Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10.1 Introduccin
De la referencia 9 extraemos los siguientes comentarios, con ciertos
ajustes para su adaptacin al presente texto.
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 fenmeno que se estudia. El avance en el campo de las computado-
ras y el desarrollo creciente de mtodos numricos han dado una impor-
tancia particular al uso de la estadstica en todas las ciencias natu-
rales, 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 determins-
tica 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 princi-
pal 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 cuanti-
ficar la variacin del escurrimiento superficial en todas sus ca-
ractersticas estadsticas, como valores medios, mximos y mni-
mos.
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: --
lo 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 pue-
den desarrollar modelos <que relacionen las precipitaciones con las
de?cargas, mediante.el uso de la regresin simple o mltiple, li-
neal 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 re-
gional.
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.
1988 97 116 91 50 28 19 12 11 6 5 2 12
1988 116
n = 30 ]8
162
TABLA 10.1 POSICIONES DE TRAZADO
N = 10
m= 1 m=5
Probabilidad de
Nombre Ao excedencia (P) P T P T
m 0.10 10 0.500 2
California 1923 N
1930 2m - 1 0.05 20 0.450 2.2
Hazen 2N
m 0.091 11 0.455 2.2
Weibull 1939 N+ 1
1955 m - 0.3 0.067 14.9 0.451 2.2
Chegodayev N + 0.4
1958 m - 3/8 0.061 16.4 0.451 2.2
Blom N + 1/4
Tukey 1962 3m - 1 0.065 15.4 0.451 2.2
3N + 1
Gringorten 1963 m - 0.44 0.055 18.2 0.447 2.2
N + 0.12
Yn
u = x- - a x a
n
a
a =
n
a
x
Reemplazando valores:
y = ax au
a a Yn
= -!!.x ~
n (X'- a ~)
a a X a
X X n
a a
= -a nx - -
a
n-
X + Yn
-
x x
a a
x = -nx- + y - y-
a
x a
x n
y - Y
x = x+ n a
a X
(10.2)
n
--
JI. '- X + Ka (10.3)
x
164
Con la ecuacin 10.3 es posible hallar los caudales con largos
perodos de recurrencia (avenida centenaria, avenida milena-
ria, 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: y = 4.600
Para n = 40 ~ Yn = 0.54
CI
n
= 1,14
De modo que:
y - yn
K = CI
= 3.55
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 distribu-
cin de Gumbel. Los caudales estn en pie 3 /seg.
Ao Qmx Ao Qmx Ao Qmx
1969 36,600 1976 53,100 1983 49,600
1970 69,900 1977 58,800 1984 58,600
1971 99,000 1978 64,100 1985 39,700
1972 76,200 1979 77,800 1986 38,200
1973 62,600 1980 71 ,200 1987 103,000
1974 44,200 1981 59,600 1988 4Z,900
1975 49,200 1982 55,100
165
m Q T m Q T
1 103,000 21.0 11 58,600 1.91
2 99,000 10.5 12 55,100 1. 75
3 77 ,800 7.0 13 53,100 1.62
4 76,200 5.25 14 49,600 1.50
5 71 ,200 4.2 15 49,200 1.40
6 69,900 3.5 16 47,900 1.31
7 64,100 3.0 17 44,200 1.24"
8 62,600 2.63 18 39,700 1.17
9 59,600 2.33 19 38,200 1.11
10 58,800 2.1' n = 20 36,600 1.05
Para n = 20 ~ Yn = 0,52
on = 1.06
Para T = 10 T = 100 T = 1,000
P = 0.1 P = 0.01 P = 0.001
Y = 2.25 Y = 4.60 Y ::;; 6.91
10 = 1.63 100 = J.85
K K K = 6.03
1000
Adems: -x = 60,720
x = 18,233.65
De modo que:
medif\ 10g x
n
.
= -~ 109 x
l
1
,, I
1
,
I
, I
I
I
I
I
,
, 11
,
I I
I
I ,
I
I 1
I
I
,,
I
j
, I
1
,,
I
....a'l :1
(Xl o
,
I '1
:1
o
,
o
:1
I
I
o
,
, ,:1
I
.
I 1
I
lO I
",O 1
I
I
I ,
I
.
1
I O
,
,
I
I
.1 .s LO 5 10 lO 30.40
I
:
50
I
:60
I
70 lO 90 95 .6
P"O.".ILIO"O
97 9.[-.m '9
.IOOJ
t9.5 99,7 99,8 99.51
.J .: 11111111 11 11 1 1111111
-2.0 -,.& -'.0 _0.5 o 0.5 1.0 1.5 1.0 25 3.0 3.5 4.0 4.5 5,0 5.5 -6,0 4;.5 7.0
VA.,A.LE l' DA
RE OU
PAPEL DE PRO B A B I L I DA D DV GUMBEL
--
log x = 1og x + K cr 1og x (l0.4 )
169
El mtodo con s i s te en p1otea r 2 puntos (Q, T) y traza r 1a l-
nea recta que los une, en papel de 'probabilidad log-normal. Se
prolonga esta recta para encontrar el caudal con perodo de re
torno grande. -
2.33 12 25 40
10 8 18 38 90
25 12 31 75 105
50 15 39 90 110
100 48 100 115
172
Toma de decisin
El estudio de las avenidas de largo perodo de retorno tiene
una aplicacin importante en el funcionamiento de los vertede-
ros 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 aprove-
chamientos en la llanura de inundacin aguas abajo, como vi-
viendas, 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 pue-
den 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 es-
tablece~ en una base mucho menos conservadora.
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 rela-
tivamente escasos. Guillot y Duband elaboraron una metodolo-
ga que permite evaluar los gastos mximos de crecidas utili-
zando 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. Las precipitaciones mximas diarias siguen la ley de Gum-
bel o valores extremos tipo l.
2. 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'
3. 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 es-
currido 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:
y - y
x = x + n
n
= y
A
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.
cuenca hmeda
cuenco topogrfica
Curva de Duracin ~
p(y/x} = ~~~~
180
Xb Xm
SUbCOnjUnto y -1
Evento sobre uno magnitud Xm
Subconjunto x 1
Evento sobre uno magnitud Xb j total de n eventos
..
\
Espacio muestral; total de N eventos
..1
P(y) = ~ P(y/x)
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 apli-
cable 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:
t duracin en minutos
T perodo de retorno en aos
T
Pt 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 he-
chos en diferentes partes del mundo han cond~cido a valores sensible-
mente 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 ho-
ra 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 re-
torno 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 11u-
via 1 siempre para diferentes duraciones y frecuencias, logrndose con-
fecciona,r mapas regionales e incluso para todo el pas. Estados Uni-
dos, por ejemplo, tiene mapas de lluvia para duraciones entre 30 minu-
182
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.
~1\"
IV' "- f'r- t- 0,5
~ 1'-
8
o
6
""
.~ " r-...
'\. "-
1"- 1"183 diOs
12C dos
."~
t's; 0,2
.. 4
'\. l' ........... - 0,1
e
.~
..
"V
2
\'\
i'-.
"
"~ "
.........
6Od(os
~ c;
GI
2
"U
"\
E
o \, '\ f'
1' ......
r----
-{),05 411
E
~
Q.
t'--,. "\ " 30 dios
o....
'O O,8I
Q.
~
-
__ o
"V
o 20 dlol - ~ 0,02 .g
~ o, t::. :l
~ ~ 8
o, 4
'" "\ lIios
- 0,01
o, 2
l'
.1"-
l i d o
"",
-
PE 110 p ~ Rt OA lNo IN I os 1':
r--- -
O,1 I
1,01 1,1 1,2 1,5 2 3 4 5 6 8 10 20 30 40
X:t
+----------t
Fig. a Fig. b
a 2
t
::z: Var(x t ), t = 1,. 2, ...
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 parme-
tros.
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 posi-
ciones t = 1,2 ... Y sin ninguna dependencia entre xl' X2'
Por ejemplo, si x es normal con promedio u y varianza 02, el
modelo de la serie de tiempo puede escribirse:
t = 1, 2 ... (JO.8)
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.
Z = lt - u
Entonces el proceso
--
Zt = ~ 1 Zt_l + <P2 Zt_2 + ... + <PpZt_p + a t (l0.11)
(10.12)
(10.13)
5) 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 por-
que sus diferencias de orden d conforman un proceso esta-
cionario 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)
Estimacin de corre1ograma~
1 N
Z =N L Zt
t=l
Ejemplo 10.3
Si la recesin del flujo en el ro es de la fonlla
-Kt
Qt = Qo
Qo caudal al inicio del ao cronolgico
K 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.1 - 1 - Z) + E
1
Z promedio de Zi
~ coeficiente de autorregresin o coeficiente auto-
rregres ivo
E
1
componente estocstica independiente.
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 prome-
dios mviles (ARf~A) para simulacin de caudales.
precipitacin
Xt O.c;.o,b,c~1
evo porocin 1 O",o+b.,,;:1
b Xt r
escorrenti'o superficial
(I-a-b) XtcdXt
- ---
-- - -,..---
aguo 8ubterraneo -
c S t-I
o (10.20)
192