencas son mltiples y de difcil eva
1uacin. Afortunadamente se ha demostrado en la prctica
que en la mayora de las regiones se obtiene una buena correlacin utilizando nic.amente el rea de la cuenca como
va~iab1e independiente.
O

10. Uti 1izando las curvas detenni nadas en 8 y 9 se puede obte:ner una curva de frecuencia para cualquier seccin dentro
de la regin en estudio.
10.3.9

Resumen del Estudio de Avenidas

A continuacin se presenta un comentario de los aspectos
relevantes en el estudio de avenidas.

ms

En cuanto a 10 gue se persigue.- Unas veces slo se requiere

176

el caudal mximo, como en el diseo de alcantarillas, otras se

requiere el hidrograma de la avenida, como en el estudio del
trnsito.
En cuanto a las condiciones precedentes.- De acuerdo a la cli
mato10ga del lugar, ha de precisarse si la avenida se presenta cuando en el ro hay un flujo base apreciable o no. Si se
estn manejando precipitaciones la precisin debe ser en
el
sentido de que si la precipitacin de diseo se presenta cuando el suelo de la cuenca est hOmedo o no.
En cuanto a la informacin disponib1e.- Se presenta toda una
gama de posibilidades.
a)

El caso ideal 10 constituye la cuenca con estacin de aforo en el punto de inters y estaciones pluviomtricas repartidas, una de las cuales por 10 menos es registradora.
Se puede en tal caso aplicar el anlisis de frecuencia
a
los caudales y volmenes extremos y tambin se puede hacer
el anlisis de los hidrogramas de crecidas.

b)

Igual que el anterior, con la diferencia que es corto el

perodo de registro de caudales. Se puede aplicar el mto
do del Grdex. .

c)

Igual que los casos a) y b), slo que los caudales no son
medidos sino inferidos a partir de valores medidos en el
mismo ro, aguas arriba y/o aguas abajo del punto de inters. Se aplican los mismos mtodos. Se hace notar que de
ben evitarse los anlisis de frecuencia de caudales con va
lores inferidos de otras cuencas.

d)

Slo se conocen los caudales. Se aplica el anlisis

de
frecuencia para obtener los valores de la descarga y el vo
1umen de los T aos. El hidrograma correspondiente puede
obtenerse aplicando el hidrograma bsico.

e)

La cuenca posee slo las estaciones pluviomtricas reparti

das, una de las cuales por 10 menos es registradora.
Se
aplica el anlisis de frecoencia a las precipitaciones para obtener el valor de la precipitacin de los T aos
y
duracin igual al tiempo de concentracin (T c ) de la cuenca. Luego se estima la escorrenta directa correspondiente a esta precipitacin aplicando el mtodo del hidrograma
unitario triangular.

f)

Igual que el anterior, pero sin ninguna estacin registradora. Se puede estimar la escorrenta directa con los datos de suelos y cubierta vegetal .. Es posible, adems, uti
1izar el hidrograma bsico pay'a obtener el hidrograma aproximado de la avenida.

g)

La cuenca no posee ningOn tipo de estacin. Se puede utilizar el mtodo de la seccin y la pendiente para estimar
el caudal mximo de la corriente. Se puede tambin realizar un anlisis de frecuencia regional. Es posible adems
utilizar el hidrograma sinttico para generar el hidrograma aproximado de la avenida.
177

En cuanto al trabajo de campo.- El estudio de avenidas, como

parte del estudio hidrolgico de un proyecto, es necesario que
est~ a cargo de un ingeniero con mucha experiencia de
campo.
En el campo deben reunirse todos los datos que se refieren a
las caractersticas hidrolgicas de la cuenca. Debe prepararse un mapa a curvas de nivel mostrando la delimitacin de la
cuenca y la ubicacin de cada estacin hidromtrica y/o p1uviQ.
mtrica. El ingeniero que hace el estudio de las avenidas debe hacer un recorrido de inspeccin sobre la cuenca, a fin de
verificarlas divisorias del rea de drenaje ,y los datos de cu
bi erta vegeta 1. El i ngen i ero experimentado sabe que ciertos d~
talles topogrficos ejercen una influencia importante en la
magnitud de la precipitacin, y que algunl'i formaciones geolgicas tienen la caracterstica de producir elevadas descargas
en las avenidas mientras que otras tienden.a reducir el pot~n
cial de las avenidas. El recorrido debe incluir visitas ~las
cuencas vecinas si es que se prev el uso de los registros de
las cuencas vecinas en el estudio.
~asos

l.

especiale?

Las relaciones lluvia-escurrimiento se establecen ~ara la

hiptesis general de que la cuenca hmeda coincide con la
cuenca topogrfica. En estas circunstancias el coeficiente de escorrenta e tiene valores menores que la unidad.
Hay ocasiones sin embargo en que esto no es as. La figura adjunta muestra cmo la presencia de un estrato impermeable puede hacer que el valor del coeficiente de escurrimiento resulte mayor que la unidad.
cuenca
cuenco

hmeda
topogrfica

Este caso requiere un estudio especial para determinar la

cantidad de agua d~escorrenta de que se puede disponer.
2.

Las descripcianeshechas en este texto, acerca de las avenidas, se refieren al caso general de avenida~ que resultan de las precipitaciones pluviales sobre una cuenca sin
deshielos. Hayacasiones, ~.in embargo, en que los eSCl,Jrri
mientos producidos por los deshielos son una catacter$ti~
ca dominante, E~ estos. casos el gasto de la corriente prO
veniente de los; deshielos puede ser grande y debe aadirse
al gasto caH:ulado para la lluvia. Adems, cuando se esti
me el escurrimi ento produci do por ] as 11 uv i as en
es tas
reas, debe considerarse que parte de la cuenca est cu178

bierta por nieve. El escurrimiento de la lluvia que cae

ert la nieve puede llegar a ser igual a la precipitacin.
Por 10 tanto, las prdidas totales por retencin para la
lluvia en una cuenca parcialmente cubierta por la nieve s~
rn menores que las de la misma cuenca cuando no est cubierta por la nieve.
3.

Ciertas cuehcas poseen accidentes o medios que tetardan el

escurrimiento, como lagunas, pantanos, hojarasca y tierra
vegetal porosa. Estas cuencas requieren tambih un estudio especial que se encarga a ingenieros con mucha experiencia.

10.4 Anlisis de Frecuencia de Valores Medios

El anlisis de frecuencia de valores medios (por ejemplo, gastos medios ~ensuales, precipitaciones anua1es,vo1amenes de
escorrentfa,
etc) se efecta con distribuciones como la normal o lag normal.
-

En esta ocasin slo se vern dos aspectos importantes del anlisis de

frecuencia de valores medios: la curva de gastos clasificados o curva
de duracin y el tratamiento especial que conviene darle a las series
que contienen valores ceros.
Curva de Duracin

En el apartado 6.5 fue descrita esta curva y la forma cmo se cohstru"

ye. Ahora vamos a ver de qu manera se obtiene la curva de duracin a
partir de registros cortos.
Una curva de duracin ser ms representativa de las condiciones de es
currimi ento en una cuenca mi entras mayor sea el perodo de tiempo que
abarquen los datos. Si se cuenta con un regi stro corto, se puede dib.H,.
jar una curva de duracin representativa de un perfodo ms largo mediante el siguiente mtodo recomendade por el U.S. Geologica1 Survey.
1.

Se dibuja ~na curva de duracin para la estacin en estudio

con los registros que ella posee. .

2.

Se elige otra estacin B de rgimen fluviomtrico similar yco~ re

gistro ms extenso. Se construye una curva de duracin de esta es
tacin B para un perfodo de registro concurrente con el de la esti
cin A.
-

3.

A partir de las curvas dibujadas en 1 y 2 se determinan los cauda"

les para varias probabilidades de excedencia. Estos puntos selle
van a un grfico y se determina una curva de. relacin entre ambas
es tac iones.

4.

Se construye luego la curva de duracin de B para topo el

que tiene registros.

5.

En
de
ra
de

(A)

perodo

base a las curvas determinadas en 3 y 4 se construye la curva

duracin de A representativa del perodo de larga duracin. Pa
ello, se entra a la curva determinada en 4 con una probabi1idaa
excedencia y se obtiene un caudal para B. Con ese caudal se en
179

tra a la curva determinada en 3 y se tiene el caudal para A con la

probabilidad de excedencia dada. Repitiendo este procedimiento p~
ra varias probabilidades se puede trazar la nueva curva de duracin para la estacin A.
La seleccin de la estacin de registros ms largo debe hacerse considerando que debe tener condiciones climticas y fisiogrficas similares a la de la cuenca en estudio. Es por ello que debe preferirse seleccionar una estacin en el mismo ro, Adems, la estacin seleccionada y la estacin en estudio deben tener un perodo concurrente de re
gistros suficiente como para poder establecer una curva de
relaci
aceptable. Otro factor que es conveniente considerar al seleccionar
la estacin es su distancia a la estacin en estudio, A igualdad de
otros factores, estaciones cercanas darn mejores relaciones que estaciones ms alejadas.
Estimacin de curvas de duracin.
En algunas oportunidades se requieren curvas de duracin en ros que
no tienen datos fluviomtricos. Cuando la parte baja de la curva (cau
dales pequeos) no es de gran inters, se puede recurrir a la trasposI
cin desde cuencas vecinas de curvas de duracin por unidad de rea.
En cambio, si interesa la distribucin de los caudales chicos la trasposicin puede no ser aceptable ya que ellos dependen en gran medida
de las caractersticas geolgicas de la cuenca.
Anlisis de frecuencia de datos con ceros
Al intentar hacer un anlisis de frecuencia de cierto tipo de datos co
mo por ejemplo, datos de valores medios, crecidas en cuencas pequeas
de regiones ridas, etc, es fcil encontrar muestras que contengan valores cero. El problema se presenta porque las distribuciones comunes
no se ajustan a una serie con esas caractersticas. Por esta raz6n,
Jennings y Benson desarrollaron un mtodo basado en probabilidades co~
dicionadas que permite realizar en fonna fcil el anlisis de frecuencia de una serie del tipo sealado.
En la figura se indica el espacio muestral y los diferentes eventos que
se van a considerar,
La frmula para probabilidades condicionadas indica que:
P (y/x)

P (y . x)

P{x}

De acuerdo a la figura la interseccin

p(y/x}
Luego:

p(y)

= ~~~~

= P(x) , P(y/x)

180

d~

y,x es y de modo que:

Xb

Xm

-1

SUbCOnjUnto y
Evento sobre uno magnitud Xm

Subconjunto x
Evento sobre uno magnitud Xb

..

Espacio

1
j

total de n eventos

..1

muestral; total de N eventos

La probabilidad de que ocurra el evento x es igual a n/N, de

que:
P(y)

= ~

manera

P(y/x)

La.altima ecuacin expresada en trminos hidrolgicos y

quedara:
Prob (evento> xm) = N- Prob (evento:> xm/evento > O)

hacie~do

xb=O,

(10.6)

De acuerdo con lo anterior, para obtener las probabilidades de exceden

cia de una serie con valores nulos, se efectaa un anlisis de frecuen~
cia de la serie que contiene todos los valores mayores que cero y luego se multiplican estas altimas probabilidades por la razn n/N.
10.5 Anlisis de Frecuencia de Precipitaciones
Lo estudiado sobre anlisis de frecuencia de crecientes se aplica tambin a las precipitaciones. No obstante los numerosos estudios comparativos realizados con las diferentes distribuciones no se ha llegado
a una conclusin general definitiva.
Los valores de la precipitacin mxima horaria o diaria se ajustan bien
a distribuciones tales como la de valores extremos tipo 1 y log-Pea~
son ti po 11 I.
En zonas hamedas el valor medio es alto y por lo tanto la precipitacin mensual, estacional o anual se aproximan bien a una distribucin
normal. En zonas ridas los valores se ajustan mejor a distribuciones
como la log-normal y las transformadas de la distribucin normal.
181

Curvas intensidad-duracin-frecuencia
En el apartado 2.7 se describi la forma de obtener las curvas intensi
dad-duracin-frecuencia. En el manejo de la frmula racional (aparta~
do 7.3) se vi la aplicacin de estas curvas para obtener el valor de
i que entra en dicha frmula.
Lamentablemente, los registros pluviogrficos son escasos, de modo que
el procedimiento descrito para obtener las curvas pocas veces eS aplicable en la prctica. Esta situacin ha llevado a algunos investigad~
res a buscar procedimientos que permitan superar tal deficiencia, apro
vechando al mximo la informacin realmente existente. Frederich BelT
(1969) public un trabajo en el cual generalizaba las curvas
intensi
dad-duracin-frecuencia, a partir de datos recogidos principalmente e
Estados Unidos. El argumento fsico en que se apoy es el hecho
de
que las lluvias extremas de menos de dos horas de duracin se deben a
tormentas de tipo convectivo, las cuales poseen caractersticas simila
res en totlas las regiones del mundo.
La expresin matemtica propuesta por Be11 es la siguiente:

p
t

T
T

Pt

(0.21

T + 0.52)(0.54 tO. 25 - 0.50) p~~

(10.7)

duracin en minutos
perodo de retorno en aos
precipitacin cada en t minutos con perodo de retorno T
aos.

La frmula es aplicable a lluvias de menos de dos horas de,duracin y

con perodos de retorno comprendidos entre 2 y 100 aos. Estudios hechos en diferentes partes del mundo han cond~cido a valores sensiblemente iguales para todos los lugares. Se observa que se requiere cono
cer la precipitacin de una hora de duracin y 10 aos de perodo de
retorno.
En realidad no siempre se cuenta con informacin de lluvias de una hora de duracin. Pero Esp1dora, obtuvo en Chile que la relacin entre
la lluvia mxima diaria y la lluvia de una hora es ms 9 menos constan
te e igual a 4.04. Esto hace posible obtener la lluvia PiS que entra
en la frmula, a partir de las lluvias mximas diarias cuyos registros
son ms frecuentes.
El procedimiento completo entonces viene a ser el siguiente. A partir
de los registros de precipitaciones mximas diarias obtener, mediante
un anlisis de frecuencia, la magnitud de la lluvia con perodo de retorno 10 aAos. Usando el coeficiente de Esp1dora tener P6~ y luego
aplicar la frmula de Be11. Por ltimo, calcular, a partir de las ma~
nitudes encontradas de lluvia, las intensidades correspondientes a fin
de poder construir las curvas intensidad-duraci6n-frecuencia.
Mapas de 11uvia-duracin-frecuencia
En vez de intensidades se grafican otras veces las cantidades de 11uvia 1 siempre para diferentes duraciones y frecuencias, logrndose confecciona,r mapas regionales e incluso para todo el pas. Estados Unidos, por ejemplo, tiene mapas de lluvia para duraciones entre 30 minu182

tos y 24 horas, para perodos de retorno entre 1 y 100 aos. Estos m~

pas se elaboran a partir de precipitaciones en parte observadas y en
parte estimadas a travs de correlaciones mltiples usando parmetros
como la pendiente, la elevacin, las distancias, etc.
Todos los mapas de 11uvia-duracin-frecuencia muestran datos puntuales
de 11uvia,pero se supone que estos valores son aplicables para reas
de hasta 25 km 2 La precipitacin media en una rea debe ser menor
que la precipitacin mxima puntual en el rea.
10.6

Anlisis de Frecuencia de Sequas

Se acostumbra definir la sequa en trminos de perodos fijos de tiempo con menos de una cantidad mnima de agua (caudal o lluvia).
Por 10 general interesan los caudales bajos. Se puede en este caso s~
1eccionar el caudal mnimo cada ao durante perodos de diversas 10ngi
tudes (1 da, 7 das, 30 das, etc) y aplicar a esta serie el anlisis
de frecuencia segn la distribucin log normal. Tambin se puede utilizar el modelo de Gumbel, pero con escala logarbnica para los caudales debido a los amplios lmites de los valores.
Las lneas de frecuencia ya no resultan rectas como en el anlisis de crecidas,
sino
curvas como muestra la figura.
10 o

80 1,
60 l'..'\.
11.'-.'-."

\\.'\."-

"

o \\"\

.
o

2
1'\.

'"

r\"

""'-"
"" f'-,
~
b..

~ ~ 1\1"-

~1\"

"-

IV'

""

..
..
e

E
o

f'r-

1"-

1"183 diOs
."~

'\.

\'\

i'-.

Q.

t'--,.

'O O,8I
o

...........

l'

"
"~ "

\, '\

.........

o,

"\

f'

"

"\

'"

"\ lIios

l'
l i d o

110 p

1,01

1,1 1,2

1,5

GI

-{),05

r----

"U
411

o....

1':

~ Rt OA lNo IN
I os
I
2
3 4 5 6 8 10

0,02

.g
8

:l

- 0,01

r--- -

"",

.1"-

o, 2
PE

c;

Q.
__ o

20 dlol -

o, 4

- 0,1

30 dios

t::.

1' ......

O,1

0,2

6Od(os

"V

t's;

12C dos

'\. "-

t- 0,5
1'-

" r-...

.~

.~

"V

20 30 40

la frecuencia de la sequa en tirminos ~~ la lluvia puede presentarse

en un grfico similar, q\:Je mostrara la frecuenCia de varias cantidades ~7n,mas de lluvia en perodos de diversas longitudes.
183

10.7 Breve Mencin de los Procesos Estocsticos

10.7.1

Introduccin
Sea una variable x. Si el comportamiento de x puede predecirse con certeza, x es una variable detenninstica. sr no, x es
una variable aleatoria o random, pudiendo decirse que x est
gobernada por las leyes de la probabilidad.
Asumamos ahora que el comportami ento de x puede observarse de
manera secuencial Xl' X2' ... , en que los subndi ces representan 4ntervalos de tiempo. Dicha secuencia se llama serie de
tiempo. A estas series nos referimos en este apartado.
Las series de tiempo son series estocsticas. Y el juego de
variables aleatorias Xl' X2' ... , asociadas segn su distribucin de probabilidad se llama proceso estocstico. El trmino
estocstico tiene pues una significacin ms amplia que el tr
mino probabilsticn.
~
los procesos estocsticos en hidrologa pueden representarse
de dos maneras, en forma discreta (fig. a) o en forma continua
(fig . b). siendo la segunda la ms comn.
X:t

+----------t
Fig. a

Fig. b

Aparte de la funcin de distribucin f(XI' x2' ... ), conviene

indlcar algunas propiedades, como valor esperado, varianza y
covarianza. El valor esperado de un proceso estocstico Xl'
X2' ... , se compone del juego de valores esperados de cada posicin en el tiempo: E(XI)' E(x2), .... El juego de varianzas
es Var(xI)' Var(x2)' .... Tambin se usa la notacin:

a 2
t

::z:

Var(x t ), t = 1,. 2, ...

Considerando dos poslclones cualesquiera t y t-K, la covarianza entre las variables Xt y Xt-K se representa por:
Cov(K)

Cov(x , x _ )
t
t K

La covarianza es la propiedad que describe la dependencia

neal del proceso estocstico.
184

li-

Un proceso estocstico (serie de tiempo) es estacionario en el

promedio si los valores esperados no varan con el tiempo:

Anlogamente, cuando Var(Xt) = 0 2 , t = 1, 2, .. es una constante, el proceso estocstlco es estacionario en la varianza.

Un proceso estocstico es estacionario en la covarianza cuando
la covarianza depende slo del retardo K pero no depende de la
posicin t:
COV(X t , xt _K) = Cov(K), sin importar t
Un proceso estocstico es estacionario de primer orden cuando
es estacionario en el promedio y estacionario de segundo orden
cuando es estacionario en el promedio y en la covarianza
(se
hace notar que estacionario en la covarianza implica estacion!
rio en la varianza).
En las definiciones que se han dado, en vez de usar el trmino
proceso estocstico estacionario se puede decir tambin series
de tiempo estacionarias o simplemente series estacionarias.
Modelos
Un modelo matemtico representando un proceso estocstico se
llama modelo estocstico o modelo de serie de tiempo.
Tiene
una cierta forma matemtica o estructura y un juego de parmetros.
Un modelo de serie de tiempo simple podra estar representado
por una simple funcin de distribucin de probabilidad.
f (x; e)

con parmetros e = {el' 82, ... } vlidos p~ra todas las posiciones t = 1,2 ... Y sin ninguna dependencia entre xl' X2'
Por ejemplo, si x es normal con promedio u y varianza
modelo de la serie de tiempo puede escribirse:
t

= 1, 2 ...

02,

el

(JO.8)

donde Et es tambin normal con promedio cero, varianza uno

El' E2, son independientes.

El modelo 10.8 tiene parmetros u, o y desde que ellos

son
c.onstantes (no varan con el tiempo) el modelo es estacionario.
Un modelo de serie' de tiempo con estructura dependiente puede
formarse como:
E

(10.9)
185

donde ~t es una serie independiente con promedio cero y varian

za (1 _~2). t es la serie dependiente y ~ es el parmetro d~
modelo.
Si t de 10.8 fuera representada por el modelo
dependiente
10.9 entonces Xt sera tambin un modelo dependiente. En este
caso los parmetros del modelo de Xt seran u, a y ~.
Desde que los parmetros de los modelos recin considerados son
constantes los modelos son estacionarios, representando series
de tiempo estacionarias o procesos estocsticos estacionarios.
Los modelos no estacionarios resultan cuando dichos parmetros
varan con el tiempo.
Mode1aje de series de tiempo
El modelaje de series de tiempo es un proceso que puede
ser
simple o complejo, dependiendo de las caractersticas de la se
rie que se tiene, del tipo de modelo a usar y de las tcnicas
de mode1aje que se sigan.
Por ejemplo, series con caractersticas estadsticas que no va
ran con el tiempo generalmente conducen a modelos y tcnicas
de mode1aje que son ms simples que aqullas de series con caractersticas que s varan con el tiempo.
Hay varios modelos estocsticos que pueden usarse para representar una serie de tiempo, unos ms complejos que otros.
Para cada modelo hay tcnicas conocidas para estimar los parmetros del modelo y para probar cun bueno es el modelo; aqu
tambin unas tcnicas son ms complejas que otras.
En general, los pasos en el mode1aje son:
l.
2.
3.
4.

Seleccin del tipo de modelo.

Identificacin de la fonna o el orden del modelo
de parmetros).
Estimacin de los parmetros del modelo.
Comprobacin de la bondad del modelo.

(nmero

El mode1aje es por eso un proceso iterativo.

10.].2 Modelos de Series de Tiempo
En 1914 Hazen mostr ya la posibilidad de usar la teora de la
estadstica y la probabilidad eh el anlisis de la secuencia
de los caudales en un r.o.' Pero no fue sino por los aos
60
que se inici el desarrollo formal del mode1aje estocstico.
Los principales modelos estocsticos conocidos se sealan
a
continuacin, hacindose notar que no es nica la manera de ex
presar cada 'uno de ellos.
186

1)

Modelo de filtro lineal

La idea es que una serie de tiempo en la que los
valores
sucesivos tienen alta dependencia, puede ser considerada
como generada por una serie de variables aleatorias at generadas por una distribucin nica de valor esperado cero
y varianza conocida oa 2 . Usualmente estas variables
son
normales y en este caso se conocen como ruido blanco.
El proceso queda definido entonces por el modelo:
(10.10)

donde u es un parmetro que determina el nivel del proceso

~l' ~2' ... puede ser finita o infinita. Si
la secuencia es finita o infinita pero convergente el proceso es estacionario.

y la secuencia

2)

Modelo de autorregresin
del
Este modelo de proceso estocstico ~xpresa el valor
proceso en el instante t, como una combinacin lineal de p
valores anteriores y de una variable aleatoria at con valor esperado cero y varianza oa 2 conocida.
Sea

Z, Zt_l'

Z = lt -

Zt_p
u

Entonces el proceso

Zt

= ~ 1 Zt_l

-+ <P2 Zt_2 + ... + <PpZt_p + a t

(l0.11)

se denomina proceso autorregresivo de orden p. En forma

abreviada AR(p). Tambin se conoce con el nombre de proc!
so ma rkovi ano.
El modelo contiene p + 2 parmetros por determinar u,
<P~, a2 y es posible hacer ver que se tfata de
caso partlcular del modelo de filtro lineal.

<P2'

tPl'
un

El modelo AR(1) resulta de considerar solamente un trmino

autorregresivo en la ecuacin 10.11:

y se llama modelo autorregresivo de primer orden o modelo

Markov de primer orden.

De manera similar, el modelo AR(2) se obtiene haciendo p=2

en la ecuacin 10.11.
187

Estudiar las propiedades de los modelos AR es referirse al

valor esperado, la varianza, la funcin de autocorrelacin
o correlograma y las condiciones que deben reunir los pari
metros del modelo.
3)

Modelo de promedios mviles

El proceso estocstico definido-por un modelo de promedios
mviles representa el valor de Zt como combinacin li.n'eal
de q valores de una secuencia de variables aleatorias at,
con valor esperado cero y varianza aa 2
Entonces:

(10.12)

se denomina proceso de promedios mviles de orden q.

En
forma abreviada MA(q). El nombre de promedio mvil se con
serva por tradicin, pues los valores 1, 8 1 , - 8 2 ,,,, - 8q~
no deben ser necesariamente positivos ni sumar uno.
Este
proceso conti ene q + 2 parmetros por determi nar a parti r
de los datos de las series.'
4)

Modelo autorregresivo de promedios mviles

Un tipo de proceso que permite una extraordinaria flexibilidad para ajustar series reales es uno que combina las ca
ractersticas de los dos modelos anteriores. Es as como
se puede definir un proceso:

(10.13)

que necesi ta p + q + 2 parmetros que deben ser

El nombre abreviado de este modelo es ARMA.
5)

estimados.

Modelos no estacionarios
Se trata de una generalizacin de los modelos previamente
mencionados. Se trata de representar series cuyo comporta
miento no es estacionario y en particular que no varan en
torno a un valor medio, pero que sin embargo tienen
un
cierto tipo de comportamiento homogneo.
Un proceso de esta naturaleza puede ser representado porque sus diferencias de orden d conforman un proceso estacionario tipo ARMA, es decir si
Wt

vd Zt
188

donde vd representa las diferencias de orden d del proceso

Zt:
W
y

= <1>1 W _ + .. + qpWt_p + a

t 1

t '- el at _1 - ... - eqa t _q

(10.14)

El proceso as definido se denomina proceso autorregresivo

de promedios mvi les integrado, de orden (p, d, q). En for
ma abreviada ARIMA.
Es interesante hacer notar dos elementos importantes de e~
te tipo de procesos. El primero es que puede ser considerado como la aplicacin en serie de tres modelos de filtro
lineal con coeficientes especiales, y la segunda es que ha
sido empleado con gran xito en la representacin de series de tiempo estacionales.
10.7.3

La Funcin de Autocorre1acin
La funcin de autocorre1acin mide la dependencia lineal
que
existe entre la serie dada y la misma'serie desplazada en el
tiempo.
Este concepto permite analizar una serie de tiempo e identificar parcialmente el proceso subyacente si la funcin de autocorrelacin tiene la estructura esperada.
Para definir formalmente la funcin de autocorre1acin o corre
10grama es necesario definir previamente la autocovarianza para un desplazamiento K:
YK = E I (Zt - u) (Zt+K - u)

(10.15 )

Para procesos estacionarios, la funcin de autocorre1acin se

puede definir entonces como:
r(K)

K = 0,1,

donde Yo = E I (Zt Estimacin de

U)2

(10.16 )

I es la varianza constante del proceso

corre1ograma~

Hasta aqu se ha considerado solamente la funcin terica de

autocorre1acin que describe un proceso estocstico.
En la
prctica se tiene una serie de tiempo finita Zl' ... , Zn, con
N observaciones, de la cual slo se puede obtener una estimacin de la funcin.
Se han sugerido diversas estimaciones de la funcin e y cada su
gerencia tiene caractersticas y propiedades particulares. Se
ha concluido que la estimacin ms satisfactoria del valor de
la funcin de autocorre1acin para un desplazamiento K es:
189

(10.17)

siendo CK la estimacin de la autocovarianza, segn:

N-K
(la .18)

t=l
K = 0,1,2, ...
1

=N

N
L

t=l

Zt

Tcnicas de anlisis de series de tiempo

Las tcnicas principales de anlisis de series de tiempo utili
zan herramientas matemticas bastante desarrolladas que no co~
rresponde tratar en este texto. Sin embargo, hay dos formas
que son usualmente utilizadas y que no requieren de un desarr~
110 terico muy complicado. Una es mediante los correlogramas
y la otra es mediante el desarrollo en series de Fourier de la
serie de tiempo.
10.7.4

Aplicaciones del Modelaje en Hidrologa

El modelaje de series de tiempo en Hidrologa tiene dos
ciones globales:
1.

2.

aplic~

Para la generacin de series hidrolgicas de tiempo sintti cas.

Para la prediccin de series hidrolgias de tiempo futuras ..

Se requiere la generacin de series sintticas en los siguientes casos:

a)
b)

Para dimensionamiento de reservorios.

Para planear expansiones de la capacidad de sistemas de su
ministro.
c) Para determinar el riesgo de fa11 a de suministro de agua
para i rri gaci ones.
d) Para determi nar el ri esgo de fa 11 a de capaci dades confiables de centrales hidroelctricas.
e) En casos similares.
Se re~uiere la prediccin de series de tiempo futuras en
siguientes casos:
1)

Para planeamiento a corto plazo de operacin de

ros.
190

los

reservo-

2)
3)

10.7.5

Para planeamiento de operacin durante sequas.

En casos similares.

Reflexiones Acerca del Modelaje

Siempre existen diferencias entre los modelos reales y los estimados, y entre los parmetros de los modelos reales y los e~
timados. Dichas diferencias representan las
incertidumbres
del modelaje. Una forma de disminuir tales incertidumbres es
mediante la seleccin del modelo que mejor represente la reali
dad fsica del sistema, Algunas veces puede ser posible usar
leyes fsicas para inferir cules seran las expresiones matemticas del correspondiente modelo estocstico de serie hidrolgica.
El modelaje de procesos de descargas ha seguido esencialmente
dos caminos: el determinstico o simulacin fsica del sistema hidrolgico y el estadstico o simulacin estocstica del
sistema. En el primero hay siempre una correspondencia nica
entre la entrada, digamos precipitacin, y la salida, digamos
descarga. En el segundo los modelos ms ampliamente seguidos
son los modelos autorregresivos. Claro que tambin se han usa
do otros modelos determinsticos o estocsticos.
Actualmente
la tendencia es la de conciliar ambos'puntos de vista. Por un
lado el mtodo determinstico trata la precipitacin como una
variable aleatoria y por otro se busca una justificacin fsica de los modelos estocsticos.
Ejemplo 10.3
Si la recesin del flujo en el ro es de la fonlla

= Qo

Qt
Qo
K

-Kt

caudal al inicio del ao cronolgico

constante de recesin

Entonces la serie anual dependiente de de~argas Zi seguir el

modelo autorregresivo ,de primer orden, AR(l):

Z.1 Z

Z=~

(Z.1 - 1 -

Z)

E
1

promedio de Zi
coeficiente de autorregresin o coeficiente autorregres ivo
componente estocstica independiente.

~
E

Se demuestra que;
~

= e-K

Sin embargo, qu t.an bueno resulta este modelo AR(l), depende

de qu tan buena es 1a supos i ci n de recesi n exponenci al- en- .. ef.
ro.
191

Ejemp lo 10.4
Justificacin fsica de los modelos autorregresivos de promedios mviles (ARf~A) para simulacin de caudales.

precipitacin
Xt

evo porocin
b Xt

O.c;.o,b,c~1

O",o+b.,,;:1

escorrenti'o superficial
(I-a-b) XtcdXt

- ---

-- -

-,..---

aguo 8ubterraneo
c S t-I

flujo anual en el ro
rrenta directa.

= contribucin de a.subterrnea + esco(10.19)

La ecuacin de continuidad para el almacenamiento subterrneo

da:

(10.20)

Combinando 10.19 Y 10.20 Salas y Smith (referencia 10) encontraron que el modelo para el flujo anual Zt puede escribirse
como:
Zt

= (1-c) Zt_1

+ dX t -/ d(l-c) -ac/ Xt _1

(10.21 )

que tiene la forma de un modelo ARMA (1, 1) cuando la precipitacin anual es una serie independiente.

192