TALLER N°3.

HIDROLOGÍA

MÓNICA ALEXANDRA DÍAZ BARRERA - 201220296

ZAYRA GABRIELA FUENTES MORENO - 201311700
ZAHIA CATALINA MERCHÁN CAMARGO - 201310091
LEANA BANEZA MOLINA PACHECO - 201320186

Trabajo presentado a
Ing. EDISSON RAMIRO CEPEDA

UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA AMBIENTAL
TUNJA
2016
1. Mediante expresiones matemáticas explicar los conceptos de probabilidad de
excedencia y periodo de retorno. Elaborar una tabla con el fin de estimar el
periodo de retorno para proyectos hidrológicos en función del riesgo (1, 2, 5, 10
15, 25, 50, 90 y 95%) y la vida útil del proyecto (2, 5, 10, 15, 25, 50 100 y 200
años). Analizar los resultados obtenidos.

1.1. Periodo de retorno: Se define el período de retorno, Tr, de un evento de

cierta magnitud como el tiempo promedio que transcurre entre la ocurrencia
de ese evento y la próxima ocurrencia de ese evento con la misma magnitud.
Se define también como el tiempo que transcurre para que un evento sea
excedido o igualado, al menos una vez en promedio. Si P es la probabilidad
de excedencia, se puede demostrar matemáticamente que:

1.2. Probabilidad de excedencia: Se define también como la probabilidad

asociada al período de retorno. Así,

En donde:

 P= Probabilidad de excedencia
 T= Tiempo de retorno
 n= Número de años
En otras palabras, la probabilidad de que la variable aleatoria tome un valor igual o
inferior a cierto número X, está dado por la función de distribución de probabilidad
F (X).

Luego, la probabilidad de que x sea mayor que X está dada por la función
complementaria.

A partir de la ecuación:
Despejamos T y tenemos:

Por ejemplo, para un periodo de excedencia de 0,01% y un tiempo de vida útil de

2 años el periodo de retorno será:

T = 199 años

Nota: Estos resultados se encuentran consignados en la TABLA 1.

TABLA 1. PERIODO DE RETORNO EN FUNCIÓN DEL RIESGO

FUNCIÓN DE TIEMPO DE VIDA ÚTIL (años)
RIESGO O
EXCEDENCIA 2 5 10 15 25 50 100 200
(%)
PERIODO DE RETORNO (años)
0.01 199 498 995 1493 2488 4975 9950 19900
0.02 99 248 495 743 1238 2475 4950 9900
0.05 39 98 195 293 488 975 1950 3900
0.1 19 48 95 143 238 475 950 1899
0.15 13 31 62 93 154 308 616 1231
0.25 7 18 35 53 87 174 348 696
0.5 3 8 15 22 37 73 145 289
0.9 1 3 5 7 11 22 44 87
0.95 1 2 4 6 9 17 34 67
FUENTE: AUTORES
Para adoptar el período de retorno a utilizar en el diseño de una obra, es necesario
considerar la relación existente entre la probabilidad de excedencia de un evento,
la vida útil de la estructura y el riesgo de falla admisible, dependiendo este último,
de factores económicos, sociales, técnicos y otros. El criterio de riesgo es la
fijación, a priori, del riesgo que se desea asumir por el caso de que la obra llegase
a fallar dentro de su tiempo de vida útil, lo cual implica que no ocurra un evento de
magnitud superior a la utilizada en el diseño durante el primer año, durante el
segundo, y así sucesivamente para cada uno de los años de vida de la obra.

2. A partir de la serie de precipitación total mensual 1976-2005 (archivo digital

adjunto) de la estación meteorológica Bocagrande, ubicada a 2740 m.s.n.m.,
 perteneciente a la red del Sistema de Información Climatológica e Hidrológica
de Corporación Autónoma Regional de Cundinamarca (CAR), determinar:
a. Todos los parámetros estadísticos básicos (medida de tendencia central y
dispersión “Momentos principales”).
b. Realizar las pruebas de bondad ajuste a la distribución Normal y Lognormal,
con: Chi cuadrado, Kolmogorov – Smirnov y gráficamente.
c. Conformar series de duración completa (anual), duración parcial (anual),
excedencia anual, anual máxima y anual mínima.
d. Estimar a partir de la serie anual máxima la magnitud de precipitación
correspondiente a períodos de retorno de 25, 50 y 100 años, usando la distribución
normal, log-normal, EVI I (Gumbel), Pearson Tipo III y Log-Pearson Tipo III, analizar
los resultados obtenidos.
e. Determinar los límites de confianza del 95% para los valores de precipitación
total mensual correspondientes a un período de retorno de 100 años y una
distribución Normal. En todos los numerales de este punto analizar los resultados
obtenidos.

a.

 Se define el número de intervalos (criterio Sturges)

k = 1 + 3.3log (n)

 Donde n es el total de datos.

Para la distribución normal y log normal:

k = 1 + 3.3log (360)

k = 9,436

k = 10

En este caso el número de intervalos es el mismo para la distribución Log normal.

 Se define el rango (R)

Para la distribución normal:

R = Pmmax − Pmmin
 Donde Pamax es la precipitación mensual máxima (valor mayor de todos los
datos) y Pamin es la precipitación mensual mínima (valor menor de todos los
datos)

Para la distribución normal:

R = 568,8 − 0

R = 568,8

Para la distribución Log normal:

R = 2,8 − 0

R = 2,8

 Se define el tamaño del intervalo de clase

𝑅
𝐶=𝐾

 Donde R es el rango determinado anteriormente y k es el número de intervalos

determinado anteriormente.

Entonces para la distribución normal se tiene:

568,8
𝐶=
10
C = 56,88
C = 60

Entonces para la distribución Log normal se tiene:

2,8
𝐶=
10
C = 0,28
C = 0,3

 Se define ni como el número de datos en cada rango.

 Se define la marca de clase (Xj):

 𝐿𝑖 + 𝐿𝑠
𝑋𝑗 =
2

 Donde Li es el límite inferior y es 𝐿𝑠 el límite superior de cada rango.

Entonces para la distribución normal:

0 + 60
𝑋𝑗 =
2

Xj = 30

Entonces para la distribución Log normal:

0 + 0,3
𝑋𝑗 =
2

Xj = 0,15

Nota: este procedimiento se hace para cada intervalo.

 Se definen dos momentos:

Cálculo de la media

∑(𝑛𝑖 ∗ 𝑋𝑗)
𝑋=
𝑁

 Donde ni es el número de datos en cada rango, Xj es la marca clase de cada

rango y N es el número total de datos.

Entonces para la distribución normal:

65820
𝑋=
360
X = 182,83

Entonces para la distribución Log normal:

769,5
𝑋=
360
X = 2,138
 Cálculo de la desviación estándar

√∑𝑛𝑖(𝑋𝑗−𝑋)2
𝑆= 𝑁

Entonces para la distribución normal:

23677161,129
𝑆=√ 360
S = 256,456

Entonces para la distribución Log normal:

√58,534
𝑆=
360

S = 0,403

 Se define la frecuencia relativa:

𝑛𝑖
𝑓𝑠(𝑋𝑖) =
𝑁
Entonces para la distribución normal:

62
𝑓𝑠(𝑋𝑖) =
360
fs(Xi) = 0,172

Entonces para la distribución Log normal:

2
𝑓𝑠(𝑋𝑖) = 360
𝑓𝑠(𝑋𝑖) = 0,006

Nota: este procedimiento se hace para cada intervalo.

 Se define la frecuencia acumulada

𝑖

𝐹𝑠(𝑋𝑖) = ∑ 𝑓𝑠(𝑋𝑖)
𝑖=1

Entonces para la distribución normal:

Fs (Xi) = 0,172 + 0,178

Fs (Xi) = 0,35

Entonces para la distribución Log normal:

Fs (Xi) = 0,006 + 0,003

Fs (Xi) = 0,009

Nota: este procedimiento se hace para cada intervalo.

 Se define la variable normal estándar (Se trabaja con el límite superior Ls)

𝐿𝑠 − 𝑋
𝑍𝑖 =
𝑆
Entonces para la distribución normal:

60 − 182,833
𝑍𝑖 =
256,456
Zi = − 0,479

Entonces para la distribución Log normal:

0,3 − 2,138
𝑍𝑖 =
0,403
Zi = − 4,561

Nota: este procedimiento se hace para cada intervalo.

 Se define la frecuencia acumulada asociada a la distribución normal.

Se tienen en cuenta dos condiciones:

 F(Xi) = B si z < 0

B = 12 * (1 + 0,196854 * ∣ (z)∣ + 0,115194 * ∣ (z)∣ 2 + 0,000344 * ∣ (z)∣ 3 + 0,019527 * ∣ (z)∣ 4) −4

Entonces para la distribución normal:

B = 12 * (1 + 0,196854 * ∣ (− 0,024)∣ + 0,115194 * ∣ (− 0,024)∣ 2 + 0,000344 * ∣ (− 0,024)∣ 3

+ 0,019527 * (− 0,024)∣ 4) −4

B =0,491

● F(Xi) = 1 − B si z > 0

B = 12 * (1 + 0,196854 * ∣ (z)∣ + 0,115194 * ∣ (z)∣ 2 + 0,000344 * ∣ (z)∣ 3 + 0,019527 * ∣ (z)∣ 4) −4

Se tiene:
B = 12 * (1 + 0,196854 * ∣ (0,479)∣ + 0,115194 * ∣ 0,479)∣ 2 + 0,000344 * ∣ (0,479)∣ 3

+ 0,019527 * (0,479)∣ 4) −4
B =0,316

F(Xi) = 1 − 0,316
F(Xi) = 0,684

Entonces para la distribución Log normal:

B = 12 * (1 + 0,196854 * ∣ (− 4,557)∣ + 0,115194 * ∣ (− 4,557)∣ 2 + 0,000344 * ∣ (− 4,557)∣ 3

+ 0,019527 * (− 4,557)∣ 4) −4
B =0,000

 F(Xi) = 1 − B si z > 0

B = 12 * (1 + 0,196854 * ∣ (z)∣ + 0,115194 * ∣ (z)∣ 2 + 0,000344 * ∣ (z)∣ 3 + 0,019527 * ∣ (z)∣ 4) −4

Se tiene:

B = 12 * (1 + 0,196854 * ∣ (0,651)∣ + 0,115194 * ∣ 0,651)∣ 2 + 0,000344 * ∣ (0,651)∣ 3

+ 0,019527 * (0,651)∣ 4) −4
B =0,257

F(Xi) = 1 − 0,257
F(Xi) = 0,743
Nota: este procedimiento se hace para cada intervalo.

 Se define la frecuencia relativa asociada a la distribución normal

Entonces para la distribución normal:

P(Xi) = 0,365 − 0,152

P(Xi) = 0,213

Entonces para la distribución Log normal:

P(Xi) = 0,057 − 0,010 P(Xi)

= 0,047

Nota: este procedimiento se hace para cada intervalo.

Estos resultados se encuentran consignados en la TABLA 2.

 TABLA 2. PARÁMETROS ESTADÍSTICOS BÁSICOS - DISTRIBUCIÓN NORMAL

Parámetros estadísticos básicos - Distribución normal

INTERVALO L.I L.S ni Xj ni*Xj ni(Xj- )^2 fs(Xi) Fs(Xi) Zi F(Xi) P(Xi)
S 119,382 1 0 60 62 30 1860 1448197,722 0,172 0,172 -1,029 0,152 0,152
182,833 2 60 120 64 90 5760 551553,778 0,178 0,350 -0,344 0,365 0,213
K 9,436 3 120 180 64 150 9600 68993,778 0,178 0,528 -0,024 0,491 0,125
R 568,8 4 180 240 67 210 14070 49447,861 0,186 0,714 0,479 0,684 0,194
C 60,283 5 240 300 48 270 12960 364705,333 0,133 0,847 0,981 0,837 0,152
N 360 6 300 360 23 330 7590 498134,639 0,064 0,911 1,484 0,931 0,095
R^2 0,995 7 360 420 14 390 5460 600852,389 0,039 0,950 1,987 0,977 0,046
8 420 480 13 450 5850 927914,361 0,036 0,986 2,489 0,993 0,017
9 480 540 3 510 1530 321114,083 0,008 0,994 2,992 0,998 0,005
10 540 600 2 570 1140 299796,056 0,006 1,000 3,494 1,000 0,001
TOTAL 360 65820 5130710,000 1,000 7,453 1,000
Media
Fs(x)
0,745

Parámetros estadísticos básicos - Distribución Log normal

INTERVALO L,I L,S ni Xj ni*Xj ni(Xj- )^2 fs(Xi) Fs(Xi) Zi F(Xi) P(Xi)
S 0,403 1 0,0 0,3 2 0,150 0,300 7,900 0,006 0,006 -4,557 0,000 0,000
2,138 2 0,3 0,6 1 0,450 0,450 2,848 0,003 0,008 -3,813 0,000 0,000
K 9,436 3 0,6 0,9 0 0,750 0,000 0,000 0,000 0,008 -3,069 0,001 0,001
R 2,8 4 0,9 1,2 7 1,050 7,350 8,279 0,019 0,028 -2,325 0,010 0,009
C 0,293 5 1,2 1,5 14 1,350 18,900 8,682 0,039 0,067 -1,581 0,057 0,047
N 360 6 1,5 1,8 39 1,650 64,350 9,269 0,108 0,175 -0,837 0,201 0,145
R^2 0,989 7 1,8 2,1 67 1,950 130,650 2,355 0,186 0,361 -0,093 0,463 0,262
8 2,1 2,4 133 2,250 299,250 1,683 0,369 0,731 0,651 0,743 0,279
 9 2,4 2,7 94 2,550 239,700 15,995 0,261 0,992 1,395 0,918 0,176
10 2,7 3,0 3 2,850 8,550 1,523 0,008 1,000 2,139 0,984 0,065
TOTAL 360 769,500 58,534 1,000 3,375 0,984
Media
Fs(x)
0,338

b.
 Se define prueba de Chi cuadrado

Entonces para la distribución normal:

(𝑓𝑠 − 𝑃(𝑋𝑖))2
(𝑋𝑖)2 = ∑ 𝑁 ∗
𝑃(𝑋𝑖)
(0,172 − 0,152)2
(𝑋𝑖)2 = 360 ∗
0,152
(Xi)2 = 0,970

Esta operación se realizó para cada uno de los intervalos, al final se sumaron todos los resultados y se obtuvo un valor
de D=Σ(Xi)2 = 30,284.

Calculamos los grados de libertad: v=m-p-n

Donde
 m= número de intervalos
 p= parámetros
 n= cte= 1

Tenemos

v= 10-2-1
v= 7

Con un nivel de confianza de 0,95 y 7 grados de libertad, ubicamos el valor teórico

de (Xi)2 , así:

IMAGEN 1. TABLA DE DISTRIBUCIÓN CHI CUADRADO

FUENTE: LABRAD.FISICA.EDU.UY/DOCS/TABLA_CHI_CUADRADO.PDF

Entonces tenemos que (Xi)2 = 14,067

(Xi)2 < D

Como este valor es menor que D, podemos concluir que la distribución normal no
se ajusta a la información con un nivel de confianza del 95%, de tal manera que el
ajuste de la distribución normal a la información de la precipitación de la estación
metereológica Bocagrande no se acepta.

Entonces para la distribución Log normal:

2
(0,039 − 0,047)2
(𝑋𝑖) = 360 ∗
0,047
2
(Xi) = 0,475
Esta operación se realizó para cada uno de los intervalos, al final se sumaron todos
los resultados y se obtuvo un valor de D=Σ(Xi)2 = 660,717. Calculamos los grados
de libertad:
v=m-p-n
Donde
 m= número de intervalos
 p= parámetros
 n= cte= 1 Tenemos

v= 10-2-1
v= 7

Con un nivel de confianza de 0,95 y 7 grados de libertad, ubicamos el valor teórico

de (Xi)2 , así:

IMAGEN 1. TABLA DE DISTRIBUCIÓN CHI CUADRADO

FUENTE: LABRAD.FISICA.EDU.UY/DOCS/TABLA_CHI_CUADRADO.PDF

Entonces tenemos que (Xi)2 = 14,067

(Xi)2 > D

Como este valor es menor que D, podemos concluir que la distribución Log normal
se ajusta a la información con un nivel de confianza del 95%, de tal manera que el
ajuste de la distribución Log normal a la información de la precipitación de la
estación metereológica Bocagrande se acepta.

 Se define la relación de las frecuencias absolutas acumuladas

∣ K − S∣ = Fs(Xi) − F(Xi)
Entonces para la distribución normal:

∣ K − S∣ = 0,172 − 0,152
∣ K − S∣ = 0,020
Nota: este procedimiento se hace para cada intervalo.

El valor máximo obtenido de esta relación para cada intervalo fue de 0,037, el cual
identificamos como Dmáx.

A partir del número de datos (n=360) y el nivel de significancia (0,01), calculamos

el valor teórico de K-S a partir de la siguiente fórmula:

1,36
𝐾−𝑆 =
√𝑛
1,36
𝐾−𝑆 =
√360
K − S = 0,07168

Dmáx < K-S teórico

Tenemos que el valor teórico es mayor que el valor obtenido en la práctica Dmáx,
podemos concluir que la distribución normal se ajusta a la información con un nivel
de significancia de 0,01, de tal manera que el ajuste de la distribución normal a la
información de la precipitación de la estación meteorológica Bocagrande se acepta.

Entonces para la distribución Log normal:

∣ K − S∣ = 0,006 − 0,000
∣ K − S∣ = 0,006
Nota: este procedimiento se hace para cada intervalo.

El valor máximo obtenido de esta relación para cada intervalo fue de 0,102, el cual
identificamos como Dmáx.
A partir del número de datos (n=360) y el nivel de significancia (0,01), calculamos
el valor teórico de K-S a partir de la siguiente fórmula:

1,36
𝐾−𝑆 =
√𝑛
1,36
𝐾−𝑆 =
√360
K − S = 0,07168

Dmáx > K-S teórico

Tenemos que el valor teórico es menor que el valor obtenido en la práctica Dmáx,
podemos concluir que la distribución Log normal no se ajusta a la información con
un nivel de significancia de 0,01, de tal manera que el ajuste de la distribución Log
normal a la información de la precipitación de la estación meteorológica
Bocagrande no se acepta.

Estos resultados se encuentran consignados en la TABLA 3.

 TABLA 3. PRUEBAS DE BONDAD DE AJUSTE

Punto 2. B) pruebas de bondad de ajuste - Punto 2. B) pruebas de bondad de ajuste - Distribución Log normal:
Distribución Log normal: Chi cuadrado y K-S Gráficamente
(Fs(x)-Media
INTERVALO Xc^2 |K-S| (Fs(x)-F(x))^2 Fs(x))^2 Xj D ordenados m Pexc T (años) Pacum
1 0,970 0,020 0,000 0,328 30,000 570,000 1 0,002 576 0,998
2 2,144 0,015 0,000 0,156 90,000 510,000 2 0,005 222 0,995
3 7,943 0,037 0,001 0,047 150,000 450,000 3 0,007 137 0,993
4 0,104 0,030 0,001 0,001 210,000 390,000 4 0,010 99 0,990
5 0,858 0,011 0,000 0,010 270,000 330,000 5 0,013 78 0,987
6 3,582 0,020 0,000 0,028 330,000 270,000 6 0,016 64 0,984
7 0,350 0,027 0,001 0,042 390,000 210,000 7 0,018 54 0,982
8 8,037 0,007 0,000 0,058 450,000 150,000 8 0,021 47 0,979
9 0,861 0,004 0,000 0,062 510,000 90,000 9 0,024 42 0,976
10 5,435 0,000 0,000 0,065 570,000 30,000 10 0,027 37 0,973
TOTAL 30,284 0,004 0,798
Dmáx
0,037
Punto 2. B) pruebas de bondad de ajuste - Punto 2. B) pruebas de bondad de ajuste - Distribución Log normal:
Distribución Log normal: Chi cuadrado y K-S Gráficamente
(Fs(x)-Media
INTERVALO Xc^2 |K-S| (Fs(x)-F(x))^2 Fs(x))^2 Xj D ordenados m Pexc T (años) Pacum
1 581,829 0,006 0,000 0,111 0,150 2,850 1 0,002 576 0,998
2 18,912 0,008 0,000 0,109 0,450 2,550 2 0,005 222 0,995
3 0,412 0,007 0,000 0,109 0,750 2,250 3 0,007 137 0,993
4 4,689 0,018 0,000 0,096 1,050 1,950 4 0,010 99 0,990
5 0,475 0,010 0,000 0,074 1,350 1,650 5 0,013 78 0,987
6 3,274 0,026 0,001 0,027 1,650 1,350 6 0,016 64 0,984
 7 7,876 0,102 0,010 0,001 1,950 1,050 7 0,018 54 0,982
8 10,441 0,012 0,000 0,154 2,250 0,750 8 0,021 47 0,979
9 14,876 0,073 0,005 0,427 2,550 0,450 9 0,024 42 0,976
10 17,933 0,016 0,000 0,438 2,850 0,150 10 0,027 37 0,973
TOTAL 660,717 0,017 1,544
Dmáx
0,102

FUENTE: AUTORES

 Se calcula el coeficiente de determinación para determinar si el ajuste es bueno (se ajusta a la distribución normal) o
malo (no se ajusta):

Entonces para la distribución normal:

R2 =0,995

En vista del resultado analítico podemos afirmar que el ajuste del modelo es bueno, ya que el valor de R2 = 0,995 es
cercano a la unidad. En concreto el 99,5% de la variabilidad de la variable precipitación a su promedio es explicado
por el modelo de regresión ajustado. Podemos concluir que el modelo lineal es adecuado para describir la relación
existente entre estas variables.

Entonces para la distribución Log normal:

R2 =0,989
En vista del resultado analítico podemos afirmar que el ajuste del modelo es bueno,
ya que el valor de R2 = 0,989 es cercano a la unidad. En concreto el 98,9% de la
variabilidad de la variable precipitación a su promedio es explicado por el modelo
de regresión ajustado. Podemos concluir que el modelo lineal es adecuado para
describir la relación existente entre estas variables

 Para el método gráfico partimos de la marca de clase, ordenamos los datos de

mayor a menor, les asignamos un número de orden y procedemos a calcular la
probabilidad de excedencia, asi:
3
𝑚−8
𝑃𝑒𝑥𝑐 =
1
𝑛+4

Por ejemplo, para un número de orden de 1:

3
1−8
𝑃𝑒𝑥𝑐 =
1
360 + 4
Pexc = 0,002

 Se calcula el periodo de retorno:

1
𝑇=
𝑃

1
𝑇=
0,002
T = 578 años

 Se calcula la probabilidad acumulada:

Pacum = 1 − P
Pacum = 1 − 0,002
Pacum = 0,998

Graficamos las funciones de frecuencia acumulada y de distribución de

probabilidad con respecto a los valores de la precipitación mensual anual para la
distribución normal y log normal y tenemos:
 GRÁFICA 1. Ajuste gráfico a la distribución normal

FUENTE: AUTORES

Debido a la similitud de las dos funciones mostradas en la gráfica, es evidente que

la distribución normal se ajusta muy bien a esta información de precipitación
mensual anual.

GRÁFICA 2. Ajuste gráfico a la distribución Log normal

FUENTE: AUTORES

Debido a que se presenta cierta variación de las dos funciones mostradas en la

gráfica, podemos estimar que la distribución Log normal no se ajusta muy bien a
esta información de precipitación mensual anual.
c. Conformar series de duración completa (anual), duración parcial (anual),
excedencia anual, anual máxima y anual mínima

 Serie de duración completa (anual): En esta serie se deben tomar todos los
datos. Para la conformación de esta serie para la estación meteorológica
Bocagrande, se consideraron las precipitaciones anuales del año 1976 a 2005.
El gráfico de la representación se encuentra a continuación.

GRÁFICA 3. SERIE DE DURACIÓN COMPLETA ANUAL.

FUENTE: AUTORES

Por medio de la serie de duración completa anual se puede hacer una idea parcial
del comportamiento hidrológico en la zona, a partir de los datos de precipitación
anual. Para la serie de 30 años registrada se evidencia que el año 1983 fue el año
con mayor precipitación con un dato de 2965.4 mm, por lo que probablemente se
haya presentado una elevación en las crecientes registradas; y el año 1986 registró
la precipitación más baja con un dato de 1099.3 mm, la cual representa una
precipitación muy baja comparada con toda la serie, en donde probablemente se
haya determinado un déficit hídrico.

 Serie de duración parcial (anual): Para la conformación de la serie, se

selecciona un valor base, de manera que se representen los datos con valores
superiores. Para la elaboración de la serie, el valor base es 2109 mm, para que se
vean representados los valores superiores de la precipitación anual, para la serie
de 30 años.
 GRÁFICA 4. SERIE DE DURACIÓN PARCIAL ANUAL

FUENTE: AUTORES

En la serie de duración parcial anual se observa que la precipitación anual en la

mayoría de años es mayor a 2109 mm. El periodo comprendido entre el año 1985
hasta el año 1992 registra períodos con baja precipitación anual.

● Serie anual máxima: En la serie anual máxima, se toman los valores de

precipitación más altos registrados por año, de tal manera que se puede
determinar el periodo de retorno para estos eventos máximos.

GRÁFICA 5. SERIE ANUAL MÁXIMA

FUENTE: AUTORES

Los años que registraron una precipitación con un valor máximo a comparación de
la serie de 30 años fueron el año 1982 con 568,8 mm y el año 1983 con una
precipitación de 550,3 mm.
 ● Serie anual mínima: En la serie anual máxima, se toman los valores de precipitación
más bajos registrados por año, de tal manera que se puede determinar el periodo de
retorno para estos eventos.

GRÁFICA 6. SERIE ANUAL MÁXIMA

FUENTE: AUTORES

 Serie de excedencia anual: Para la conformación de la serie, se escoge un valor

base, en donde el número de valores sea igual al número de años registrados
en este caso 30 años.
d.

 A partir de la precipitación anual máxima estimamos la magnitud de

precipitación correspondiente a los periodos de retorno de 25, 50 y 100 años.

Partimos calculando los parámetros estadísticos básicos y luego procedemos a

calcular la magnitud del evento hidrológico extremo por las siguientes
distribuciones:

TABLA 4. PARÁMETROS ESTADÍSTICOS BÁSICOS PARA DISTRIBUCIÓN

NORMALY LOG NORMAL
E.
básicos Normal Log
x 407.768 2.600
s 86.195 0.097
Cv 0.211 0.037
Cs -0.196 -0.591

FUENTE: AUTORES
Nota: Los siguientes ejemplos de cálculo se realizará para un periodo de retorno
de 25 años.

 Distribución normal

Calculamos la probabilidad:

P = 0,040

Calculamos W, para 0 ≤ P ≤ 0,5

1 1
𝑊 = (ln ( ))2
𝑃2
1
1
𝑊 = (ln (0,0402 ))2
W = 2,537

Calculamos z=Kt

z = 1,751

Calculamos la magnitud de la precipitación Xt:

Xt = + Kt * s
Xt = 407.768 + 1,751 * 86.195
Xt = 558,702 mm

Para la precipitación anual máxima de la estación metereológica Bocagrande los

resultados son:

TABLA 5. MAGNITUD DE PRECIPITACION PARA UNA DISTRIBUCIÓN NORMAL

Distribución Normal
 T (años) 25 50 100
P (%) 0.040 0.020 0.010
W 2.537 2.797 3.035
Kt 1.751 2.054 2.327
Z 1.751 2.054 2.327
Log Xt - - -
Xt (mm) 558.702 584.829 608.325
FUENTE: AUTORES

 Distribución Log-Normal

Para este caso se calcula la probabilidad, el factor W y Kt=z de la misma manera

que la distribución normal.

La magnitud se calcula con base en los parámetros estadísticos básicos calculados

con el logaritmo de los valores de la precipitación anual máxima:

𝑌𝑡 = 𝐿𝑜𝑔 𝑋𝑡 = 𝑌̅ + + 𝐾𝑡 ∗ 𝑆𝑦
Yt = Log Xt = 2.600 + 1,751 * 0,097
Yt = Log Xt = 2,770

La magnitud Xt:

Xt = Antilog(Yt)
𝑋𝑡 = 102,770
Xt = 588,526 mm

Para la precipitación anual máxima de la estación metereológica Bocagrande los

resultados son:

TABLA 6. MAGNITUD DE PRECIPITACION PARA UNA DISTRIBUCIÓN LOG

NORMAL
Distribución Log-Normal

T (años) 25 50 100
P (%) 0.040 0.020 0.010
W 2.537 2.797 3.035
Kt 1.751 2.054 2.327
Z 1.751 2.054 2.327
Log Xt 2.770 2.799 2.825
Xt (mm) 588.526 629.632 669.045
FUENTE: AUTORES
 EVI I (Gumbel)

Para este tipo de distribución el valor de Kt lo sacamos de la tabla a partir del

número de datos de la serie y del periodo de retorno:

IMAGEN 2. FACTOR DE FRECUENCIA PARA LA DISTRIBUCIÓN DE GUMBEL

FUENTE: ARCHIVO ING. EDISSON CEPEDA

Kt = 2,393

Calculamos la magnitud Xt:

Xt = + Kt * s
Xt = 407.768 + 2,393 * 86.195
Xt = 614,033 mm

Para la precipitación anual máxima de la estación metereológica Bocagrande los

resultados son:

TABLA 7. MAGNITUD DE PRECIPITACION PARA LA DISTRIBUCIÓN DE GUMBEL

Distribución EVI I (Gumbel)
T (años) 25 50 100
P (%) 0.040 0.020 0.010
W - - -
Kt 2.393 3.026 3.653
Z 2.393 3.026 3.653
Log Xt - - -
Xt (mm) 614.033 668.594 722.638
FUENTE: AUTORES
 Pearson Tipo III

Para este tipo de distribución el valor de Kt lo sacamos de la tabla a partir del

coeficiente de asimetría negativa (Cs=-0,196) y del periodo de retorno:

IMAGEN 3. VALORES DE Kt PARA LA DISTRIBUCIÓN PEARSON TIPO III (asimetría

negativa)

FUENTE: HIDROLOGÍA APLICADA VEN TE CHOW

Kt = 1,680

Calculamos la magnitud Xt:

Xt = + Kt * s
Xt = 407.768 + 1,680 * 86.195
Xt = 552,576 mm

Para la precipitación anual máxima de la estación metereológica Bocagrande los

resultados son:

TABLA 8. MAGNITUD DE PRECIPITACION PARA LA DISTRIBUCIÓN PEARSON

TIPO III
Distribución Pearson Tipo III
T (años) 25 50 100
P (%) 0.040 0.020 0.010
W - - -
Kt 1.680 1.945 2.178
Z 1.680 1.945 2.178
Log Xt - - -
Xt (mm) 552.576 575.417 595.501
FUENTE: AUTORES

➢ Log-Pearson tipo III

Para este caso se calcula la probabilidad, el factor W y z de la misma manera que

la distribución normal.
La magnitud se calcula con base en los parámetros estadísticos básicos calculados
con el logaritmo de los valores de la precipitación anual máxima y a partir de la
siguiente fórmula:

Cuando Cs= 0 Kt=z

Cuando Cs es diferente de 0:

Donde

Entonces:

Kt = 1,533

Reemplazando tenemos:

𝑌𝑡 = 𝐿𝑜𝑔 𝑋𝑡 = 𝑌̅ + + 𝐾𝑡 ∗ 𝑆𝑦
Yt = Log Xt = 2.600 + 1533 * 0,097
Yt = Log Xt = 2,749

La magnitud Xt:

Xt = Antilog(Yt)
𝑋𝑡 = 102,770
Xt = 560,654 mm

Para la precipitación anual máxima de la estación metereológica Bocagrande los

resultados son:
 TABLA 9. MAGNITUD DE PRECIPITACION PARA LA DISTRIBUCIÓN LOG
PEARSON TIPO III
Distribución Log-Pearson Tipo III
T (años) 25 50 100
P (%) 0.040 0.020 0.010
W 2.537 2.797 3.035
Kt 1.533 1.729 1.892
Z 1.751 2.054 2.327
Log Xt 2.749 2.768 2.783
Xt (mm) 560.654 585.606 607.342
FUENTE: AUTORES

Puede observarse que el efecto de incluir el pequeño coeficiente de asimetría

negativa (-0,196) para la distribución normal y de Pearson tipo III en los cálculos
es el de alterar levemente la precipitación estimada, y ese efecto es más
pronunciado en T=100 años que en T=25 años. Cuando el coeficiente de asimetría
negativa es más pequeño (-0,591) para la distribución Log normal y Log Pearson
tipo III, se observa una alteración notoria con respecto a la precipitación estimada,
y ese efecto es más pronunciado en T=100 años que en T=25 años. Otro aspecto
de los resultados es que para la distribución de Gumbel (EVI I) el valor de la
precipitación estimada es mayor que los valores estimados a partir de las otras
distribuciones, debido a que se tiene en cuenta el tamaño de la serie de los datos,
por lo que se observa un efecto más pronunciado en T=100 años que en T=25
años. Además para los estimativos para 100 años de periodo de retorno son
mayores que para 25 años de periodo de retorno. Para este caso el incremento de
las precipitaciones estimadas es menor que el incremento proporcional en el
periodo de retorno.

e. Determinar los límites de confianza del 95% para los valores de precipitación
total mensual correspondientes a un período de retorno de 100 años y una
distribución Normal.

Calculamos la media y la desviación estándar para los datos de la precipitación

total mensual:

 Cálculo de la media

 Donde ni es el número de datos en cada rango, Xj es la marca clase de cada

rango y N es el número total de datos.
Entonces tenemos:

X = 184,53

 Cálculo de la desviación estándar

Entonces tenemos:

S
S = 117,73

Como T=100 años

P = 0,01

Calculamos la variable intermedia w:

w = 3,035

Calculamos la variable normal estándar z:

z = 2,327
Como α=0,95, β=0,025, Zα=0,025, Pacum=0,975, Pexc=0,025

Para estimar la magnitud del evento con un periodo de retorno T, el límite superior
Lr,a y el límite inferior Ur,a pueden especificarse ajustando la ecuación del factor
de frecuencia:

donde . a son los factores de los límites de confianza superior e inferior,

los cuales pueden determinarse para unos datos distribuidos normalmente
utilizando la distribución no central t.
Valores aproximados para estos factores se encuentran utilizando las siguientes
ecuaciones:

en las cuales:

La cantidad es la variable normal estándar con una probabilidad de excedencia

α.

De la siguiente tabla obtenemos un valor de Zα=1,96 para una probabilidad

acumulada 0,975.
 IMAGEN 4. PROBLABILIDAD ACUMULADA DE LA DISTRIBUCIÓN NORMAL
ESTÁNDAR

FUENTE: HIDROLOGÍA APLICADA VEN TE CHOW

a = 0,995

b = 5,403

K
K

K
K

El límite inferior será:

UT,α = 184,531 + 177,727 * 2,539
UT,α = 483,477
El límite superior será:
LT,α = 184,531 + 177,727 * 2,139
LT,α = 436,381

Los resultados de este numeral se encuentran consignados en la siguiente tabla:

TABLA 10. LÍMITES DE CONFIANZA DEL 95% PARA LOS VALORES DE

PRECIPITACIÓN TOTAL MENSUAL
184,531
S 117,727
T 100,000
P 0,010
W 3,035
Kt 2,327
A 0,950
B 0,025
Pexc 0,025
Pacum 0,975
Za 1,960
A 0,995
B 5,403
Kut,a 2,539
Klt,a 2,139
Ut,a 483,477
Lt,a 436,381
FUENTE: AUTORES

El intervalo de confianza es, en este caso, bastante amplio debido a que el tamaño
de la muestra es pequeño. A medida que el tamaño de la muestra aumenta, el
ancho del intervalo de confianza alrededor de la magnitud de creciente estimada
será menor.

3. La lluvia normal (correspondiente a una normal climatológica) en seis (6)

estaciones meteorológicas es de 1250 (E1), 1139 (E2), 1345 (E3), 941 (E4), 1187
(E5) y 911 (E6) mm, respectivamente. Durante una tormenta la estación 5 (E5) no
registró datos debido a una falla mecánica. Las coordenadas de las estaciones son
presentadas en la tabla anexa en formato digital, junto con la magnitud de
precipitación registrada en cada una de ellas. Calcular el registro de lluvia faltante
en la estación 5 (E5) por los métodos de: Promedio Aritmético, Proporción Normal
e Inverso de la distancia. Comparar y analizar los resultados obtenidos.
 TABLA 11. DATOS ESTACIONES METEREOLÓGICAS
Coordenad Coordenad Magnitud de
Magnitud de precipitación
Estación a Este (m) a Norte (m) precipitación del evento
normal (mm)
No. (mm)
1 342 1980 89.4 1250

2 455 7320 110.5 1139

3 -530.2 -876 69.6 1345

4 -1510 431 55.7 941

5 0 0 (---) 1187

6 1321 201 72.3 911

FUENTE: AUTORES

3.1. Promedio Aritmético:

Se debe utilizar la siguiente fórmula para poder obtener la magnitud de la

precipitación de la estación faltante. Esta es determinada por el promedio de tres
o más estaciones en el área de estudio.

TABLA 12. PROMEDIO ARITMÉTICO ESTACIÓN 5.

Promedio medio aritmetico
Estacion 5
79.5
FUENTE: AUTORES

3.2. Proporción Normal

Para la proporción normal se toma el dato de la precipitación de la estación faltante,

pero en un periodo normal en este caso donde no se haya presentado tormentas
fuertes y se hace una relación de la precipitación normales en las demás
estaciones sobre las precipitaciones que en este caso se presentaron en tormentas
fuertes.
 TABLA 13. PROPORCIÓN NORMAL
Proporción
Normal
53,41021392
FUENTE: AUTORES

3.3. Método Inverso de la distancia

Para este método se utilizó las coordenadas de las estaciones, que muestra la
distancia a partir de la estación que no tiene datos de precipitación para esto se
halló un valor de relación de las coordenadas que se tienen en X y las de Y, donde
se divide a 1 en este valor para cada estación y así lograr predecir el valor faltante
de la estación en un periodo de tormenta fuerte.
 TABLA 14. MÉTODO INVERSO DE LA DISTANCIA
Inverso de la
D2 WI
distancia
70,30451045 4037364 2,47686E-07
53789425 1,8591E-08
1048488 9,53754E-07
2465861 4,05538E-07
0
1785442 5,60085E-07
FUENTE: AUTORES

Según la teoría el método más acertado de los tres anteriores es el de la inversa

de la distancia y esto se debe a que toman la distancia de las estaciones con
respecto a la que tiene el dato faltante como valor importante para la obtención de
este, lo cual es acertado debido a que la precipitación es un evento deterministico
depende del tiempo y del espacio lo cual va a generar menor error cuando se tiene
en cuenta la distancia de la toma de muestras.

4. A partir de los datos de precipitación diaria registrados por la red

hidrometeorológica de la ciudad de Bogotá (en 19 de las estaciones), para un
evento de tormenta ocurrido el 30/03/1990, los cuales se incluyen en las
coberturas anexadas en formato SIG (estaciones meteorológicas y zona de
influencia del evento), estimar la precipitación media del
evento hidrometeorológico extremo, por medio de los siguientes métodos:
promedio aritmético, Polígonos de Thiessen, Kriging Ordinario, Inverso de la
Distancia (IDW) e Interpolación Global Polinomial. Para evaluar la bondad de
ajuste de los métodos geoestadísticos de interpolación del campo de
precipitación se propone emplear la metodología de validación cruzada. La
herramienta computacional a emplear es el software ArcGis con las extensiones
Spatial Analyst, 3D Analyst, y Geostatistical Analyst.

a. Método promedio aritmético: en este método la lluvia media para la región se

determina como el promedio de las medidas de los pluviómetros que están
ubicados dentro de ella. Este método se utiliza cuando los pluviómetros se
distribuyen uniformemente en la cuenca y las variaciones en las medidas son muy
bajas, es decir cuando la dispersión (desviación estándar) con respecto a la
media no supera el 10%. Se calcula de la siguiente forma.
𝑛
𝑃𝑖
𝑃=∑
𝑛
𝑛−1
Donde P es la precipitación promedia en la cuenca o región (mm), Pi es la precipitación
en cada uno de los n pluviómetros y n es el número de pluviómetros ubicados en la
cuenca.

 Para la representación de datos se tiene:

Fila que representa n Fila que representa Pi

Entonces se tiene:

150,2
𝑃=
19

𝑃 = 7,905

b. Método polígonos de Thiessen: este método se utiliza para determinar la lluvia

media en una zona, se aplica cuando se sabe que las medidas de precipitación
en los diferentes pluviómetros sufren variaciones, teniendo además el
condicionante que la cuenca es de topografía suave o en lo posible plana.

Para el programa Argis se utilizan los siguientes pasos:

 Se cargan los datos:

 Datos para trabajar:

 Se activan la extensiones Spatial Analysis, 3D Analyst, y Geostatistical Analyst:

 Seleccionamos la herramienta a ejecutar:

 Se selecciona la entrada como shape que tiene los datos de precipitación, su
segundo campo el nombre del shape nuevo y el tercer campo se selecciona ALL,
aceptar :
 Se obtiene el resultado con un nuevo Shape:

 Se le calcula el área a cada polígono en Km2:

 Y se realiza el siguiente proceso para obtener la precipitación media:

 Se halla el ponderador de área como el cociente entre el área de asociada a cada

pluviómetro y el área total, su suma es igual a 1.
 Se halla la precipitación ponderada multiplicando la precipitación medida en cada
pluviómetro y al factor ponderador de área.

TABLA 15. MÉTODO POLIGONOS DE THIESSEN

#
Estaciones Área Pdiaria Ponarea PrePonder
1 30,6707 15,7 0,05838525 0,91664842
2 63,08192 4,1 0,12008378 0,49234351
3 13,83424 1,2 0,02633509 0,0316021
4 28,32689 3 0,05392353 0,1617706
5 52,93815 16,7 0,10077393 1,6829247
6 25,0131 0,5 0,04761535 0,02380767
7 33,53514 12,1 0,06383804 0,77244034
8 23,56246 2,2 0,04485389 0,09867855
9 66,80133 8 0,12716411 1,0173129
10 19,89219 4,2 0,0378671 0,15904182
11 16,76985 17,2 0,03192336 0,54908184
12 15,83188 6,8 0,03013783 0,20493723
13 40,68152 0 0,07744201 0
14 14,2375 23,2 0,02710274 0,62878356
 15 11,44203 9,2 0,02178124 0,20038738
16 10,78271 11,3 0,02052614 0,23194543
17 13,34744 0 0,02540841 0
18 44,56685 7,3 0,08483819 0,61931879
TOTAL 525,3159 1 7,17170606

FUENTE: AUTORES

 Para obtener lo valores de precipitación media de cada polígono, lo convertimos

a raster:

 Se llena cada campo de la siguiente manera y aceptar:

 Se obtiene el siguiente resultado:

c. Método Kriging ordinario: se caracteriza por tener en cuenta no sólo la

distancia entre las muestras, sino también la estructura espacial de los datos,
se centra en minimizar la varianza del error esperado (diferencia entre el valor
real y el valor estimado), además de esto ofrece dos tipos de estimación:
 puntual o en bloque y permitir la incorporación de variables auxiliares,
establece la calidad de la predicción en cada punto, mediante el cálculo de
la respectiva varianza de la estimación.

Para el programa Argis se utilizan los siguientes pasos:

 Activamos la herramienta Geoestaistical Analyst y damos click en Geoestadistical

Wizard:

 Seleccionamos la siguiente opción y realizamos el proceso con Krigin ordinario:

 Obteniendo el siguiente resultado:

 Y se evalúa por la metodología de validación cruzada obteniendo una tabla de

atributos con diferentes aspectos para ser analizados:
d. Método Inverso de la Distancia (IDW): este método interpola los datos de una
muestra dándole mayor peso a los valores que se ubican más cerca y menos a
los lejanos. Por lo que se considera que el peso de cada muestra es
inversamente proporcional a la distancia desde el punto que se está tomando la
muestra.

Para el programa Argis se utilizan los siguientes pasos:

 Ahora seleccionamos la opción de Inverso de la distancia:

 Realizamos el proceso y obtenemos el siguiente resultado:

 Y se evalúa por la metodología de validación cruzada obteniendo una tabla de
atributos con diferentes aspectos para ser analizados:
e. Método Interpolación Global Polinomial: método que se ajusta a una
superficie lisa que se define por una función matemática (un polinomio) para los
puntos de muestra de entrada. La superficie polinómica mundial cambia
gradualmente y captura modelo a escala gruesa en los datos. Conceptualmente,
la interpolación polinómica global es como tomar un pedazo de papel y su
montaje entre los puntos planteados (elevado a la altura del valor).

Pero una pieza plana de papel no va a capturar con precisión un paisaje que
contiene un valle. Sin embargo, si se le permite doblar la hoja de papel una
vez, obtendrá un ajuste mucho mejor. La adición de un término para describir
la fórmula matemática produce un resultado similar, una curva en el plano.
Una superficie plana (sin curva en el pedazo de papel) es un polinomio de
primer orden (lineal). Teniendo en cuenta una curva es un polinomio de
segundo orden (cuadrática), dos curvas tercera orden (cúbico), y así
sucesivamente; hasta 10 están permitidos en Geostatistical Analyst.

Para el programa Argis se utilizan los siguientes pasos:

 Ahora seleccionamos la opción de la Interpolación Global Polinomial:

 Realizamos el proceso y obtenemos el siguiente resultado:

 Y se evalúa por la metodología de validación cruzada obteniendo una tabla de
atributos con diferentes aspectos para ser analizados :
 Análisis de resultados:

 En cuanto al primer método (promedio aritmético) analizamos que no es óptimo

para hallar la precipitación media ya que este método se utiliza cuando los
pluviómetros se distribuyen uniformemente en la cuenca y las variaciones en las
medidas son muy bajas y en nuestro caso existen variaciones muy notables en
las medidas de cada pluviómetro o estación.

 También no se cumple que la dispersión (desviación estándar) con respecto a la

media no debe superar un 10% y en este caso si lo hace., ya que tenemos que
el promedio de la precipitación de la cuenca es de 7,905mm y que su desviación
estándar es de 6,669122355 lo que para este caso es 0,7905 mm, con lo que la
desviación estándar es mayor que este valor.

 En cuanto al segundo método analizamos que es óptimo al aplicarse cuando se

sabe que las medidas de precipitación en los diferentes pluviómetros sufren
variaciones, teniendo además el condicionante que la cuenca es de topografía
suave o en lo posible plana.

 En cuanto a los métodos Kriging Ordinario, Inverso de la Distancia (IDW) e

Interpolación Global Polinomial, analizamos que el que más se ajusta es el Kriking
ordinario ya que genera una reducción en la variabilidad y en comparación a los
otros métodos tiene un menor error ya que toma mayor cantidad de variables y
aspectos para la ejecución del proceso, es decir, se observa que es más
específico para cada estación.

Kriging Ordinario IDW Interpolación Global Polinomial

 Nota: Cada imagen
relacionada a este
punto son fuente de
autores.

5. Utilizando los datos de

precipitación máxima en 24 horas, incluidos en formato digital para la estación Aceitico,
1980-2014 (IDEAM – PIEDECUESTA - SANTANDER), estime las curvas Intensidad-
Duración Frecuencia (IDF) utilizando las metodologías sintéticas discutidas en clase y
reportadas para cuencas pequeñas con información escasa, mediante la regionalización
de parámetros para la obtención de curvas sintéticas regionalizadas I-D-F para Colombia
(Vargas y Díaz Granados).

A Partir de los datos de precipitación máxima para la estación de Piedecuesta Santander

para los años 1980 a 2014, se puede calcular la intensidad de precipitación, dando una
idea de la estimación del volumen del drenaje superficial, en donde se establece la
ecuación:
Para la estación se tienen datos constantes, y parámetros para la construcción de las
curvas IDF, constante para la región Andina de Colombia. Se muestran a
continuación:

TABLA 16. DATOS CONSTANTES PARA LA ESTACIÓN DE PIEDECUESTA

SANTANDER
M (mm) 161,80
N 201,00
PT (mm) 2234,50
ELEV (msnm) 1122,00
a 1,64
b 0,19
c 0,65
d 0,73
e -0,13
f 0,08
 g -0,01
FUENTE: CURVAS SINTÉTICAS REGIONALIZADAS DE INTENSIDAD
DURACIÓN FRECUENCIA COLOMBIA.

Se define el periodo de retorno en años para el evento de la precipitación máxima,

además es define la duración en horas del evento descrito.

A continuación, se muestra la tabla de la intensidad (mm)

TABLA 17. INTENSIDAD ESTACIÓN PIEDECUESTA SANTANDER

Tabla de Intensidad mm/h
Periodo de Retorno
años Duración en horas
0,25 0,5 0,75 1 1,25 1,5 1,75 2
2 163,6635 104,2995 80,13515 66,46804 57,49385 51,06855 46,19959 42,35877
5 194,7872 124,1341 95,37436 79,1082 68,42739 60,78021 54,98532 50,4141
10 222,2062 141,6076 108,7996 90,24376 78,05948 69,33585 62,72526 57,51057
25 264,4629 168,537 129,4899 107,4053 92,90397 82,52138 74,65365 68,44729
100 344,1567 219,3243 168,5107 139,771 120,8998 107,3885 97,14992 89,07333
500 467,262 297,7769 228,7872 189,7673 164,1459 145,8016 131,9006 120,935

FUENTE: AUTORES

GRÁFICA 7. CURVAS IDF

Curvas IDF- Estación

500
450 Tr (Años)
Intensidad (mm/h)

400
350 Tr=2
300 Tr=5
250
200 Tr=10
150 Tr=25
100
Tr=100
50
0 Tr=500
0 0.5 1 1.5 2 2.5
Duración( fracción en hora)
 FUENTE: AUTORES

A partir de la construcción de las curvas IDF es posible observar la precipitación

máxima que se puede observar en mm/h en un determinado periodo de tiempo, para
un periodo de retorno en años. Para la estación de Piedecuesta Santander las
precipitaciones máximas se hacen más importantes en los primeros periodos de
tiempo es decir de 0,25 horas a 0,50 horas.

Además se espera que para un tiempo de retorno de 500 años, de estos eventos de
precipitación máxima la intensidad de la precipitación sea mayor es decir 467,262
mm/h. En dos años para la intensidad máxima probablemente registrada será de
163,6635 mm/h. Es decir que entre mayor sea el periodo de retorno en años mayor
será la precipitación esperada.

Esta información es esencial para tener en cuenta en diferentes proyectos de

ingeniería ya que da una idea de los caudales máximos que se pueden esperar en
un periodo de tiempo determinado. Pero existen limitaciones para este método de
curvas IDF, ya que para mayor precisión se debe tener mayor información de la
precipitación máxima diaria, y poder estimar la intensidad de manera más efectiva y
confiable.

INFOGRAFÍA

● http://julianrojo.weebly.com/uploads/1/2/0/0/12008328/analisis_de_frecuencia.p df
● http://eias.utalca.cl/Docs/pdf/Publicaciones/manuales/a_modulo_leyes.pdf
● http://datateca.unad.edu.co/contenidos/30172/MODULO%20HIDROLOGIA/lecc
in_27_mtodo_de_promedio_aritmtico.html
● http://www.aguaysig.com/2011/07/poligonos-de-thiessen-en-arcgis.html
● http://www.aguaysig.com/2011/01/operaciones-con-el-modulo-de-spatial.html
● https://es.scribd.com/doc/249526743/Vargas-Diaz-Granados-CurvasIDF-1998