Hidrologia Rio Entaz

EXPEDIENTE TECNICO “ENCAUZAMIENTO Y DEFENSA RIBEREÑA RIO ENTAZ – VILLA RICA
HIDROLOGÍA
GENERALIDADES
INTRODUCCIÓN
Los fenómenos de inundación son frecuentes en épocas de avenidas principalmente en los meses de
Enero, Febrero y Marzo
El presente estudio tiene como objetivo plantear una alternativa de solución con la obra de defensa
ribereña en el río Entaz
La realización del presente estudio, permitirá otorgarle mayor consistencia a la información existente
relacionada a la disponibilidad de los recursos hídricos y sus usos dentro del ámbito del proyecto,
cuyos estudios han sido realizados por consultores e instituciones del Estado. Una vez compilada la
información existente, se tomaron datos de campo en relación a descargas base, uso actual del agua
y la fisiografía de la subcuenca, con lo cual se ha evaluado y complementado la información
hidrológica.
El presente estudio se realiza en el tramo del proyecto, con el objeto de complementar la protección
de las viviendas y Centros Educativos asentadas en la margen derecha del río Entaz, a fin de evitar el
desborde del río y la erosión, ya sea por avenidas normales o extremas en función al desplazamiento
del lecho del río.
MARCO TEÓRICO
HIDROLOGÍA
La hidrología, versa sobre el estudio del agua de la tierra, su existencia y distribución, sus
propiedades físicas y químicas y su influencia sobre el medio ambiente, incluyendo su relación con
los seres vivos. El dominio de la hidrología abarca la historia completa del agua sobre la tierra.
EL CICLO HIDROLÓGICO
El ciclo hidrológico, es la sucesión de cambios que experimenta el agua al pasar de la atmósfera a la

tierra y volver nuevamente a la atmósfera; dichos cambios están referidos a la evaporación desde el
suelo, mar o aguas continentales, condensación de nubes, precipitación, acumulación en el suelo de
masas de agua y reevaporación.
El ciclo hidrológico involucra un proceso de transporte recirculatorio e indefinido o permanente del

agua, este movimiento permanente del ciclo se debe fundamentalmente a dos causas: la primera, la
radiación solar, mediante la cual el sol proporciona la energía para elevar el agua (evaporación) y, la
segunda, la gravedad terrestre, que hace que el agua condensada descienda (precipitación y
escurrimiento).
Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

SUBCUENCA DEL RÍO ENTAZ
DEFINICIÓN
En general, una CUENCA, es el área de alimentación de una red natural de drenaje cuyas aguas
provenientes de las precipitaciones son recogidas por un colector común. Una quebrada o un cauce
cualquiera, es el dren natural de toda una cierta zona de terreno; esta quebrada, a la salida entrega a
otro dren natural mayor el agua por ella recogida, este dren mayor que puede recoger el agua de
varias quebradas, entrega a su vez toda el agua a otro dren aún mayor y así sucesivamente. La zona
de terreno drenada por el dren recibe el nombre de cuenca.
UBICACIÓN
La zona de estudio está ubicada en el Distrito de Villa Rica, Provincia de Oxapampa, Región Pasco,
esta conformado por las viviendas y Centros Educativos asentados en la margen derecha del río
Entaz en su tramo frente a la ciudad de Villa Rica.
INFORMACIÓN CARTOGRÁFICA
La información topográfica y cartográfica básica utilizada para el estudio de nuestra Subcuenca, ha

constado de las cartas nacionales, cartas de restitución aerofotográficas elaborado por el Instituto
Geográfico Nacional (IGN) a la escala 1:100 000; identificados como sigue:
Oxapampa (22m)
La Merced (23m)
Satipo (23n)
Puerto Prado (23ñ)
Jauja (24m)
Andamarca (24n)
PARÁMETROS MORFOLÓGICOS DE LA SUBCUENCA DEL RÍO ENTAZ
DELIMITACIÓN DE LA SUBCUENCA DEL RÍO ENTAZ
Se designa como delimitación de una cuenca, a la línea que separa las precipitaciones que caen en
cuencas inmediatamente vecinas y que encaminan la escorrentía resultante para uno u otro sistema
fluvial. La divisoria sigue una línea rígida, atravesando el curso de agua solamente en el punto de
salida y une los puntos de máxima cota entre cuencas contiguas, lo que no impide que en el interior
de una cuenca existan picos aislados con una cota superior a cualquier punto de la divisoria. Para la
delimitación de la subcuenca, se ha utilizado la carta nacional digitalizada a escala 1:25 000 de
acuerdo con su divisoria topográfica. El resultado de la delimitación puede observarse en el plano
correspondiente.
Bajo estos criterios, se han efectuado las delimitaciones dentro de la subcuenca del río Entaz, de
acuerdo al interés del proyecto y por la falta de información hidrométrica

ÁREA
El área de la subcuenca del río Entaz delimitado es 80.25 km2
PERÍMETRO
EL PERÍMETRO DE LA SUBCUENCA DEL RÍO ENTAZ ES DE: 38.23 KM

INFORMACIÓN BÁSICA EXISTENTE
Dentro de la información existente, solamente se dispone de registros meteorológicos, mas no de

registros hidrométricos, cuyas estaciones en su mayoría son operadas por el SENAMHI; por lo que el
estudio hidrológico se ha orientado a la generación de caudales maximos 24 horas, sobre la base de
los registros históricos de precipitaciones, complementado con un programa de medición de caudales
en los diferentes tributarios del río Entaz.
Dentro del trabajo realizado en esta etapa, se ha recopilado y actualizado la información básica
existente en el área de influencia del proyecto y, para las mediciones caudales en campo, se ha
utilizado las huellas de los registros en el mismo rio.
Además de la evaluación de los registros históricos de precipitaciones de la red de estaciones

meteorológicas, el trabajo de campo tuvo como objetivo evaluar los recursos hídricos superficiales,
tanto en cantidad como en calidad
PRECIPITACIÓN
La precipitación se define como el fenómeno de la caída del agua desde las nubes en forma líquida o
sólida, la cual es precedida por el proceso de condensación o sublimación o de ambos a la vez y, está
asociada primariamente con las corrientes convectivas del aire.

MAXIMAS AVENIDAS
HIDROLOGIA ESTADISTICA Y DISTRIBUCION DE PROBABILIDADES
INTRODUCCIÓN
En todo estudio de planificación para el aprovechamiento de los recursos hídricos, con fines de
defensas ribereñas, un aspecto muy importante, es la determinación con cierto nivel de confianza de
las máximas avenidas. Una sobreestimación para determinar caudales de diseño, implicara
necesariamente el sobredimensionamiento de las estructuras con el consiguiente incremento de los
costos; por el contrario, una subestimación del caudal de diseño implicara un dimensionamiento
inadecuado de las obras y no cumplirá el objetivo de su planeamiento a cabalidad.
Para determinar los máximos eventos, existen muchas metodologías, las que podemos mencionar:
Métodos Directos, Empíricos, Probabilísticas e Hidrométricas.
Para el presente estudio, se ha aplicado las funciones de distribución de probabilidad teóricas, de

mejor adaptabilidad a las precipitaciones máximas en 24 horas. El hecho de conocer la descarga pico,
para diferentes periodos de retorno, permitirá tomar las prevenciones necesarias para el diseño de las
estructuras en los márgenes de los ríos.
Se conoce como máxima avenida, el acontecimiento correspondiente a la circulación de una caudal

extraordinario por el cauce del río. Por lo general, las máximas avenidas se producen cuando el agua
procedente de todos los puntos de la cuenca ha fluido hasta una determinada sección. El periodo de
tiempo requerido para esto, se denomina tiempo de concentración. La descarga de una avenida, se
debe generalmente a numerosas variables que incrementan el caudal normal del curso de agua
El río Entaz en la zona de estudio, no cuenta con mediciones de descargas pico, por lo tanto la
máxima avenida ha sido estimada en forma indirecta, haciendo uso de las precipitaciones máximas en
24 horas, registradas dentro del área de estudio
RED DE ESTACIONES METEOROLÓGICAS
Para el presente estudio se tuvo la información pluviométrica del Servicio Nacional de

Meteorología e Hidrología SENAMHI; correspondiente a las Estaciones pluviométricas que se
hallan cerca al área de estudio y cuentan con datos suficientes y actualizados.
REGISTROS DE PRECIPITACIÓN
El análisis de los registros nos conducirá a escoger la mejor distribución de probabilidad que
se ajusta a nuestros datos y con esta distribución finalmente construir el diagrama de
Intensidad Duración y Frecuencia.
Para el cálculo de los parámetros estadísticos se usará la serie de precipitaciones máximas

de 24 horas. Los registros de precipitación se muestran en el siguiente cuadro:

ESTACIONES CLIMATOLOGICAS OXAPAMPA Y VILLA RICA
PRECIPITACIONES MAXIMA EN 24 HORAS(mm)
ESTACIONES
AÑO
OXAPAMPA VILLA RICA
1982 0 51.30
1983 0
1984 36.00 70.60
1985 45.10 60.50
1986 52.70 43.30
1987 54.70 67.00
1988 35.20 43.30
1989 56.30 54.00
1990 46.60 67.00
1991 62.60 63.20
1992 44.00 88.10
1993 68.20 82.80
1994 44.60 74.70
1995 54.7 63.80
1996 38.00 42.00
1997 65.00 58.00
1998 30.60 65.70
Fuente Servicio Nacional Hidrologia y Meteorología SENAMHI
PROBABILIDAD DE OCURRENCIA DE LA PRECIPITACIÓN
Existen varias formulas para calcular la probabilidad de ocurrencia, la misma que se muestra
en las siguientes tablas, siendo la mas utilizada la formula de Weibull.
Formulas empíricas para determinar la probabilidad de Ocurrencia

Método Probabilidad de Ocurrencia (P)
California m
n
Hazen m  1/ 2
n
Weibull m
n 1
Chegadayev m  0.3
n  0.4
Blom m3/8
n 1/ 4
Tukey 3m  1
3n  1
Gringorten ma
n  1 2a
Donde:
P= Probabilidad experimental o frecuencia relativa empírica
m= Número de Orden
n= Número de datos
a= Valor comprendido en el intervalo 0<a<1, y depende de n, de acuerdo a la siguiente tabla
N 10 20 30 40 50 60 70 80 90 100
A 0.448 0.443 0.442 0.441 0.440 0.440 0.440 0.440 0.439 0.439
ANÁLISIS Y TRATAMIENTO DE LA INFORMACIÓN
Los valores históricos, completos y consistentes utilizados datan desde el año 1982 hasta el
año 1998 ( 17 años), en el siguiente cuadro se presenta la información de la precipitación de
la estación Villa Rica anual máxima de 24 horas eliminándose el año 1983 que no se cuenta
con información.
Cuadro de Precipitaciones Máximas 24 horas

ESTACIONES
N° VILLA RICA

1 51.30
2 70.60
3 60.50
4 43.30
5 67.00
6 43.30
7 54.00
8 67.00
9 63.20
10 88.10
11 82.80
12 74.70
13 63.80
14 42.00
15 58.00
16 65.70
FUNCIONES DE DISTRIBUCION DE PROBABILIDADES

Función de probabilidad: Una función f(x) es llamada función de probabilidad o función de
densidad de la variable aleatoria continúa X si cumple con las siguientes condiciones:
f ( x)  0, x  R
 f ( x )dx  1 Cuando se encuentra en los límites  y 

Sea el evento A  ( x / a  x  b) ; luego, P( A)  P( x  A)  P(a  x  b)   f ( x)dx
Cuando se encuentra entre los límites a y b
En la estadística existen decenas de funciones de distribución de probabilidad teórica; y

obviamente no es posible probarlas todas para un problema particular, por lo tanto es
necesario escoger uno de esos modelos, el que se adapte mejor al problema bajo análisis.
Para el análisis de las precipitaciones máximas de la microcuenca del río Entaz se han
utilizado los últimos registros históricos máximos de 24 horas de 15 años (1986-2006) , para
ello se ajustaron a 6 Distribuciones de probabilidades las cuales son:
 Distribución Normal Estándar.

 Distribución Gumbel (Distribución extrema Tipo I).
 Distribución Log Pearson Tipo III.

 Distribución Log Normal II Parámetros.

 Distribución Log Normal III Parámetros.
 Distribución Pearson tipo III.
METODOS DE ESTIMACION DE PARAMETROS DE LAS FUNCIONES

PROBABILISTICAS
Existen varias técnicas para la estimación de los parámetros de una distribución entre otras
estas son:
- Método de Momentos
- Método de máxima verosimilitud
- Método de mínimos cuadrados
- Método gráfico
El objetivo de la estimación de los parámetros es de relacionar los registros observados

(media, variancia, sesgo, etc.)de un fenómeno aleatorio con el modelo probabilística
seleccionado. En este trabajo se desarrollara los dos primeros métodos.
Método de Momentos
El método de momentos fue desarrollado por primera vez por Karl Pearson en 1902. Él
consideró que unos buenos estimativos de los parámetros de una función de probabilidad
son aquellos para los cuales los momentos de la función de densidad de probabilidad
alrededor del origen son iguales a los momentos correspondientes de la información de la
muestra.
El método de momentos selecciona valores para los parámetros de la función de densidad de
probabilidad de tal manera que sus momentos son iguales a aquellos de la información de la
muestra.
n
Xi 1 n 

i 1 n
  Xi  X
n i 1
La media o promedio es el estimador que corresponde a la función teórica de probabilidad

que es:

u   xf ( x ) dx

Originalmente Pearson consideró solamente momentos alrededor del origen, pero

posteriormente se volvió común el uso de la varianza como el segundo momento central,
 
 2  E (( x  u ) 2 , y el coeficiente de asimetría como el tercer momento central
 
estandarizado,   E (( x  u ) 3 /  3 , para determinar el segundo y el tercer parámetro de la
distribución.

Cuando la distribución de probabilidad, a la que se estima los parámetros por este método es
simétrica y particularmente si es normal, se puede demostrar que este método es muy
eficiente, pero cuando las distribuciones son asimétricas y por lo tanto sesgadas, como
ocurre muy a menudo con las variables hidrológicas, el utilizar este método representa una
perdida de eficiencia en la estimación.
Método de máxima verosimilitud
El método de la máxima verosimilitud fue desarrollado por R.A. Fisher (1922). Él razonó que
el mejor valor de un parámetro de una distribución de probabilidad debería ser el valor que
maximizara la función de verosimilitud o probabilidad conjunta de ocurrencia de la muestra
observada.
Si tenemos n observaciones aleatorias: X 1, X2,………Xn y su función de probabilidad

conjunta: f (X1, X2,………Xn, θ1, θ2,……… θm). Dado que para una muestra aleatoria los
valores de X son independientes, su función de probabilidad conjunta puede ser escrita
como:
f ( X 1, 1 ,  2 ,......,  m ) f ( X 2 , 1 ,  2 ,......,  m )...... f ( X n , 1 ,  2 ,......,  m )
Donde:  1 ,  2 ........... m son los parámetros de la función.

La expresión anterior es proporcional a la probabilidad de que una observación aleatoria, en
particular, sea obtenida de la población y es conocida como función de verosimilitud de
probabilidad.
n
L( i )  L( 1 ,  2 ,...... m )   f ( X i ,  1 ,  2 ,......... m )
i 1
Los m parámetros son desconocidos, por lo tanto la estimación de estos se realizan teniendo
presente que deben maximizar la función de verosimilitud. Esto es posible tomando la
derivada parcial de L(θi), respecto a cada θi e igualando a cero.
L L L
 0,  0................. 0
 i  2  m
Estas ecuaciones en el mismo número que el número de parámetros característicos de la

distribución teórica de probabilidad en estudio, permiten estimar los parámetros θ 1, θ2,………
si estos parámetros eficientes existen.
DISTRIBUCION NORMAL ESTANDAR

Función de densidad de probabilidad
La función de densidad de distribución normal se define como:
2
1  x  u 
1 
 

f ( x)  e2
 2
Para    x  

Donde μ y σ son los parámetros de la distribución. Estos parámetros determinan la forma de

la función f(x) y su posición en el eje x, decimos que la variable aleatoria X, se distribuye
normalmente con media μ y varianza σ2 y se representa:
X  N( u ,  2 )
El gráfico de la función densidad es:
Siendo una función continua y simétrica con re
xu
Z 

La función densidad de Z, es llamada función densidad de la Distribución Normal Estándar y

tiene la siguiente expresión:
Z 2
1
f ( x)  e 2
2
Para    z  
Los valores de f(x) ó f(z) puede ser fácilmente evaluadas para un valor dado de x ó de z por
las ecuaciones anteriores, respectivamente.
El gráfico de la función densidad de la distribución normal estándar es:

Una característica fundamental de la distribución normal estándar es que tiene μz = 0 y

σz2=1, es decir: Z  N (0,1)
Función de distribución acumulada.
La función de distribución acumulada de la distribución normal es la integral de la siguiente

ecuación:
x
F ( x)  

f ( x) dx
x 1  ( x  u )  2
1  
e
2  
F ( x)  
dx
 2 
O su equivalente,
x Z 2
1
F ( z) 
2 e

2
dz
Donde F(x) es la función de distribución de probabilidad normal para la variable original X,

según la ecuación ( 2.6), o también para la variable estandarizada Z según la ecuación ( 2.7)
de estas funciones de distribución se tiene:
- F(-) = 0
- F(  ) = 0.5
- F(+)= 1
Cálculo de la función de distribución acumulada de N (μ, σ2) ó N (0,1)
Para realizar cálculos computacionales de F(z), se utilizan funciones de aproximación, dentro

de los cuales se pueden mencionar:
Abramowitz y Stegún (1965): han dado varias aproximaciones para la función de distribución
F(z) de la variable normal estandarizada Z, una aproximación polinomial con un error menor
que 10-5 es:
F(Z)= H(Z) Z>0

F(Z)= 1-H(Z) Z<0
Donde:
Z 2
H(Z) = 1 
1
e 2
b q  b q
1 2
2
 b3q 3 
2

1
Siendo q=
1  bo z
b0  0.33267, b1  0.43618, b2  -0.12017, b3  0.93730
Masting (1955): a dado una aproximación polinomial que ha sido utilizado por la IBM (1968),
esta aproximación con un error menor que 7,5 x 10-8 es:
Z 2
H(Z) = 1 
1
2
e 2
b w  b w
1 2
2
 b3 w3  b4 w4  b5 w5 
1
Donde w
1  0.2316419 z
b1  0.3193381530, b2  -0.356563782, b3  1.781477937
b4  -1.821255978, b5  1.330274429
Estimación de parámetros
Para estimar los parámetros de la distribución teórica se pueden usar el método de

momentos o el método de máxima verosimilitud. Cabe mencionar que la distribución Normal,
es la única función de distribución que produce los mismos resultados de los parámetros,
estimados por el método de momentos y máxima verosimilitud, los parámetros obtenidos son
los siguientes:
_
1 N
X u  Xi
N i 1
2
 1 N
S      Xi  X  2 
 N  1 i 1 
Donde:
_
X = Es el estimado de la media, llamado también parámetro de posición
S = Es el estimado insesgado de la desviación estándar o parámetro de escala
Distribution Analysis: Normal Distribution
------------------Summary of Data -----------------------
First Moment (mean) = 62.2062
Second Moment = 1.809e02
Skew = 1.339e-01

---------------------------------------------------------
Point Weibull Actual Predicted Standard
Number Probability Value Value Deviation
---------------------------------------------------------
1 0.0588 42.0000 41.1586 6.2443
2 0.1176 43.3000 46.2436 5.2182
3 0.1765 43.3000 49.7151 4.5886
4 0.2353 51.3000 52.5063 4.1454
5 0.2941 54.0000 54.9305 3.8226
6 0.3529 58.0000 57.1368 3.5930
7 0.4118 60.5000 59.2123 3.4444
8 0.4706 63.2000 61.2163 3.3712
9 0.5294 63.8000 63.1962 3.3712
10 0.5882 65.7000 65.2002 3.4444
11 0.6471 67.0000 67.2757 3.5930
12 0.7059 67.0000 69.4820 3.8226
13 0.7647 70.6000 71.9062 4.1454
14 0.8235 74.7000 74.6974 4.5886
15 0.8824 82.8000 78.1689 5.2182
16 0.9412 88.1000 83.2539 6.2443
---------------------------------------------------------
----------------- Predictions --------------------------
Exceedence Return Calculated Standard
Probability Period Value Deviation
---------------------------------------------------------
0.9980 500.0 100.9178 10.2453
0.9950 200.0 96.8527 9.2913
0.9900 100.0 93.4980 8.5148
0.9800 50.0 89.8320 7.6813
0.9600 25.0 85.7556 6.7797

0.9000 10.0 79.4436 5.4657
0.8000 5.0 73.5226 4.3940
Nota: En la distribución normal tanto por el método de momentos como por el método de
Máxima verosimilitud dan resultados iguales
DISTRIBUCION DE VALOR EXTREMO TIPO I

La función de distribución acumulada, tiene la forma:
  x   
F ( x)  e  e
Para    x   , 0          
Donde:
El parámetro α se le conoce como parámetro de escala.
El parámetro β se le conoce como parámetro de posición.
Función densidad de probabilidad.
Derivando la función de distribución acumulada, con respecto a x, se obtiene la función de

densidad de probabilidad, es decir:
dF ( x )
f ( x) 
dx
f ( x )   * e    x     e 
z  x   
Para    x   ,
El signo (+) se aplica para valores mínimos y el signo (-) se aplica para valores máximos
(distribución Gumbel o Tipo I).
Si se hace la transformación:
Y   x   
Con lo cual, la función densidad reducida es:
f ( y)  e  y e 
y
El signo (+) se emplea para eventos mínimos y el signo (-) para eventos máximos.
La función de distribución acumulada es:
F ( y )  ee
y
 (Máximo) F ( y )  1  e  e  (Mínimo)
y
F ( y ) min  1  F ( y ) max
Los valores correspondientes de x e y, están relacionadas por: F(x) = F(y) y la relación:

y
Y   x    ó x

Método de Gumbel (Valor extremo tipo I)
Según Paulet, 1974, El método de Gumbel se utiliza para predecir magnitudes máximas de
variables hidrológicas asumiendo que estos valores son independientes entre sí, también son
usadas frecuentemente para el estudio de magnitud - duración - frecuencias de lluvias
(Hershfiel 1961).
Según Linsley 1971, aplicó al río Clear Water en Idaho Estados Unidos. Este método es
adecuado cuando se utiliza como datos las descargas máximas anuales en un punto de
control de una vertiente o un Río.
La función de densidad reducida de Gumbel (Tipo I) tiene la forma de la ecuación antes

mencionada pero con signo negativo.
Estimación de parámetros
Para la estimación de los parámetros  y  de la Función Acumulada F(x) se utilizaron 2
métodos de estimación.
Método de momentos
Según Lowery y Nash, 1970 utilizando el método de momentos se obtienen las siguientes
relaciones:
Media:
c
E(x)= x    2. 2

Donde c, es la constante de Euler, cuyo valor es:

 1 1 1 
c  Limn   1    ...........   Ln(n)
 2 3 n 
c = 0.5772156649
Por lo tanto :
0.57721
X  2. 2

Varianza:
 
E  X  E ( x)   S 2 
2 2
 2 *6

De donde se obtienen:
1.2825
 
S
0.57721
 X

Reemplazando la ecuación (2.21) en (2.22) se tiene lo siguiente:
  X  0.45 * S ==>Máximo
  X  0.45 * S ==>Mínimo
Para muestras muy grandes, o bien como:
y

S
y
  x
a
Para muestras relativamente pequeñas, los valores de  y y  y se muestran en la tabla
siguiente tabla
Por otro lado, conocemos que la ecuación de GUMBEL se expresa como:
y
X 

De las ecuaciones anteriores se puede escribir la siguiente ecuación como:
y y * S
X X 
 y
y *S y*S
X X 
y y
X X
S
  y  y
Y
Se sabe que la función de distribución Acumulada ecuación (2.20) es:

y
F(y) = e  e
1
Por otro lado se tiene: F ( y )  1  entonces se tiene que.
T
1 y
1  ee  F ( y)
T

Tabla 2.2 Medias esperadas y Desviaciones estándar de extremos reducidos

Tomando dos veces Ln a la ecuación de Gumbel a ambos miembros se obtiene lo siguiente:

  T 1
y   Ln  Ln  
  T 
Desarrollando y remplazando el valor de y se obtiene:
S   T 1
X X    y  Ln  Ln   
 y    T   
 
 
 1   T  
X  X S     LnLn
  y  y   
 T 1
           
 
K
1 6
S i consideramos que para valores grandes de N, la expresión  tiende a y que  y
y 
tiende a c =0.5772 entonces hemos comprobado que la ecuación general para expresar un
valor de una serie hidrológica es:
X  X  K *S
Los resultados se obtienen en la siguiente cuadro
Distribution Analysis: Gumbel Extremal Type I
------------------Summary of Data -----------------------
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
1 0.0588 42.0000 42.4949 4.0875
2 0.1176 43.3000 46.0474 3.4851
3 0.1765 43.3000 48.7071 3.1246
4 0.2353 51.3000 51.0032 2.9013
5 0.2941 54.0000 53.1240 2.7857
6 0.3529 58.0000 55.1666 2.7674

7 0.4118 60.5000 57.1948 2.8414
8 0.4706 63.2000 59.2599 3.0040
9 0.5294 63.8000 61.4112 3.2530
10 0.5882 65.7000 63.7044 3.5887
11 0.6471 67.0000 66.2112 4.0178
12 0.7059 67.0000 69.0347 4.5561
13 0.7647 70.6000 72.3408 5.2374
14 0.8235 74.7000 76.4344 6.1306
15 0.8824 82.8000 81.9934 7.3978
16 0.9412 88.1000 91.1720 9.5649
---------------------------------------------------------
----------------- Predictions --------------------------
---------------------------------------------------------
0.9980 500.0 134.3553 20.1433
0.9950 200.0 122.7344 17.2701
0.9900 100.0 113.9262 15.1005
0.9800 50.0 105.0857 12.9341
0.9600 25.0 96.1794 10.7694
0.9000 10.0 84.1741 7.9061
0.8000 5.0 74.6725 5.7408
0.6670 3.0 67.1264 4.1868
0.5000 2.0 60.3215 3.1178
---------------------------------------------------------
DISTRIBUCION PEARSON TIPO III

Según Chow, la distribución Pearson Tipo III se aplicó por primera vez en la Hidrología por
Foster (1924) para describir la distribución de probabilidad de picos crecientes máximos
anuales. Cuando la información es muy asimétrica positivamente, se utiliza una
transformación Log para reducir la asimetría.
La distribución Pearson Tipo III, También llamada la distribución gamma de tres parámetros,
introduce un tercer parámetro, el límite inferior o parámetro de posición ε, de tal manera que

por el método de los momentos, los tres momentos de la muestra (la media, la desviación
estándar y el coeficiente de asimetría) pueden transformarse en los tres parámetros λ, β, ε de
la distribución de probabilidad.
Función de densidad de probabilidad Pearson Tipo III
f ( x )  (   x    e   x   ) /    parax  
 1
El sistema de distribuciones Pearson incluye siete tipos; todos son soluciones para f(x) en
una ecuación de la forma:
d ( f ( x) / dx  ( f ( x) * ( x  d )) /(C 0  C1 * x  C 2 * x 2 )
Donde d es la moda de la distribución (el valor de x para la cual f(x) es un máximo) y C0, C1 y
C2 son coeficientes que deben determinarse. Cuando C 2 = 0 es la solución de la ecuación
anterior, es una distribución Pearson tipo III, con una función de densidad de probabilidad
según la ecuación anterior Para C 1 = C2 = 0, la solución de la ecuación anterior es una
distribución normal.
Según Markovick, 1965, mostró que no hay diferencia entre el ajuste de una distribución
Gamma y una Log Normal, esta función de distribución es muy popular debido a que cuando
el coeficiente de asimetría se iguala a cero se obtiene la distribución Normal.
Se dice que una variable aleatoria X tiene una distribución Tipo III si su función densidad de
probabilidades con origen en la moda, está dada por:
 1 1  x  1 
1  x 1   
 1 


f ( x)    *e
 1   1    1 
Donde α1, β1 y δ1, son los parámetros de la función Γ(β 1) es la función Gamma.
En el apéndice A (Tabla A-2) se halla las propiedades básicas y la tabla de valores de la
función Gamma.
Para:  1  x  
Donde:
δ1 = Parámetro de Posición
α1 = Parámetro de escala
β1 = Parámetro de forma
La variable reducida.
x  1
y
1

Por lo que
1
f ( y)  y  1 * e  y
  1 
La función de distribución acumulada de la distribución Pearson Tipo III es:
 x  1 
 
1 x
 1   x  1 
F ( x)  
 1   1  0
e 
* 
 1 
dx
Combinando las ecuaciones anteriores se tiene:

y
1
y
 1
F ( y)  e  y dy
  1  0
La ecuación anterior es una función de distribución Ji cuadrada con 2β 1 grados de libertad y

X2=2y
 
F ( y )  F x 2 /   Fx 2  2 y / 2  1 
En las tablas de estadística se encuentra la función de distribución X 2

Según Aparicio 1996, manifiesta que la manera de usar la función de distribución Pearson
Tipo III es estrictamente válida cuando β 1=n/2, donde n es un entero positivo cualquiera si,
como es común, 2β1 es no entero, puede tomarse como el entero más próximo o bien
interpolar en la tabla Nº A.2 del apéndice A. Cuando β 1<0.3, será necesario acudir a tablas de
la función de distribución Gamma de un Parámetro.
Para la estimación de parámetros de la Función Acumulada F(x) se tiene 2 Métodos de

Estimación.
Método de Momentos
Los parámetros de 1, 1 y d1 de la Función Acumulada F(x) se evalúan a partir de n datos
medidos mediante el siguiente sistema de ecuaciones.
X  1 * 1   1
2*
S 2   1 1
2
g
1

Donde X es la media de los datos S 2 su varianza y g su coeficiente de sesgo ó coeficiente

de Asimetría, que se define como:
Cs  g  
n X i  X  *n
3
i 1  n  1 n  2 S 3
Los resultados se muestran en el siguiente cuadro
Distribution Analysis: Pearson Type III
------------------Summary of Data -----------------------
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
1 0.0588 42.0000 42.0121 4.7136
2 0.1176 43.3000 46.5145 3.9713
3 0.1765 43.3000 49.6754 3.7168
4 0.2353 51.3000 52.2688 3.6216
5 0.2941 54.0000 54.5590 3.5920
6 0.3529 58.0000 56.6743 3.5924
7 0.4118 60.5000 58.6912 3.6075
8 0.4706 63.2000 60.6636 3.6315
9 0.5294 63.8000 62.6367 3.6638
10 0.5882 65.7000 64.6585 3.7079
11 0.6471 67.0000 66.7789 3.7720
12 0.7059 67.0000 69.0626 3.8716

13 0.7647 70.6000 71.6072 4.0363
14 0.8235 74.7000 74.5836 4.3254
15 0.8824 82.8000 78.3552 4.8788
16 0.9412 88.1000 84.0211 6.1541
---------------------------------------------------------
----------------- Predictions --------------------------
---------------------------------------------------------
0.9980 500.0 105.0427 15.1062
0.9950 200.0 100.0173 12.4401
0.9900 100.0 95.9554 10.5083
0.9800 50.0 91.6038 8.6790
0.9600 25.0 86.8710 6.9979
0.9000 10.0 79.7597 5.1442
0.8000 5.0 73.3248 4.1888
0.6670 3.0 67.5308 3.8007
0.5000 2.0 61.6472 3.6465
---------------------------------------------------------
DISTRIBUCION LOG PEARSON TIPO III

Según Chow, 1995, si log X sigue una distribución Pearson Tipo III, entonces se dice que X
sigue una distribución log - Pearson tipo III. Esta es la distribución estándar para análisis de
frecuencias de crecientes máximas anuales en los Estados Unidos (Benson, 1968).
La localización del límite X0 en la distribución Log - Pearson Tipo III depende de la asimetría
de la información, se plantea 2 casos:
Si la información tiene asimetría positiva, entonces Log x ≥ X 0 y X0 es un límite inferior.

Si la información tiene asimetría negativa, Log x ≤ X 0 y X0 es un límite superior.
Según Bobee, 1975. La transformación Log reduce la asimetría de la información

transformada y puede producir información transformada con asimetría negativa utilizando
información original con asimetría positiva. En este caso, la aplicación de la distribución Log -
Pearson Tipo III impondría un límite superior artificial a la información.

Dependiendo de los valores de los parámetros, la distribución Log - Pearson Tipo III puede
asumir muchas formas diferentes, tal como se muestra en la siguiente tabla
Localización de la moda para la distribución Log - Pearson Tipo III como una
función de sus parámetros.
Parámetro de Forma β α<-Ln10 -Ln10<α<0 α >0
0<β<1 Sin moda, forma en J Moda mínima forma en Sin moda, forma en
U J invertida
Β >1 Unimodal Sin moda forma en J Unimodal

invertida
Función de densidad de probabilidad.

El primer paso es tomar los logarítmicos de la información hidrológica, Z=logx, mayormente
se utilizan logaritmos con base 10, se calculan la media X, la desviación estándar S x y el
coeficiente de asimetría Cs para los logaritmos de los datos.
La función de densidad para X y Z se dan a continuación:
 1
1  log x  x 
f ( x)    * e   log x  x  / 
  1    
Si se hace una transformación: Z = log(x) La función densidad reducida es:

 z  z 0   1  z  z  / 
f ( z)   *e 0
   
Donde:
Z = Variable aleatoria con distribución Pearson Tipo III
X = Variable aleatoria con distribución Log - Pearson Tipo III
Z0 = Parámetro de Posición
α = Parámetro de escala
β = Parámetro de forma
En el caso de la distribución Log - Pearson Tipo III: X = 10 z, la variable reducida es:
Z  Z0
Y

Por lo que la ecuación queda de la siguiente manera:
1
f ( y)  * y  1 * e  y
  

Función de distribución acumulada
La función de distribución acumulada de la distribución Log Pearson Tipo III es:

 1  z  z0 
1  z  z0 
Z

F ( z)     *e 
dz
   
Z 0   
Sustituyendo las ecuaciones anteriores se obtiene lo siguiente:

y
1
y
 1
F ( y)  * e  y dy
   0
La ecuación anterior es una distribución Ji cuadrada con 2β grados de libertad y X 2=2y
 
F ( y )  F x 2 /   Fx 2 ( 2 y / 2  )
Para la estimación de los parámetros Zo,  y  de la función

acumulada se usaron 2 métodos de estimación.
Método de Momentos
El procedimiento recomendado para el método de momentos es convertir la serie de datos a

sus logaritmos y luego calcular los siguientes parámetros:
Media:
=
log x
Logx
n
Desviación Estándar:
 log x  log x 
2
 log x 
n 1
n  log x  log x 
3
Coeficiente de Asimétrica: g=
 n  1 n  2  log x  3
El valor de X; para cualquier nivel de probabilidad se puede calcular a partir de la siguiente
expresión:
Logx = log x  K log x

Los valores de K se toman de la tabla siguiente

Valores de K para la distribución Pearson tipo III

VALORES DE K PARA LA DISTRIBUCION PEARSON TIPO III (ASIMETRIA POSITIVA) VALORES DE K PARA LA DISTRIBUCION PEARSON TIPO III (ASIMETRIA NEGATIVA)
COEFICIENTE PERIODO DE RETORNO COEFICIENTE PERIODO DE RETORNO
DE 2 5 10 25 50 100 200 DE 2 5 10 25 50 100 200
ASIMETRIA PROBABILIDAD DE EXCEDENCIA ASIMETRIA PROBABILIDAD DE EXCEDENCIA
(g) 0.5 0.2 0.1 0.04 0.02 0.01 0.005 (g) 0.5 0.2 0.1 0.04 0.02 0.01 0.005
3.0 -0.396 0.420 1.180 2.278 3.152 4.051 4.970
2.9 -0.390 0.440 1.195 2.277 3.134 4.030 4.909 -0.1 -0.017 0.846 1.270 1.716 2.000 2.252 2.482
2.8 -0.384 0.460 1.210 2.275 3.114 3.973 4.847 -0.2 -0.033 0.850 1.258 1.680 1.945 2.178 2.388
2.7 -0.376 0.479 1.224 2.272 3.093 3.932 4.783 -0.3 -0.050 0.853 1.245 1.643 1.890 2.104 2.294
2.6 -0.368 0.499 1.238 2.267 3.071 3.889 4.718 -0.4 -0.066 0.855 1.231 1.606 1.834 2.029 2.201
2.5 -0.360 0.518 1.250 2.262 3.048 3.845 4.652 -0.5 -0.083 0.856 1.216 1.567 1.777 1.955 2.108
2.4 -0.351 0.537 1.262 2.256 3.023 3.800 4.584 -0.6 -0.099 0.857 1.200 1.528 1.720 1.880 2.016
2.3 -0.341 0.555 1.274 2.248 2.997 3.753 4.515 -0.7 -0.116 0.857 1.183 1.488 1.663 1.806 1.926
2.2 -0.330 0.574 1.284 2.240 2.970 3.705 4.444 -0.8 -0.132 0.856 1.166 1.448 1.606 1.733 1.837
2.1 -0.319 0.592 1.294 2.230 2.942 3.656 4.372 -0.9 -0.148 0.854 1.147 1.407 1.549 1.660 1.749
2.0 -0.307 0.609 1.302 2.219 2.912 3.605 4.298 -1.0 -0.164 0.852 1.128 1.366 1.492 1.588 1.664
1.9 -0.294 0.627 1.310 2.207 2.881 3.553 4.223 -1.1 -0.180 0.848 1.107 1.324 1.435 1.518 1.581
1.8 -0.282 0.643 1.318 2.193 2.848 3.499 4.147 -1.2 -0.195 0.844 1.086 1.282 1.379 1.449 1.501
1.7 -0.268 0.660 1.324 2.179 2.815 3.444 4.069 -1.3 -0.210 0.838 1.064 1.240 1.324 1.383 1.424
1.6 -0.254 0.675 1.329 2.163 2.780 3.388 3.990 -1.4 -0.225 0.832 1.041 1.198 1.270 1.318 1.351
1.5 -0.240 0.690 1.333 2.146 2.743 3.330 3.910 -1.5 -0.240 0.825 1.018 1.157 1.217 1.256 1.282
1.4 -0.225 0.705 1.337 2.128 2.706 3.271 3.828 -1.6 -0.254 0.817 0.994 1.116 1.166 1.197 1.216
1.3 -0.210 0.719 1.339 2.108 2.666 3.211 3.745 -1.7 -0.268 0.808 0.970 1.075 1.116 1.140 1.155
1.2 -0.195 0.732 1.340 2.087 2.626 3.149 3.661 -1.8 -0.282 0.799 0.945 1.035 1.069 1.087 1.097
1.1 -0.180 0.745 1.341 2.066 2.585 3.087 3.575 -1.9 -0.294 0.788 0.920 0.996 1.023 1.037 1.044
1.0 -0.164 0.758 1.340 2.043 2.542 3.022 3.489 -2.0 -0.307 0.777 0.895 0.959 0.980 0.990 0.995
0.9 -0.148 0.769 1.339 2.018 2.498 3.957 3.401 -2.1 -0.319 0.765 0.869 0.993 0.939 0.946 0.949
0.8 -0.132 0.780 1.336 1.993 2.453 2.891 3.312 -2.2 -0.330 0.752 0.844 0.888 0.900 0.905 0.907
0.7 -0.116 0.790 1.333 1.967 2.407 2.824 3.223 -2.3 -0.341 0.739 0.819 0.855 0.864 0.867 0.869
0.6 -0.099 0.800 1.328 1.939 2.359 2.755 3.132 -2.4 -0.351 0.725 0.795 0.823 0.830 0.822 0.833
0.5 -0.083 0.808 1.323 1.910 2.311 2.686 3.041 -2.5 -0.360 0.711 0.771 0.793 0.798 0.799 0.800
0.4 -0.066 0.816 1.317 1.880 2.261 2.615 2.949 -2.6 -0.368 0.696 0.747 0.764 0.768 0.769 0.769
0.3 -0.050 0.824 1.309 1.849 2.211 2.544 2.856 -2.7 -0.376 0.681 0.724 0.738 0.740 0.740 0.741
0.2 -0.033 0.830 1.301 1.818 2.159 2.472 2.763 -2.8 -0.384 0.666 0.702 0.712 0.714 0.714 0.714
0.1 -0.017 0.836 1.292 1.785 2.107 2.400 2.670 -2.9 -0.390 0.651 0.681 0.683 0.689 0.690 0.690
0.0 0.000 0.842 1.282 1.751 2.054 2.326 2.576 -3.0 -0.396 0.636 0.666 0.666 0.666 0.667 0.667

Distribution Analysis: Log Pearson Type III
------------------Summary of Data -----------------------
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
1 0.0588 42.0000 41.1251 4.8075
2 0.1176 43.3000 45.7123 4.1443
3 0.1765 43.3000 48.9981 3.8827
4 0.2353 51.3000 51.7274 3.7891
5 0.2941 54.0000 54.1586 3.7807
6 0.3529 58.0000 56.4189 3.8179
7 0.4118 60.5000 58.5851 3.8797
8 0.4706 63.2000 60.7119 3.9541
9 0.5294 63.8000 62.8459 4.0349
10 0.5882 65.7000 65.0374 4.1201
11 0.6471 67.0000 67.3393 4.2120
12 0.7059 67.0000 69.8200 4.3197
13 0.7647 70.6000 72.5831 4.4664
14 0.8235 74.7000 75.8095 4.7105
15 0.8824 82.8000 79.8823 5.2174
16 0.9412 88.1000 85.9488 6.6156
---------------------------------------------------------
----------------- Predictions --------------------------

---------------------------------------------------------
0.9980 500.0 107.5135 19.9479
0.9950 200.0 102.5276 15.6358
0.9900 100.0 98.4123 12.6469
0.9800 50.0 93.9268 9.9596
0.9600 25.0 88.9688 7.6689
0.9000 10.0 81.3927 5.4841
0.8000 5.0 74.4460 4.5946
0.6670 3.0 68.1560 4.2460
0.5000 2.0 61.7750 3.9940
---------------------------------------------------------
DISTRIBUCION LOG - NORMAL DE II PARAMETROS
Si la variable aleatoria Y = log X está normalmente distribuida, entonces se dice que X está
distribuida en forma lognormal. Esta función fue estudiada por primera vez por Galtón en el
año de 1875, por eso es que se le llama también función de Galtón.
Por el teorema del límite central, tenemos que si X es una variable aleatoria con distribución
normal, se puede esperar una variable y=lnx, también con distribución normal con media μ y y
varianza σy2, se usan estos parámetros para especificar que la distribución es logarítmica,
puesto que también puede usarse la media y la varianza de x.

La función densidad de distribución normal para Y es:
1  y y 2
  
1 2   y 
f ( y)  e 
 y 2
Para -∞ < y < +∞

Refiriendo la función de distribución de f(y) con f(x), se tiene:
dy
f ( x)  f ( y )
dx
dy 1
Como Y=lnx   , X>0
dx x



1 ln x   y 
1 2 y
f ( x)  e
2 x y
Para X>0
f(y) = Es la función de densidad de la distribución normal para y con media μ y y

variancia σy2.
f(x) = Es la función de densidad de la distribución Log - Normal para X con parámetro
μy y σy2.
Las tablas de distribución normal estándar pueden ser usadas para evaluar la
distribución Log Normal.
Como f(x) = f(y)/x; pero f(y) es una distribución normal tenemos: f(x)=f(z)/xσ y.

La función de distribución acumulada para X e Y es:
1  Lnx   y 2
x  
1 1 2   y
2. 2
 x

F ( x)  e dx
2 0 y
2
y 1  y   y 
 
1 2   y 
F ( x) 
2

y 
e dy
Los valores de la función de distribución de probabilidad F(y) se obtienen usando la fórmula

de Abramowitz y Stegún si la variable estandarizada se define como:
y y
Z
y
x z2
1
F ( x) 
2 
e 2
dz
Para la estimación de los parámetros  y y  y de la función de Distribución Acumulada

F(x) se estimaron por 2 Métodos de estimación:
Método de Momentos
Utilizando el método de momentos de las relaciones entre la media y la varianza de la
variable x y los parámetros  y y  y , pueden ser estimados por y y Sy2 mediante la
2
transformación yi = LnX i. Se sabe que y = Lnx tiene distribución normal, mientras que x tiene
distribución Log-Normal.

n
y1
y
i 1
n
n 2 2
  yi  n y 
S y2   i 1 
n 1
Los valores de y y Sy2 se estiman a partir de n observaciones Xi, i=1,2,3,4....n
Según Chow (1954), se presento la siguiente relación para calcular y y Sy2 sin que sea
necesario transformar los datos previamente en sus logaritmos.
1  x2 
y Ln 
2  Cv 2  1 
 
S y2  Ln(Cv 2  1)
Sx
Donde Cv es el coeficiente de variación de los datos originales Cv 
x
Existen las siguientes relaciones para obtener la Media y Varianza de la distribución Log
Normal.
 1 2
y   y 
 x  E ( x)  e  2 
Var(x)=  x 2 e  1
 y2

Cv= e y  1
2

1/ 2
Coeficiente de Asimetría: g = 3Cv+Cv3

Para valores prácticos de  y ; 0.1<  y  0.6, la relación es casi lineal y puede ser
2 2
aproximada por:
g=0.52 + 4.85*  y
2
Que es correcta dentro del 2%, en el rango mencionado.

Distribution Analysis: 2 Parameter Log Normal
------------------Summary of Data -----------------------

Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
1 0.0588 42.0000 43.5156 4.0171
2 0.1176 43.3000 47.1782 3.5774
3 0.1765 43.3000 49.8542 3.3310
4 0.2353 51.3000 52.1155 3.1847
5 0.2941 54.0000 54.1624 3.1084
6 0.3529 58.0000 56.0952 3.0892
7 0.4118 60.5000 57.9764 3.1208
8 0.4706 63.2000 59.8525 3.2002
9 0.5294 63.8000 61.7657 3.3269
10 0.5882 65.7000 63.7645 3.5031
11 0.6471 67.0000 65.9028 3.7342
12 0.7059 67.0000 68.2546 4.0302
13 0.7647 70.6000 70.9354 4.4100
14 0.8235 74.7000 74.1529 4.9112
15 0.8824 82.8000 78.3589 5.6200
16 0.9412 88.1000 84.9542 6.8107
---------------------------------------------------------
----------------- Predictions --------------------------
---------------------------------------------------------
0.9980 500.0 112.4865 12.2067
0.9950 200.0 105.4492 10.7938
0.9900 100.0 99.9744 9.7057
0.9800 50.0 94.3162 8.5957

0.9600 25.0 88.3998 7.4580
0.9000 10.0 79.9625 5.9022
0.8000 5.0 72.7813 4.6924
0.6670 3.0 66.6716 3.8265
0.5000 2.0 60.8017 3.2576
---------------------------------------------------------
DISTRIBUCION LOG NORMAL DE III PARAMETROS
Es una función de distribución análoga a la anterior con la única diferencia que el límite
inferior no es cero, fue introducida por primera vez por R. Gibrart el cual la llamó la ley de
efectos proporcionales.
Difiere de la distribución Log Normal de II parámetros por la introducción de un límite inferior
X0, tal que: y = ln(x-x0).
La función de densidad de x es:

2
1  ln( x  x0 )   y 
 
1 2  y 
f ( x)  e  
( x  x 0 ) 2 y
Para x>x0
Donde:
x0 = Parámetro de posición
μy = Parámetro de escala o media
σy2 = Parámetro de forma o varianza
Haciendo la transformación y = ln(x-x0); la función de densidad reducida es:

2
1  y   y 
 
1 2   y 
f ( y)  e
 y 2
Para    y  
yy 1 z2
1
si z  f ( z)  e2
y 2

La función de distribución acumulada del Método Log - Normal de III Parámetros es:
2
1  ln( x  x 0 )   y 
x  
1 y
e
2  
F ( x)  dx
( x  x0 ) y 2 x0
2
y 1  y   y 
 
1 2   y 
F ( y) 
 y 2 e

dy
y  y 1
z
e
z2
Como z   f ( z)  dz
y 2 
Las funciones: F(x) y F(y) son iguales.
La función F(z) es una distribución normal estándar, la que puede ser usada para evaluar la
distribución Log Normal.
Para la estimación de los parámetros de Xo,  y y  y de la Función de Distribución

Acumulada F(x) se tienen 2 Métodos de estimación:
Método de Momentos
Los momentos de X pueden obtenerse de los correspondientes momentos de la distribución

Log Normal de II parámetros, debido a que las variables difieren solo en el parámetro de
posición Xo, ya que y = Ln (x-xo).
X  Xo  H
Donde:
X = variable aleatoria con distribución Log Normal de III parámetros
H = Variable aleatoria con distribución Log Normal de II parámetros
Xo = Parámetro de posición
 x  x0  E ( H )  x0   H
x H
2 2
 1 
 y   y2 
Media:   x  e  2 
x 0
Varianza:  x 2   y2
 e 1 * e 
 2    y y
2

El coeficiente de asimetría (g) esta dado por :
g e   y2
 e
1
1
2  y2
2 
Y de forma aproximada puede ser:
g  0.52  4.85sy2
g =0.52+4.85sy2
Luego de las ecuaciones anteriores se obtienen los siguientes resultados:
g  0.52
y 
4.85
1    x  
2
2
 y   Ln 2  y 
2   e  y  1  
 y2
y 
X 0  x  e 2

Distribution Analysis: 3 Parameter Log Normal
------------------Summary of Data -----------------------
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
1 0.0588 42.0000 41.6068 5.0276
2 0.1176 43.3000 46.3822 4.1874
3 0.1765 43.3000 49.6889 3.8598
4 0.2353 51.3000 52.3754 3.7119
5 0.2941 54.0000 54.7288 3.6447

6 0.3529 58.0000 56.8872 3.6182
7 0.4118 60.5000 58.9322 3.6140
8 0.4706 63.2000 60.9200 3.6236
9 0.5294 63.8000 62.8970 3.6441
10 0.5882 65.7000 64.9112 3.6769
11 0.6471 67.0000 67.0115 3.7278
12 0.7059 67.0000 69.2601 3.8092
13 0.7647 70.6000 71.7497 3.9458
14 0.8235 74.7000 74.6412 4.1892
15 0.8824 82.8000 78.2749 4.6645
16 0.9412 88.1000 83.6735 5.7914
---------------------------------------------------------
----------------- Predictions --------------------------
---------------------------------------------------------
0.9980 500.0 103.1499 14.1071
0.9950 200.0 98.5661 11.5945
0.9900 100.0 94.8296 9.7874
0.9800 50.0 90.7937 8.0913
0.9600 25.0 86.3631 6.5526
0.9000 10.0 79.6197 4.8960
0.8000 5.0 73.4210 4.0737
0.6670 3.0 67.7534 3.7511
0.5000 2.0 61.9069 3.6325
---------------------------------------------------------
En el cuadro siguiente se muestra el resumen de los resultados por el método estadístico,

aplicando el método de momentos desarrollados en el presente estudio. Se observa que la
diferencia entre uno y otro método puede ser apreciable. En muchos casos las diferencias
son muchos mayores que las que resultan aquí. Una selección apresurada de cualquiera de

los métodos podría traducirse en una estructura sobre diseñada y costosa o subdiseñada y
peligrosa
RESUMEN DE METODOS ESTADISTICOS (mm)
METODO DE LOS MOMENTOS
PERIODOS DE
RETORNO PEARSON LOG PEARSON LOG NORMAL LOG NORMAL
NORMAL GUMBEL
TIPOIII TIPO III II PARAMET. III PARAMET.
2 62.21 60.32 61.65 61.77 60.80 61.91
3 68.01 67.13 67.53 68.16 66.67 67.75
5 73.52 74.67 73.32 74.45 72.78 73.42
10 79.44 84.17 79.76 81.39 79.96 79.62
25 85.76 96.18 86.87 88.97 88.40 86.36
50 89.83 105.09 91.60 93.93 94.32 90.79
100 93.50 113.93 95.96 98.41 99.97 94.83
200 96.85 122.73 100.02 102.53 105.45 98.57
500 100.92 134.36 105.04 107.51 112.49 103.15
VERIFICACION DE LAS DISTRIBUCIONES MODELOS.
Para un mejor análisis de los datos hidrológicos es necesario conocer el tipo o forma de
distribución teórica que puede representar aproximadamente a la distribución empírica
(método estadístico) de estos datos. Para averiguar cuan aproximada es esta distribución
empírica a la teórica, es necesario realizar algunas pruebas estadísticas conocidas como
prueba de ajuste.
PRUEBAS DE AJUSTE.
Consisten en comprobar gráfica y estadísticamente si la frecuencia empírica de la serie de

registros analizados se ajustan a un determinado modelo probabilística adoptado a priori, con
los parámetros estimados en base a los valores maestrales.
Las pruebas estadísticas tienen por objeto medir la certidumbre que se obtiene al hacer una
hipótesis estadística sobre una población. Es decir, calificar el hecho de suponer que una
variable aleatoria se distribuye según un modelo probabilística.
Los ajustes más comunes son:

- Smirnov – Kolmogorow.
- Método del error cuadrático mínimo

METODO DEL ERROR CUADRÁTICO MINIMO
Este método consiste en calcular, para cada función de distribución, el error cuadrático.
1
 n  2
C   ( X i  Yi ) 2 
 i 1 
donde
Xi = es el i-esimo dato estimado
Yi = es el i-ésimo dato calculado con la función de distribución bajo análisis
N = Número de datos
En el cuadro siguiente se muestra el procedimiento estimado para cada uno de los diferentes
métodos estadísticos usados en el presente estudio.


PRUEBA DE SMIRNOV KOLMOGOROV
Esta prueba consiste en comparar el máximo valor absoluto de la diferencia D que hay entre
la función de distribución observada F o(Pm) y la estimada F(Pm)
D  máx F0 ( Pm )  F ( Pm )
Con un valor crítico d que depende del número de datos y el nivel de significancia
seleccionada si D<d, se acepta la hipótesis. Esta prueba tiene la ventaja sobre la X 2 de que
compara los datos con el modelo estadístico sin necesidad de agruparlos. La función de
distribución de probabilidad observada se calcula como:
m
Fo ( Pm )  1 
n 1
Donde m es el número de orden del dato Xm en una lista de mayor a menor y n es el número
total de datos.
Valores criticos para la prueba Smirnov –Kolmogorov de bondad

de ajuste
Tamaño de la a= 0.10 a = 0.05 a = 0.01
muestra
5 0.51 0.56 0.67
10 0.37 0.41 0.49
15 0.30 0.34 0.40
20 0.26 0.29 0.35
25 0.24 0.26 0.32
31 0.22 0.24 0.29
40 0.19 0.21 0.25
N grande 1.22 1.36 1.63

n n n
En el cuadro siguiente se muestra el procedimiento de calculo por método de Smirnov

Kolgomorov, de donde en la columna 2 se han escrito las precipitaciones máximas anuales
registradas ordenadas de mayor a menor, en la columna 3 se calculan los valores de la
función de distribución de probabilidad observada según la ecuaciones anteriores


SELECCIÓN DEL METODO ESTADÍSTICO APROPIADO

En el cuadro siguiente se resume los resultados de las pruebas efectuadas anteriormente. En
este cuadro se han calificado las funciones según el orden de preferencias indicado por cada
prueba de ajuste, dando 1 a la “mejor” y 6 a la “peor”. De estos resultados se concluye que la
función que mejor se ajusta a los datos es la PEARSON TIPO III
Selección de la función de Distribución

Selección de la Función de Distribución
Método Estadistico Error cuadratico Minimo Smirnov-Kolmogorov
Normal 4 2
Log Normal II parámetros 5 5
Log Normal III parámetros SE RECHAZA
Gumbel- Valor Extremo 2 3
Pearson Tipo III 3 1
Log Pearson Tipo III 1 4
En conclusión después de realizar todas las pruebas de análisis estadístico la distribución que mejor
se adecua es el método de PEARSON TIPO III por que tiene menor error
CALCULO DE LA PRECIPITACION MAXIMA E INTENSIDAD MAXIMA

El estudio de la Precipitación Máxima e Intensidad Máxima es muy importante para tener
conocimiento de la intensidad de las tormentas, sus magnitudes, así como su frecuencia, son muy
necesarios para el diseño de las diferentes obras hidráulicas que pudieran construirse Para el análisis
se ha tenido en cuenta en cuenta la información de precipitación máxima en 24 horas
Con la finalidad de obtener información de precipitación máxima en 24 horas para diferentes periodos
de retorno y que permita tener confiabilidad de su recurrencia, se le evaluó a través de 6
distribuciones de frecuencia
 Distribución Normal Estándar.

 Distribución Gumbel (Distribución extrema Tipo I).
 Distribución Log Pearson Tipo III.
 Distribución Log Normal II Parámetros.
 Distribución Log Normal III Parámetros.
 Distribución Pearson tipo III.
CURVAS DE INTENSIDAD-DURACIÓN Y FRECUENCIA (IDF)

Uno de los primeros pasos que debe seguirse en muchos proyectos de diseño hidrológico,
como el diseño de un drenaje urbano, es la determinación del evento o los eventos de lluvia
que deben usarse. La forma más común de hacerlo es utilizar una tormenta de diseño o un
evento que involucre una relación entre la intensidad de lluvia (o profundidad), la duración, y
las frecuencias o periodos de retorno apropiados para la obra y el sitio. Deberían existir
curvas (IDF) estándar desarrolladas por instituciones del gobierno disponibles para el sitio
para que su uso sea de forma general, uniforme y oficial.
Para construir la curva IDF para diferentes periodos de retorno utilizamos la formula de DYCK
PESCHKE para el cálculo de máximas avenidas.
0.25
 d 
Pd  P24 h  
 1440 
Donde
Pd : Precipitación máxima para un periodo de duración
d : Periodo de duración (min. 10, 15, 30………., etc)
P24h : Precipitación maxima para 24 horas (En este estudio se utilizara el modelo
adecuado según las pruebas realizados en los acápites anteriores
PRECIPITACION MAXIMA DE 24 HORAS ESTIMADA PARA LA DISTRIBUCION LOG

PEARSON TIPO III
periodo
de P.MAX. PERIODO DE DURACION (min)
retorno 24
horas
T(años) 5 10 15 30 60 120 180 360 1440
500 107.510 26.098 31.035 34.346 40.845 48.573 57.764 63.926 76.021 107.510
200 102.530 24.889 29.598 32.755 38.953 46.323 55.088 60.965 72.500 102.530
100 98.410 23.889 28.409 31.439 37.388 44.462 52.874 58.515 69.586 98.410
50 93.930 22.801 27.115 30.008 35.686 42.438 50.467 55.851 66.419 93.930
Prec.mm
25 88.970 21.597 25.683 28.423 33.801 40.197 47.802 52.902 62.911 88.970
10 81.390 19.757 23.495 26.002 30.922 36.772 43.730 48.395 57.551 81.390
5 74.450 18.072 21.492 23.785 28.285 33.637 40.001 44.268 52.644 74.450
3 68.160 16.546 19.676 21.775 25.895 30.795 36.621 40.528 48.196 68.160
2 61.770 14.994 17.831 19.734 23.468 27.908 33.188 36.729 43.678 61.770
periodo P.MAX. PERIODO DE DURACION (min)

de 24 horas
retorno

T(años) 5 10 15 30 60 120 180 360 1440
500 107.510 313.17 186.21 137.39 81.69 48.57 28.88 21.31 12.67 4.48
200 102.530 298.66 177.59 131.02 77.91 46.32 27.54 20.32 12.08 4.27
100 98.410 286.66 170.45 125.76 74.78 44.46 26.44 19.50 11.60 4.10
50 93.930 273.61 162.69 120.03 71.37 42.44 25.23 18.62 11.07 3.91
Prec.mm/hr
25 88.970 259.17 154.10 113.69 67.60 40.20 23.90 17.63 10.49 3.71
10 81.390 237.09 140.97 104.01 61.84 36.77 21.86 16.13 9.59 3.39
5 74.450 216.87 128.95 95.14 56.57 33.64 20.00 14.76 8.77 3.10
3 68.160 198.55 118.06 87.10 51.79 30.79 18.31 13.51 8.03 2.84
2 61.770 179.93 106.99 78.94 46.94 27.91 16.59 12.24 7.28 2.57




EXPEDIENTE TECNICO “ENCAUZAMIENTO Y DEFENSA RIBEREÑA RIO ENTAZ – VILLA RICA”
ANÁLISIS DE RIESGO DE FALLA
El diseño de estructuras para el control de agua incluye la consideración de riesgos. Una

estructura para el control de agua puede fallar si la magnitud correspondiente al periodo
de retorno de diseño T se excede durante la vida útil de la estructura. Este riesgo
hidrológico natural, o inherente, de falla puede calcularse utilizando la ecuación:
Es el tiempo medio en años en que ese inundación (evento) es igualdad o superada por lo menos
una vez es decir
1 1
periodo de retorno  T 
probabilidad P
T = periodo de retorno
P = probabilidad de ocurrencia de un caudal
En hidrología se utiliza más el periodo de retorno que la probabilidad
1
Probabilidad de que un suceso de retorno T se produzca el próximo año....... ........
T
1
Probabilidad de que un suceso de retorno NO se produzca el próximo año....... .....1 -  
T 
  1    1
Probabilidad de que un suceso de retorno NO se produzca los proximos dos años..1 -   1 - 
  T    T
n
  1 
Probabilidad de que un suceso de retorno NO se produzca los proximos n años.....1 -  
  T 
n
  1 
Probabilidad de que un suceso de retorno SI se produzca los proximos n años...... .1 - 1 -   
  T 
En el diseño de obras publicas, la ultima expresión obtenida es el Riesgo de falla (R, es
decir la probabilidad de que SI se produzca alguna vez un suceso de periodo de retorno T
a lo largo a un periodo de n años:

  1
n


R  1  1   

  T 


Valores de periodo de retorno T asociado al riesgo R
Un análisis de la tabla anterior muestra que si adopta un riesgo de 10% de que durante los 10 años de vida útil de una
estructura ocurra una descarga igual o superior a la del proyecto, se debe usar un periodo de retorno de 95.41 años.
Dada la magnitud de las subcuencas, para la estimación de las máximas avenidas se ha tenido en
consideración los siguientes rangos de superficies de cuenca de recepción:
Area Método
< 10 Km2 Hidrograma del US - SCS
< 100 Km2 Mac Math
> 100 km2 Curvas Envolventes de Creager
ESTIMACIÓN DE LAS DESCARGAS MÁXIMAS

PROBABLES
CALCULO DE CAUDAL MAXIMO DE DISEÑO
METODO DE MAC MATH

4 1
Q  0.0091CIA 5 S 5
Donde
Q = Caudal máximo con un periodo de retorno de T años, en m3/s
C = Factor de escorrentía de Mac Math, representa las características de la

cuenca
I = intensidad máxima de la lluvia, para una duración igual al tiempo de

concentración Tc y un periodo de retorno de T años mm/hr
A = Área de la cuenca en Has.
S = pendiente promedio del cauce principal en %o

De los parámetros que intervienen en esta formula, sobre el que se tiene que incidir, es
decir, es sobre el factores C, el cual se compone de las tres componentes, es decir
C = C1 + C2 + C3
Donde
C1 = Esta en función de la cobertura vegetal
C2 = Esta en función de la textura del suelo
C3 = Esta en función de la topografía del terreno
VEGETACION SUELO TOPOGRAFIA
COBERTURA C1 TECTURA C2 PENDIENTE (%) C3
100 0.08 ARENOSO 0.08 0.0-0.2 0.04
80-100 0.12 LIGERA 0.12 0.2-0.5 0.06
50-80 0.16 MEDIA 0.16 0.5-2.0 0.06
20-50 0.22 FINA 0.22 2.0-5.0 0.10
0-20 0.30 ROCOSA 0.30 5.0-10 0.15
Para la Subcuenca del río Entaz se tiene
C1 = 0.12
C2 = 0.12
C3 = 0.15
TOTAL = 0.12+0.12+0.15 = 0.39
FACTOR DE ESCORRENTIA DE MAC MATH
El valor de i intensidad es igual al tiempo de concentración

0.385
 L3 
Tc   0.871 
 H 
Donde
Tc = Tiempo de concentración en horas
L = Longitud del cauce principal Km.
H = Desnivel máximo en m
Para nuestro caso
L = 11.860 km
H = 1050 m.
Reemplazando en la ecuación anterior tenemos
0.385
 11.86 3 
Tc   0.871   1.1332hr.  67.99 min
 1050 
Con un tiempo de concentración Tc igual a tiempo de duración ingresamos al

grafico de IDF y para un periodo retornos diferentes
DETRMINACION DE CAUDALES MAXIMOS INSTANTANEOS
Una relación aceptable en términos de orden de magnitud que muestra flexibilidad es:

Q max inst  1  2.66 * A0.3 
Donde
Qmax = Caudal máximo medio diario en la sección de interés (m3/seg.)
Qmaxinst = Caudal máximo instantáneo (m3/seg.)
A = Área de la cuenca (km2)
CAUDALES MAXIMOS RÍO ENTAZ
periodos de retorno
10 25 50 100 200 500
Qmax(m3/seg) 381.20 397.08 418.26 439.44 460.62 487.09
Qmaxins(m3/seg) 653.28 680.50 716.80 753.09 789.39 834.75

Hidrologia Rio Entaz

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Hidrologia Rio Entaz

Cargado por

Copyright:

Formatos disponibles

EXPEDIENTE TECNICO “ENCAUZAMIENTO Y DEFENSA RIBEREÑA RIO ENTAZ – VILLA RICA

El ciclo hidrológico, es la sucesión de cambios que experimenta el agua al pasar de la atmósfera a la

El ciclo hidrológico involucra un proceso de transporte recirculatorio e indefinido o permanente del

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

SUBCUENCA DEL RÍO ENTAZ

La información topográfica y cartográfica básica utilizada para el estudio de nuestra Subcuenca, ha

PARÁMETROS MORFOLÓGICOS DE LA SUBCUENCA DEL RÍO ENTAZ

DELIMITACIÓN DE LA SUBCUENCA DEL RÍO ENTAZ

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

El área de la subcuenca del río Entaz delimitado es 80.25 km2

EL PERÍMETRO DE LA SUBCUENCA DEL RÍO ENTAZ ES DE: 38.23 KM

Dentro de la información existente, solamente se dispone de registros meteorológicos, mas no de

Además de la evaluación de los registros históricos de precipitaciones de la red de estaciones

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

Para el presente estudio, se ha aplicado las funciones de distribución de probabilidad teóricas, de

Se conoce como máxima avenida, el acontecimiento correspondiente a la circulación de una caudal

RED DE ESTACIONES METEOROLÓGICAS

Para el presente estudio se tuvo la información pluviométrica del Servicio Nacional de

Para el cálculo de los parámetros estadísticos se usará la serie de precipitaciones máximas

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

ESTACIONES CLIMATOLOGICAS OXAPAMPA Y VILLA RICA

PRECIPITACIONES MAXIMA EN 24 HORAS(mm)

1984 36.00 70.60

1985 45.10 60.50

1986 52.70 43.30

1987 54.70 67.00

1988 35.20 43.30

1989 56.30 54.00

1990 46.60 67.00

1991 62.60 63.20

1992 44.00 88.10

1993 68.20 82.80

1994 44.60 74.70

1995 54.7 63.80

1996 38.00 42.00

1997 65.00 58.00

1998 30.60 65.70

Fuente Servicio Nacional Hidrologia y Meteorología SENAMHI

PROBABILIDAD DE OCURRENCIA DE LA PRECIPITACIÓN

Formulas empíricas para determinar la probabilidad de Ocurrencia

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

Método Probabilidad de Ocurrencia (P)

ANÁLISIS Y TRATAMIENTO DE LA INFORMACIÓN

Cuadro de Precipitaciones Máximas 24 horas

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

FUNCIONES DE DISTRIBUCION DE PROBABILIDADES

 f ( x )dx  1 Cuando se encuentra en los límites  y 

En la estadística existen decenas de funciones de distribución de probabilidad teórica; y

 Distribución Normal Estándar.

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

 Distribución Log Normal II Parámetros.

METODOS DE ESTIMACION DE PARAMETROS DE LAS FUNCIONES

El objetivo de la estimación de los parámetros es de relacionar los registros observados

La media o promedio es el estimador que corresponde a la función teórica de probabilidad

Originalmente Pearson consideró solamente momentos alrededor del origen, pero

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581

Método de máxima verosimilitud

Si tenemos n observaciones aleatorias: X 1, X2,………Xn y su función de probabilidad

f ( X 1, 1 ,  2 ,......,  m ) f ( X 2 , 1 ,  2 ,......,  m )...... f ( X n , 1 ,  2 ,......,  m )

Donde:  1 ,  2 ........... m son los parámetros de la función.

Estas ecuaciones en el mismo número que el número de parámetros característicos de la

DISTRIBUCION NORMAL ESTANDAR

Urbanización Cabaña Maria D-4, Cercado de Arequipa Telefax, 054-496547 054-224581