12.

LEYES DE DISTRIBUCIÓN DE PROBABILIDAD PARA CÁLCULO DE

CAUDALES MÁXIMOS

12.1 PARÁMETROS ESTADÍSTICOS

Los estadísticos extraen información de una muestra, indicando las características de la
población. Los principales estadísticos son los momentos de primer, segundo y tercer
orden correspondiente a la media, varianza, y asimetría respectivamente.

MEDIA :

Es el valor esperado de la variable misma. Primer momento respecto al origen. Muestra

la tendencia central de la distribución

   x f ( x)dx


El valor estimado de la media a partir de la muestra es

1 n
x   xi
n i 1

VARIANZA ²:

Mide la variabilidad de los datos. Es el segundo momento respecto a la media.


 2   ( x   ) 2 f ( x)dx


El valor estimado de la varianza a partir de la muestra es

1 n
s2  
n  1 i 1
( xi  x) 2

En el cual el divisor es n-1 en lugar de n para asegurar que la estadística de la muestra

no sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o
menor que el valor verdadero. Las unidades de la varianza son la media al cuadrado, la
desviación estándar  es una medida de la variabilidad que tiene las mismas
dimensiones que la media y simplemente es la raíz cuadrada de la varianza, se estima
por s. El significado de la desviación estándar se ilustra en la siguiente figura
 1.00
0.80
f(x) 0.60
0.40
0.20
0.00
0 2 4 6 8 10
x
0.50 1.00 1.30 2.00

Gráfico 12.1. “Efectos de la función de densidad de probabilidad causados por cambios en la desviación estándar”


Coeficiente de variación Cv  es una medida adimensional de la variabilidad su

s
estimado es Cv 
x

COEFICIENTE DE ASIMETRÍA 

La distribución de los valores de una distribución alrededor de la media se mide por la

asimetría. Se obtiene a partir del tercer momento alrededor de la media, dividiéndolo
por el cubo de la desviación estándar para que sea adimensional.

E[( x   )3 ]   ( x   )3 f ( x)dx


Tercer momento respecto a la media

1
 E `[( x   ) 3 ]
3

Un estimativo del coeficiente de asimetría está dado por

n
n ( x  x) 3
Cs  i 1

(n  1)( n  2) * s 3
 12.2 Pruebas de Ajuste de Bondad

Sirve para determinar qué tan adecuado es el ajuste de los datos a una distribución
de probabilidades y se han propuesto una serie de pruebas estadísticas que
determinan si es adecuado el ajuste, para el estudio se la prueba de bondad
utilizada es la Prueba Chi Cuadrado.
Prueba Chi Cuadrado
Una medida del ajuste o la discrepancia entre frecuencias observadas (fm(xi)) y las
frecuencias calculadas (p(xi)) por medio de una distribución teórica está dada por el
estadístico Xc2
𝑛
2
𝑛[𝑓𝑚(𝑥𝑖) − 𝑝(𝑥𝑖)]2
𝑋𝑐 = ∑
𝑝(𝑥𝑖)
𝑖=1

En donde si Xc2=0 significa que las distribuciones teóricas y empíricas se ajustan

exactamente, de lo contrario significa que estas difieren.
El estadístico Xc2 se asemeja a la distribución Chi-Cuadrado, con:
v=m-p-1
Donde:
v: Grados de libertad.
m: Números de intervalos.
p: Número de parámetros de la distribución teórica.
La función Xc2 se encentrada tabulada por ejemplo (Gutiérrez, 2014) y/o en
libros de estadística; en este caso se encuentra en la tabla 11.2.

GRADOS DE LIBERTAD ERROR PROBABLE

α = 0.05 α = 0.01

1 3.84 6.64

2 5.99 9.21

3 7.82 11.35

4 9.49 13.28
 5 11.07 15.09

6 12.59 16.81

7 14.07 18.48

8 15.51 20.08

9 16.92 21.87

10 18.31 23.21

20 31.41 37.57

30 43.77 50.69

40 55.66 63.69

60 79.08 88.38

120 146.57 158.95

Tabla 12.2: Distribución Xc2

(Fuente: Gutiérrez C., 2014)

AJUSTE DE LA DISTRIBUCIÓN NORMAL DE LAS CAUDALES MÁXIMOS

Con la información obtenida en los anuarios hidrológicos del INAMHI (1999-2008),

se tomó la información de caudales medios diarios instantáneos de la estación punto
de estudio H-091 (GRANDE AJ JATIVA), con la cual se estableció una serie parcial de
20 datos de caudales máximos, los mismos que serán ajustados utilizando la prueba
chi cuadrado para determinar la bondad de ajuste.

SERIE PARCIAL
AÑO Q (m³/s)
9,951
1999
6,275
7,131
2000
6,685
3,678
2001
3,436
6,943
2002
4,645
2003 4,557
 3,376
1,433
2004
1,220
1,868
2005
1,477
1,534
2006
1,449
3,294
2007
3,139
4,549
2008
3,966
Tabla 12.2.1. “Caudales máximos instantáneos”

N° 20
PROMEDIO 4,030
DESV. 2,375
STAND
max 9,951
min 1,220
# Clase 6
L Clase 1,75
GL 3
Xc² 7.82

COLUMNA 1 2 3 4 5 6 7 8
INTERVALO RANGO medio ni fm(xi) Fm(xi) zi F(xi) P(xi) Xc²
1 0,001 1,751 0,88 5 0,2500 0,2500 -0,960 0,16853 0,16853 0,78768
2 1,751 3,501 2,63 5 0,2500 0,5000 -0,223 0,41294 0,24441 0,00256
3 3,501 5,251 4,38 5 0,2500 0,7500 0,514 0,69497 0,28203 0,07275
4 5,251 7,001 6,13 3 0,1500 0,9000 1,251 0,89435 0,19938 0,24460
5 7,001 8,751 7,88 2 0,1000 1,0000 1,988 0,97670 0,08235 0,07566
6 8,751 10,501 9,63 0 0,0000 1,0000 2,725 0,99683 0,02013 0,40260
Σ 20 ΣXc² 1,59
Tabla 12.2.2. “Prueba Chi Cuadrado”
 Funciones de frecuencia relativa para la Distribución
0.3500
Normal
0.3000
0.2500
Frecuencia Relativa

0.2000
0.1500
0.1000
0.0500
0.0000
1,751 3,501 5,251 7,001 8,751 10,501
0,001 1,751 3,501 5,251 7,001 8,751
Muestra, "fm(xi)" Q (m³/s)

Grafico 12.2. ”Función de frecuencia relativa”

Funciones de frecuencia acumulada para la Distribución

1.1000
Normal
1.0000
0.9000
0.8000
0.7000
Frecuencia Acumulada

0.6000
0.5000
0.4000
0.3000
0.2000
0.1000
0.0000
0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
Series1 Series2 Q (m³/s

Grafico 12.3. ”Función de frecuencia relativa”

Hipótesis:
Ho: Los datos de caudales máximas se ajusten a ley de probabilidad de distribución
normal.

H1: Los datos de caudales máximas no se ajusten a ley de probabilidad de distribución

normal, se calcula por otra ley de distribución.

Xc2 tabulado=7.82

Xc2 calculado=1.59
 1.59<7.82; por lo tanto se acepta la hipótesis nula, es decir que la distribución se
ajusta a los datos con un 95% de confianza.

12.3 ANÁLISIS DE FRECUENCIAS HIDROLÓGICAS

El análisis de frecuencia es una herramienta utilizada para, predecir el

comportamiento futuro de los caudales en un sitio de interés, a partir de la
información histórica de caudales. Es un método basado en procedimientos
estadísticos que permite calcular la magnitud del caudal asociado a un período de
retorno. Su confiabilidad depende de la longitud y calidad de la serie histórica,
además de la incertidumbre propia de la distribución de probabilidades
seleccionada. Cuando se pretende realizar extrapolaciones, período de retorno
mayor que la longitud de la serie disponible, el error relativo asociado a la
distribución de probabilidades utilizada es más importante, mientras que en
interpolaciones la incertidumbre está asociada principalmente a la calidad de los
datos a modelar; en ambos casos la incertidumbre es alta dependiendo de la
cantidad de datos disponibles (Ashkar, et al. 1994). La extrapolación de frecuencias
extremas en una distribución empírica de crecientes es extremadamente riesgosa
(Garcon, 1994).

Para determinar la magnitud de eventos extremos cuando la distribución de

probabilidades no es una función fácilmente invertibles se requiere conocer la
variación de la variable respecto a la media. Chow en 1951 propuso determinar esta
variación a partir de un factor de frecuencia KT que puede ser expresado:

X T    KT

Se puede estimar a partir de los datos

X T  x  KT s

Para una distribución dada, puede determinarse una relación entre K y el período
de retorno (Tr). Esta relación puede expresarse en términos matemáticos o por
medio del uso de una tabla.

El análisis de frecuencia consiste en determinar los parámetros de las distribuciones

de probabilidad y determinar con el factor de frecuencia la magnitud del evento para
un período de retorno dado.

A continuación se describen las principales distribuciones de probabilidad

utilizadas en hidrología, la forma de estimar sus parámetros, el factor de frecuencia
y los límites de confianza. Estos últimos son indicadores de que tanta incertidumbre
se tiene con las extrapolaciones, puesto que determinar el rango de valores donde
realmente estaría la variable, si el rango es muy grande la incertidumbre es muy alta
y si es pequeño, por el contrario, habrá mucha confianza en el valor estimado.

12.4 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES

CONTINUAS
LEYES DE DISTRIBUCIÓN A USARSE:
 LOG-NORMAL
 GUMBEL (VARIABLE REDUCIDA)
 PEARSON III
 LOG-PEARSON III

12.4.1 DISTRIBUCIÓN NORMAL

La distribución normal es una distribución simétrica en forma de campana, también
conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos
hidrológicos tiene amplia aplicación por ejemplo a los datos transformados que
siguen la distribución normal.

Función de densidad:

La función de densidad está dada por

1 ( x   ) 2
1
f ( x)  exp 2 2
  x  
 2

Los dos parámetros de la distribución son la media  y desviación estándar  para

los cuales x (media) y s (desviación estándar) son derivados de los datos.

Estimación de parámetros:

1 n
x  xi
n i 1
1
 1 n 2
s 
 n  1 i 1
( xi  x) 2 


Factor de frecuencia:

1. Si se trabaja con los X sin transformar el K se calcula como

x 
KT  T

Este factor es el mismo de la variable normal estándar K T  F 1 (1  Tr1 )

Límites de confianza:

X Tr  t(1 ) S e

Donde  es el nivel de probabilidad t(1 ) es el cuantil de la distribución normal

estandarizada para una probabilidad acumulada de 1- y Se es el error estándar

CONCLUSIÓN: La distribución normal toma en cuenta valores desde cero, por lo tanto
al no existir datos de caudales cero no se puede utilizar esta ley de distribución, por lo
que se utiliza la ley LOG-NORMAL, la cual elimina los datos cero al introducir el
logaritmo.

12.4.2 DISTRIBUCIÓN LOG-NORMAL DE DOS PARÁMETROS

Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice
que X se distribuye normalmente.

Esta distribución es muy usada para el cálculo de valores extremos por ejemplo
caudales máximos, caudales mínimos, precipitaciones máximas, precipitaciones
mínimas (excelentes resultados en Antioquia). Tiene la ventaja que X>0 y que la
transformación Log tiende a reducir la asimetría positiva ya que al sacar logaritmos
se reducen en mayor proporción los datos mayores que los menores.

Limitaciones: tiene solamente dos parámetros, y requiere que los logaritmos de las
variables estén centrados en la media

Función de densidad:
1 ( y   y )
1 2  y2
f ( x)  exp x0
x 2

y = ln x

donde, y : media de los logaritmos de la población (parámetro escalar), estimado

y

y : Desviación estándar de los logaritmos de la población, estimado sy.

Estimación de parámetros:

1 n
y  ln( xi )
n i 1
1
 1 n 2
sy   
 n  1 i 1
(ln( xi )  y ) 2 

Factor de frecuencia:

Puede trabajarse en el campo original y en el campo transformado.

Campo transformado: Si se trabaja en el campo transformado se trabaja con la media

y la desviación estándar de los logaritmos, así:

Ln(XTr) = xTr+KSy

de donde,

-XTr = eln (xTr)

con K con variable normal estandarizada para el Tr dado, xy media de los logaritmos
y Sy es la desviación estándar de los logaritmos.

Campo original: Si se trabaja con los X sin transformar el K se calcula como

 1
 ln( 1  Cv 2 ) 
ExpKT * ( Ln(1  Cv ))
2 2
    1
  2 
Kt 
Cv

s
K es la variable normal estandarizada para el Tr dado, Cv  es el coeficiente de
x
variación, x media de los datos originales y s desviación estándar de los datos
originales.

Límites de confianza:

En el campo transformado.

Ln( X Tr )  t(1 ) ST

1
( S y )  KT 2  2
Se    1  
n  2 

En donde, n número de datos, Se error estándar, KT variable normal estandarizada.

EJEMPLO:

Para Tr = 100 años

n 30
x 131,850
sx 33,454
cv 0,254
 y 2,107

1 𝑛
𝑘 = 1 − (1 − )
𝑇𝑟
1 1
𝑘 = 1 − (1 − ) = 0.01
100
𝑘0.01 = 2.33
ln⁡(1 + 𝐶𝑢2
𝑒𝑥𝑝 {𝑘(ln(1 + 𝐶𝑢2 ) − ( )} − 1
2
𝑘𝑇 =
𝐶𝑢
ln⁡(1 + 0.2542
𝑒𝑥𝑝 {2.33(ln(1 + 0.2542 ) − ( )} − 1
2
𝑘𝑇 =
0.254
𝑘 = 2.896
𝑄𝑇𝑅100 = Q⁡ + ⁡sQ ∗ kT
QTR100 = 131.850 + 33.454 *2.896
QTR100= 228.733 m3/s
 En el campo transformado:
YTR = y + sy*k
YTR = 2,107 + 0,106 *2,33
YTR = 2.354; 𝑄𝑇𝑅 = ⁡ 102.354
𝒎𝟑
𝑸𝑻𝑹 = ⁡𝟐𝟐𝟓. 𝟗𝟖𝟒
𝒔
 Límites de Confianza
𝑙𝑜𝑔𝑄𝑅𝑇⁡ ± 𝑡(1 − 𝛼)𝑆𝑒
𝛿 ∗ 𝑠𝑦
𝑆𝑒 =
√𝑛
0.5 0.5
𝑘𝑇 2 2.332
𝛿 = (1 + ) ; ⁡⁡𝛿 = (1 + ) = 1.93
2 2

1.93 ∗ 0.106
𝑆𝑒 = = 0.037
√130
𝑡(1 − 𝛼) = 1.645
→ log(225.984) ± 1.645 ∗ 0.037

2.354 1.645*0.037 ; log[2.293 – 2.415]

𝒎𝟑
→ 𝑹𝒂𝒏𝒈𝒐⁡𝒅𝒆⁡𝑽𝒂𝒍𝒊𝒅𝒆𝒛 = [𝟏𝟗𝟔. 𝟐𝟐𝟖⁡ − ⁡⁡𝟐𝟔𝟎. 𝟐𝟓𝟐] ⁡
𝒔
 RESULTADOS:

CAUDALES MÁXIMOS DE DISEÑO

TR (AÑOS) 10 25 50 100
Q Max
178,952 199,186 216,673 225,984
(m3/s)
Rango de
Validez [161,580- 198,191] [176,823- 224,376] [189,570- 247,650] [196,228 - 260,252]
(m3/s)
Tabla 11.4.2. “Caudales para cada periodo de retorno – Método Distribución Log-Normal” Fuente: Autor

12.4.3 DISTRIBUCIÓN- GUMBEL O VALORES EXTREMOS TIPO I

Una familia importante de distribuciones usadas en el análisis de frecuencias
hidrológicas es la distribución general de valores extremos, la cual ha sido
ampliamente utilizada para representar el comportamiento de crecientes y sequías
(máximos y mínimos), trabaja con dos momentos (media y desviación estándar),
asume un valor constante de sesgo (Cs) igual a 1.14, lo que contradice
frecuentemente a los valores muestrales observados y conduce en estos casos a
resultados en el lado de la inseguridad.

Para obtener el caudal relacionado a un periodo de retorno se aplica la siguiente

fórmula:

𝑋𝑇𝑅 = 𝑋̅ + 𝑆 ∗ 𝐾𝑡
Donde:

X = media aritmética de la muestra

S= desviación estándar de la muestra
Kt= factor de frecuencia de la tabla para la Distribución Valores Extremos Tipo I

Función de densidad:

1   (x   )   ( x   ) 
f ( x)  exp   exp  
     

En donde  y  son los parámetros de la distribución.

  ( x   ) 
F ( x)   f ( x)dx  exp  exp   
   

Estimación de parámetros
 6
 s


  x  0.5772

Donde x y s son la media y la desviación estándar estimadas con la muestra.

Factor de frecuencia:

6
   Tr   
KT   0.5772  ln ln   
    Tr  1  

Donde Tr es el periodo de retorno. Para la distribución Gumbel se tiene que el caudal

para un período de retorno de 2.33 años es igual a la media de los caudales máximos.

Límites de confianza

Xt  t(1-) Se

 s
Se 
n
1
  [1  1.1396KT  1.1KT 2 ] 2

KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una

probabilidad de no excedencia de 1-.

EJEMPLO:

Para TR= 100 años

n 30
x 131,850
sx 33,454

𝑄𝑇𝑅100 = Q⁡ + ⁡sQ ∗ kT

kT(n,Tr) ; kT(30,100)

Kt tabla: 3.393

𝑄𝑇𝑅100 = Q⁡ + ⁡sQ ∗ kT
 QTR10 = 131.85+3.393*33.454

QTR10= 245.360 m3/s

 Límites de Confianza
𝑄𝑇𝑅⁡ ± 𝑡(1 − 𝛼)𝑆𝑒
𝛿 ∗ 𝑠𝑦
𝑆𝑒 =
√𝑛
𝛿 = (1 + 1.396𝑘𝑇 + 1.1𝑘𝑇 2 )⁡;
𝛿 = (1 + 1.396 ∗ 3.393 + 1.1 ∗ 3.3932 )0.5 = 4.187
4.187 ∗ 33.454
𝑆𝑒 = = 25.573
√30
𝑡(1 − 𝛼) = 1.645
→ QTr⁡(183.403) ± 1.645 ∗ 25.573
183.403 ± 42.068
𝒎𝟑
→ 𝑹𝒂𝒏𝒈𝒐⁡𝒅𝒆⁡𝑽𝒂𝒍𝒊𝒅𝒆𝒛 = [𝟐𝟎𝟑. 𝟐𝟗𝟐 − 𝟐𝟖𝟕. 𝟒𝟐𝟖] ⁡
𝒔

RESULTADOS:

CAUDALES MÁXIMOS DE DISEÑO

TR (AÑOS) 10 25 50 100
QTR (mm) 183,403 211,906 233,082 245,360
Rango de
Validez [160,123 - 206,682] [180,1092- 243,720] [194,796 - 271,369] [203,292 - 287,428]
(mm)
Tabla 11.4.3. “Caudales para cada periodo de retorno – Método de Gumbel”

12.4.3.1 MÉTODO DE LA VARIABLE REDUCIDA

Otro método para obtener los caudales máximos y/o mínimos para diferentes
periodos de retorno, se puede aplicar la variable reducida de acuerdo a Ven Te
Chow.
Para obtener un caudal relacionado a un periodo de retorno se aplican las siguientes
fórmulas:

𝑇𝑟
𝑌𝑇 = −𝑙𝑛 [( )]
𝑇𝑟 − 1
𝑢 = 𝑥̅ − 0.5772𝛼
 √6𝑆𝑋
𝛼=
𝜋

𝑋𝑇𝑅 = 𝑢̅ + 𝑆 ∗ 𝑌𝑡
Donde:
XTr= caudal para un determinado periodo de retorno
S= desviación estándar de la muestra
Yt= variable reducida

EJEMPLO:

Para Tr= 100 años

n 30
x 131,850
sx 33,454
𝑋𝑇𝑅100 = U⁡ + ⁡s ∗ Yt
√6 ∗ 𝑠𝑥 √6 ∗ 33.454
𝛼= ; ⁡⁡⁡𝛼 = = 26.084
𝜋 𝜋
𝑈 = 𝑥 − 0.5772𝛼; ⁡⁡⁡𝑈 = 131.850 − 0.5772 ∗ 26.084 = 116.794
𝑇𝑟 100
𝑦𝑇 = −𝑙𝑛 [ln⁡( ] ; ⁡⁡⁡𝑦𝑇 = −𝑙𝑛 [ln⁡( ] = 4.600
𝑇𝑟 − 1 100 − 1
𝑋𝑇𝑅10 = 116.794 + 33.454 ∗ 4.6
𝐦𝟑
𝑿𝑻𝑹𝟏𝟎 = 𝟐𝟕𝟎. 𝟔𝟖𝟗 𝐬

 Límites de Confianza
𝑄𝑇𝑅⁡ ± 𝑡(1 − 𝛼)𝑆𝑒
𝛿 ∗ 𝑠𝑦
𝑆𝑒 =
√𝑛
𝛿 = (1 + 1.396𝑦𝑇 + 1.1𝑦𝑇 2 )⁡;
𝛿 = (1 + 1.396 ∗ 4.600 + 1.1 ∗ 4.6002 )0.5 = 5.433
5.433 ∗ 33.454
𝑆𝑒 = = 33.185
√30
𝑡(1 − 𝛼) = 1.645
→ QTr(270.689) ± 1.645 ∗ 33.185
192.079 ± 54.590
 𝒎𝟑
→ 𝑹𝒂𝒏𝒈𝒐⁡𝒅𝒆⁡𝑽𝒂𝒍𝒊𝒅𝒆𝒛 = [𝟐𝟏𝟔. 𝟎𝟗𝟗 − 𝟑𝟐𝟓. 𝟐𝟕𝟗] ⁡
𝒔
RESULTADOS:

CAUDALES MÁXIMOS DE DISEÑO

TR (AÑOS) 10 25 50 100
QTR (mm) 192,079 223,799 247,331 270,689
Rango de
Validez [161,711 - 222,446] [183,736 - 263,861] [199,996 - 294,665] [216,099 - 325,279]
(mm)
Tabla 11.4.3.1., “Precipitaciones para cada periodo de retorno – Método de la Variable Reducida
“Fuente: Autor

12.4.4 Distribución Pearson Tipo III

Esta distribución es una de las más utilizadas en hidrología. Como la mayoría de

variables hidrológicas son sesgadas la función Gamma se utiliza para ajustar a
distribución de frecuencia de variables tales como crecientes máximas anuales,
caudales mínimos, volúmenes de flujo anuales y estacionales , valores de
precipitaciones extremas y volúmenes de lluvia de corta duración.
Para obtener el caudal relacionado a un periodo de retorno se aplica la siguiente
fórmula:

𝑋𝑇𝑅 = 𝑋̅ + 𝑆 ∗ 𝐾𝑡
Donde:

X = media aritmética de la muestra

S= desviación estándar de la muestra
Kt= factor de frecuencia de la tabla para la Distribución Pearson Tipo III

Función de densidad:
 1
1  x  xˆ0   x  xˆ0 
f ( x)    exp   
         

donde,

x0  x   para   0

  x  x0 para   0

 y  son los parámetros de escala y forma, respectivamente , y x0 es el parámetro

de localización.

Estimación de parámetros:
 2
 2  Cs
ˆ    ; ˆ  s ; xˆ0  x  ˆ
 Cs  2

Cs es el coeficiente de asimetría, x y s son la media y la desviación estándar de

la muestra respectivamente.

Factor de frecuencia:
2 3 4 5
Cs 1 3  Cs   Cs   Cs  1  Cs 
K  z  ( z 2  1)  ( z  6 z )   ( z 2  1)   z    
6 3  6   6   6  3 6 

Donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la

muestra.

Intervalos de confianza:

Xt  t(1-) Se

 S
Se 
n

Donde S es la desviación estándar de la muestra, n es el número de datos y  se

encuentra tabulado en función de Cs y Tr.

EJEMPLO:

Para Tr= 100 años

n 30
x 131,850
Sx 33,454
Cs 0,6

𝑄𝑇𝑅100 = Q⁡ + ⁡sQ ∗ kT
kT(cs,Tr) ; kT(-0.0728,100)

De la tabla 7.7.3 (a) “Factores de frecuencia KT para la distribución Pearson Tipo III –
Cs Positivos” de la Fuente: Hidrología Básica y Aplicada, Autor: Carlos Gutiérrez se
obtiene KT con Cs= 0.7 se obtiene K=2.824

QTr100 = 131,850+ (33,454)*(2,755)

QTr100 = 224,016 m3/s

 Límites de Confianza
 𝑄𝑇𝑅⁡ ± 𝑡(1 − 𝛼)𝑆𝑒
𝛿 ∗ 𝑠𝑥
𝑆𝑒 =
√𝑛
0.5 0.5
𝑘𝑇 2 2.8242
𝛿 = (1 + ) ; ⁡(1 + ) = 2,190
2 2

2,190 ∗ 33,454
𝑆𝑒 = = 13,375
√30
𝑡(1 − 𝛼) = 1.645
→ 224,016 ± 1.645 ∗ 13,375
224,014 ± 22,002;

→Intervalos de Confianza para QTr100 =[202,015 m3/s - 246,018 m3/s]

RESULTADOS:

CAUDALES MÁXIMOS DE DISEÑO

TR (AÑOS) 10 25 50 100
QTR (m3/s) 176,277 196,718 210,769 224,016
Rango de Validez [162,494- [179,667- [191,228- [202,015-
(m3/s) 190,060] 213,768] 230,309] 246,018]
Tabla 11.4.4. “Caudales para cada periodo de retorno – Método Pearson III” Fuente: Autor

12.4.5 Distribución Log Pearson Tipo III

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson

Tipo III, se dice que la variable aleatoria X se ajusta a una Distribución Log Pearson
Tipo III. Esta distribución es ampliamente usada en el mundo para el análisis de
frecuencia de caudales máximos. Esta se trabaja igual que para la Pearson Tipo III
pero con Xy y Sy como la media y la desviación estándar de los logaritmos de la
variable original X.
Para obtener el caudal relacionado a un periodo de retorno se aplica la siguiente
fórmula:

𝑋𝑇𝑅 = 𝑋̅ + 𝑆 ∗ 𝐾𝑡
Donde:

X = logaritmo de la media aritmética de la muestra

S= logaritmo de la desviación estándar de la muestra
Kt= factor de frecuencia de la tabla para la Distribución Log Pearson Tipo III

Función de densidad:
  1
1  ln( x)  y0   ln( x)  y0 
f ( x)    exp   
x          

donde,

y0  y   para   0

  y  y0 para   0

 y  son los parámetros de escala y forma, respectivamente , y y0 es el parámetro

de localización.

Estimación de parámetros:
2
 2  Cs
ˆ    ; ˆ  s y ; xˆ0  x y  ˆ
 Cs  2

Cs es el coeficiente de asimetría, , x y y s y son la media y la desviación estándar

de los logaritmos de la muestra respectivamente.

Factor de frecuencia:

ln( YTr )  x y  K  s y

2 3 4 5
Cs 1 3  Cs   Cs   Cs  1  Cs 
K  z  ( z 2  1)  ( z  6 z )   ( z 2  1)   z    
6 3  6   6   6  3 6 

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la

muestra.

Intervalos de confianza:

Xt  t(1-) Se

 Sy
Se 
n

Donde Sy es la desviación estándar de los logaritmos de la muestra, n es el número

de datos y  se encuentra tabulado en función de Cs y Tr.

EJEMPLO:

Para Tr= 100 años

 n 30
y 2,107
sy 0,106
Cs 0,4

𝑦𝑇𝑅100 = y⁡ + ⁡sy ∗ kT

KT (cs,Tr) ; KT=2,615

𝑦𝑇𝑅100 = 2,107 + 0.106 ∗ 2,615

𝑦𝑇𝑅100 =2,384 m3/s

𝑋𝑇𝑅100 = 102,384⁡

𝑿𝑻𝑹𝟏𝟎𝟎 =242,252 m3/s

 Límites de Confianza
𝑦𝑅𝑇⁡ ± 𝑡(1 − 𝛼)𝑆𝑒
𝛿 ∗ 𝑠𝑦
𝑆𝑒 =
√𝑛

0.5 0.5
𝑘𝑇 2 2.6152
𝛿 = (1 + ) ; ⁡𝛿 = (1 + ) =1,960
2 2

1,960 ∗ 0.106
𝑆𝑒 = = 0,038
√30
𝑡(1 − 𝛼) = 1.645
→ 2,384⁡ ± 1.645 ∗ 0,038
2,384 ± 0,06251; log[2,322 – 2.4447]

→Intervalos de Confianza para QTr100 =[209,848 m3/s - 279,661 m3/s]

RESULTADOS:

CAUDALES MÁXIMOS DE DISEÑO

TR (AÑOS) 10 25 50 100
QTR (m3/s) 176,510 202,492 222,212 242,252
Rango de
Validez [159,696-195,094] [179,260-228,735] [192,810-256,099] [209,848-279,661]
(m3/s)
Tabla 11.4.6. “Caudales para cada periodo de retorno – Método Pearson III”

VEASE ANEXO 6 (EJEMPLO DE CALCULO DE CAUDALES POR LAS DIFERENTES LEYES DE DISTRIBUCION)
 12.5 PRESENTACIÓN DE LOS RESULTADOS
LEY DE DIST. Tr (AÑOS) 10 25 50 100
QTR (m3/s) 178,952 199,186 216,673 225,984
LOG-
R. de Validez
NORMAL [161,580- 198,191] [176,823- 224,376] [189,570- 247,650] [196,228 - 260,252]
(m3/s)
QTR (m3/s) 183,403 211,906 233,082 245,360
GUMBEL R. de Validez
[160,123 - 206,682] [180,1092- 243,720] [194,796 - 271,369] [203,292 - 287,428]
(m3/s)
QTR (m3/s) 192,079 223,799 247,331 270,689
VARIABLE
R. de Validez
REDUCIDA [161,711 - 222,446] [183,736 - 263,861] [199,996 - 294,665] [216,099 - 325,279]
(m3/s)
QTR (m3/s) 176,277 196,718 210,769 224,016
PEARSON III R. de Validez
[162,494-190,060] [179,667-213,768] [191,228-230,309] [202,015-246,018]
(m3/s)
QTR (m3/s) 176,510 202,492 222,212 242,252
LOG
R. de Validez
PEARSON III [159,696-195,094] [179,260-228,735] [192,810-256,099] [209,848-279,661]
(m3/s)

Tabla 11.5. “Análisis de resultados Para distintas leyes de distribución” Fuente: Autor

12.6 RECOMENDACIÓN DE LOS VALORES DE CAUDAL A

UTILIZAR EN EL DISEÑO:
TR 10 AÑOS TR 25 AÑOS TR 50 AÑOS TR 100 AÑOS
LEY DE DISTRIBUCIÓN
Qmin Qmedio Qmax Qmin Qmedio Qmax Qmin Qmedio Qmax Qmin Qmedio Qmax
LOG NORMAL 161,580 178,952 198,191 176,823 199,186 224,376 189,570 216,273 247,650 196,228 225,984 260,252
GUMBEL 160,123 183,403 206,682 180,109 211,906 243,720 194,796 233,082 271,369 203,292 245,360 287,428
VARIABLE REDUCIDA 161,711 192,079 222,446 183,736 223,799 263,861 199,996 247,231 294,665 210,099 270,689 325,279
PEARSON III 162,494 176,277 190,060 179,667 196,718 213,268 191,228 210,769 230,309 202,015 224,016 246,018
LOG PEARSON III 159,696 176,510 195,094 179,260 202,492 228,325 192,810 222,212 256,099 209,848 242,252 279,661

Tabla 11.6. “Análisis de resultados Para distintas leyes de distribución” Fuente: Autor

La ley de distribución más precisa para ser utilizada en obras de diseño es la

PEARSON III y LOG PEARSON III, porque usa 3 parámatelos estadísticos de ajuste
(media aritmética, desviación estándar y el coeficiente de asimetría).

El valor recomendado para el diseño de la obra de drenaje o protección según el

período de retorno requerido tiene que ser analizada desde el punto de vista de la
seguridad y la economía, por parte de la seguridad se debería utilizar el valor
máximo del rango para que la obra no corra riesgo de ser dañada o destruirse, desde
el punto de vista económico se debería utilizar el valor mínimo del rango para tener
una obra de menos dimensiones, capacidad y resistencia, pero eso pone en peligro
la obra de diseño. Por lo tanto se optará por un valor promedio del rango
recomendado para así satisfacer ambos puntos tratados.