Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Hidrologia Aplicado A Estadistica 01 PDF
Hidrologia Aplicado A Estadistica 01 PDF
HIDROLOGIA I
2007
ÍNDICE DE TEMAS
ÍNDICE DE FIGURAS
ÍNDICE DE CUADROS
Planteamiento Teórico
Dado un conjunto de pares de valores correspondientes a dos variables “x” e “y”, la ley más sencilla de
regresión o correlación entre ambas es la lineal:
Figura 70. Situación Relativa de Rectas de Regresión
22.00
17.60
x sobre y
ortogonal
13.20
y sobre x
y
8.80
4.40
0.00
0 4.4 8.8 13.2 17.6 22
x
/176/ y =a+m*x
La recta debe ser tal que el momento de segundo orden de la masa de puntos del plano “xy”, con
respecto a la misma, sea mínimo, es decir que debe serlo la suma de los cuadrados de las distancias de
tales puntos a la recta.
Esta condición permitirá determinar los parámetros “m” y “n” de la ecuación de la recta, con sólo obtener
las derivadas parciales de dicha suma respecto ambos parámetros e igualarlas a cero.
Ahora bien, pueden considerase tres casos:
i. que se midan las distancias de los puntos a la recta
paralelamente al eje de las “y” (regresión lineal de “y”
sobre “x”)
ii. paralelamente al eje de las “x” (regresión lineal de “x”
sobre “y”)
iii. o perpendicularmente a la propia recta (regresión
ortogonal)
Los momentos de inercia mínimos serán respectivamente Iy , Ix , e I0 .
De estos casos se tratará únicamente el tercero, por ser el de mayor aplicación práctica, prescindiendo
de las demostraciones matemáticas inherentes, por la complejidad que las mismas presentan.
Parámetros a Utilizar
Valor Medio
El valor medio o esperanza matemática de una variable aleatoria es el centro de gravedad de la masa
de distribución.
En la correlación lineal, los valores medios de las variables “x” e “y”, están dadas por:
n n
∑ xi ∑ yi
i =1 i =1
/177/ x= ; y=
n n
Varianza y Covarianza
La varianza se define como el momento de inercia de la masa de distribución, siendo la covarianza el
momento centrífugo.
La varianza en “x” e “y” será:
n n
∑ (xi − x ) ∑ (yi − y )
2 2
σ 2x = i =1
; σ 2y = i =1
/178/ n n
y la covarianza:
n
∑ (xi − x ) * (yi − y )
i =1
σ xy =
/179/ n
Desviación Típica
La desviación típica o desviación standard o desvío medio cuadrático, se lo define como la raíz
cuadrada positiva de la varianza:
n n
∑ (xi − x ) ∑ (yi − y )
2 2
σ x = + σ 2x = i =1
; σ y = + σ 2y = i =1
/180/ n n
En general, a mayor varianza, o mayor desviación standard, corresponde mayor dispersión de la
variable en la respectiva distribución.
σ xy σ xy
a=y− *x ; m=
λ2 − σ 2y λ 2 − σ 2y
/184/ y =a+m*x
Coeficiente de Correlación
Al efectuar el desarrollo de las regresiones lineales de “y” sobre “x” y de “x” sobre “y”, los coeficientes
angulares de las rectas resultantes (a los que se denomina coeficientes de regresión), están dados
respectivamente por:
σ xy σ xy
/185/ ρ yx = ; ρ xy =
σ 2x σ 2y
σ xy σ xy σ xy
r = ρ = ρ yx * ρ xy = * =
σ 2x σ2y σ2x * σ2y
/186/
Sus valores están comprendidos en el intervalo (-1, +1).
Además, cuanto más se aproxime ρ a la unidad, menor será el valor de los momentos de inercia Ix e
Iy . En particular, para ρ = 1, resulta Ix = Iy = 0 , lo que significa que toda la masa se encuentra sobre
una recta, en la que se han confundido también las rectas de regresión.
El Coeficiente de Correlación se utiliza para determinar el grado de dependencia lineal que existe entre
las dos variables, y mide, en cierto modo, la bondad del ajuste de los puntos a una recta.
En la utilización práctica de las rectas de regresión para generar valores no registrados o comletar
series de datos históricos, si se designa por “n” al número de años (o de datos) registrados en la
sección o región a estudiar y “N” al correspondiente a la sección o región base, la extrapolación podrá
ser valedera, o no, según los valores correspondientes de “ρ”, de acuerdo al siguiente criterio:
Banda Característica
Suponiendo que la distribución de frecuencias de las desviaciones del conjunto de los puntos respecto a
la recta de regresión ortogonal fuese normal, el 95% de los puntos de la nube estaría ubicado en el
interior de una banda obtenida trazando sendas paralelas a la recta de regresión a una distancia
2 * λ1 .
De esta forma, aunque la hipótesis de distribución normal no es muy rigurosa, el trazado de la banda en
el gráfico de correlación brinda una idea de la calidad de ésta y permite estimar, en una primera
aproximación, los valores no ajustados.
/187/ y = a + b * x + k * x2 + j * x3 + K
∑ (yi − y )
2
La determinación de los coeficientes “a”, “b”, “c”, etc. se debe hacer de modo que sea un
mínimo respecto a ellos.
Es también posible, sin aumentar el número de parámetros, buscar leyes no lineales que se adapten
mejor que las leyes de regresión lineal a la relación entre los parámetros observados, tales como por
ejemplo la logarítmica, doble logarítmica, exponencial, etc.
Es posible transformar muchas de estas leyes en lineales, mediante un cambio de variable, y después,
operar gráfica, o numéricamente, como si se tratase de una recurrencia lineal.
Correlaciones Gráficas
Consisten en representar directamente la nube de puntos referida a un sistema de ejes, en escala
natural, semilogarítmica o logarítmica; y determinar luego, en forma gráfica y a estima, la curva que
representa la tendencia media de la nube de puntos. Aparte de constituir un método en sí, representa
un auxiliar inestimable de las correlaciones analíticas, al permitir visualizar la tendencia y orientar la
elección de la función que permita lograr el ajuste más adecuado. Las correlaciones gráficas son
también de suma utilidad para el caso de tener que representar relaciones entre tres variables.
Por ejemplo, el espacio muestral para la precipitación anual es teóricamente el rango desde cero hasta
infinito positivo (a pesar que los límites prácticos inferior y superior son más cercanos) y un evento A
puede ser la ocurrencia de una precipitación anual menor que una cierta cantidad, tal como 200 mm.
La probabilidad de un evento, P(A ) , es la posibilidad de que éste ocurra cuando se hace una
observación de la variable aleatoria.
Las probabilidades de eventos pueden estimarse. Si una muestra de “n” observaciones, tiene “ n A ”
n
valores en el rango de evento “A”, entonces la “frecuencia relativa” de A es A . A medida que el
n
tamaño de la muestra aumenta, la frecuencia relativa se convierte progresivamente en una mejor
estimación de la probabilidad del evento, es decir:
nA
P(A ) = lim
/188/ n→∞ n
Tales probabilidades se conocen como probabilidades objetivas o posteriores, debido a que dependen
concretamente de las observaciones de la variable aleatoria.
Cuando se estima la posibilidad de que un evento futuro ocurrirá con base al juicio personal y la
experiencia, las estimaciones pertinentes se conocen como probabilidades subjetivas o a priori.
Las probabilidades de eventos obedecen a ciertos principios, a saber:
a) Probabilidad Total
Si el espacio muestral EM está completamente dividido en m eventos o áreas no
traslapadas A 1, A 2 , A 3 ,K, A m entonces:
P(A I B )
P(A I B ) = P(A ) * P(B A ) ⇒ P(B A ) =
/191/ P(A )
Si la ocurrencia de B no depende de la ocurrencia de A, se dice que los eventos son
independientes y:
Precipitación [ mm ]
Precipitación [ mm ]
375
350-375
350
325
300-325
300
275 250-275
250
225 200-225
200
175 150-175
150
125 100-125
100
75 50-75
50
25 0-25
0
0 1 2 3 4 5 6
60-61
64-65
68-69
72-73
76-77
80-81
84-85
88-89
92-93
96-97
00-01
04-05
Cantidad de Datos
Años
j=1 j=1
Fm (x ) = ∑ ( ) ∑ nj
fm x j =
/194/
Esta expresión constituye una estimación de P(X ≤ x i ) , o sea la probabilidad acumulada de x i .
Las funciones de frecuencia relativa y de frecuencia acumulada han sido definidas para una muestra;
las funciones correspondientes para la “población” se aproximan como límites a medida que
n → ∞ y Δx → 0 .
12%
10%
8%
fm(x)
6%
4%
2%
0%
0-25
25-50
50-75
75-100
100-125
125-150
150-175
175-200
200-225
225-250
250-275
275-300
300-325
325-350
350-375
375-400
400-425
425-450
450-475
475-500
500-525
525-550
Precipitación [ mm ]
100%
90%
80%
70%
60%
Fm(x)
50%
40%
30%
20%
10%
0%
0-25
25-50
50-75
75-100
100-125
125-150
150-175
175-200
200-225
225-250
250-275
275-300
300-325
325-350
350-375
375-400
400-425
425-450
450-475
475-500
500-525
525-550
Precipitación [ mm ]
100%
90%
80%
70%
60%
F(x)
50%
40%
30%
20%
10%
0%
0 25 50 75 100
100 125 150 175 200
200 225 250 275 300
300 325 350 375 400
400 425 450 475 500
500 525 550
Precipitación [ mm ]
fm (x )
/196/ f (x ) = lim
n→∞
Δx → 0
Δx
12%
10%
8%
f(x)
6%
4%
2%
0%
25
50
75
100
125
150
175
200
225
250
275
300
325
350
375
400
425
450
475
500
525
550
0 100 200 300 400 500
Precipitación [ mm ]
Para un valor dado de x, F(x ) es la probabilidad acumulada P(X ≤ x ) , y puede expresarse como la
integral de la Función de Densidad de Probabilidad en el rango [X ≤ x ] , usando una variable de
integración auxiliar “u”:
Desde el punto de vista de ajuste de la información de la muestra a una distribución teórica, las cuatro
funciones:
9 Frecuencia Relativa fm (x ) para la muestra
El ciclo puede cerrarse calculando un valor teórico de la Función de Frecuencia Relativa, denominado la
Función de Probabilidad Incrementada “ p(x i ) “, como:
5
Extraído de Ven Te Chow. Los subíndices “s” corresponden a los “m” de éste apunte, para las “muestras”.
p(x i ) = P(x i − Δx ≤ X ≤ x )
xi
p(x i ) = ∫ f (x ) * dx
x i − Δx
xi x i − Δx
p(x i ) = ∫ f (x ) * dx − ∫ f (x ) * dx =
−∞ −∞
La comparación entre p(x i ) y la función de frecuencia relativa observada fm (x ) para cada x i puede
utilizarse como una medida del grado de ajuste de la distribución a la información.
Los rangos de variación y dimensiones de las cuatro funciones son:
−
(x −μ )2
1
f (x ) = *e 2* σ 2
/200/ 2* π *σ
donde:
σyμ son parámetros de cálculo
La precipitación anual, calculada como la suma de los efectos de muchos eventos independientes,
tiende a seguir una distribución normal.
Figura 78. Función de Densidad de Probabilidad Normal
Tiene limitaciones importantes, como que varía en un rango continuo [− ∞, ∞ ] , mientras que la mayoría
de las variables hidrológicas son no negativas; y que es simétrica con respecto a la media, mientras que
la información hidrológica tiende a ser asimétrica.
Distribución Lognormal
Si la variable “ Y = log(X ) ” está normalmente distribuida, entonces se dice que X está distribuida en forma
lognormal.
Figura 79. Función de Densidad de Probabilidad Lognormal
Esta función es útil cuando se quiere representar variables hidrológicas asimétricas. Tiene la ventaja,
sobre la normal, en que está limitada a valores positivos de X y la transformación a logaritmos tiende a
reducir la asimetría positiva, común en las variables hidrológicas.
Distribución Exponencial
Es una distribución que tiene un único parámetro λ. Se utiliza para describir el tiempo entre la ocurrencia
de dos eventos de variables aleatorias, como por ejemplo, precipitaciones, entradas de contaminantes a
un río, etc., y en este caso, λ sería la tasa media de ocurrencia de los eventos.
Tiene la desventaja de que requiere que la ocurrencia de cada evento sea completamente
independiente de sus vecinos y de que no está definida para X=0.
La función de densidad de probabilidad es:
/201/ f (x ) = λ * e − λ * x → x > 0
Distribución Gamma
Es una distribución de 2 parámetros, uno de forma β y otro de escala λ. Tiene una forma que varía
suavemente y se usa para describir variables hidrológicas asimétricas, sin usar logaritmos.
Figura 80. Función de Densidad de Probabilidad Gamma
Tiene límite inferior igual a 0, lo cual es una desventaja cuando se usa para analizar variables que
tienen un límite superior mayor a 0.
La función de densidad de probabilidad es:
λβ * x β−1 * e − λ * x
f (x ) = →x>0
/202/ Γ(β )
9.b.2.ANÁLISIS DE FRECUENCIA
Los sistemas hidrológicos son afectados en ocasiones por eventos extremos, tales como tormentas
severas, crecidas y sequías. La magnitud de un evento extremo está inversamente relacionada con su
frecuencia de ocurrencia, es decir, eventos muy severos ocurren con menor frecuencia, que eventos
más moderados.
El objetivo del análisis de frecuencia de información hidrológica es, relacionar la magnitud de los
eventos extremos con su frecuencia de ocurrencia, mediante el uso de “Funciones de Distribución de
Probabilidad”.
Los requisitos que debe cumplir la información hidrológica (eventos extremos) es que:
9 debe ser independiente
9 está idénticamente distribuida (por ejemplo, precipitación diaria máxima anual)
9 el sistema hidrológico que la produce (por ejemplo, un sistema de tormenta) sea aleatorio,
independiente del espacio y del tiempo
La información hidrológica empleada debe ser seleccionada cuidadosamente, de manera tal que se
satisfagan las suposiciones de independencia y de distribución idéntica.
En la práctica, esto se lleva a cabo usualmente seleccionando el máximo anual de la variable bajo
análisis (por ejemplo, el caudal máximo anual, que puede corresponder al flujo pico instantáneo máximo
o al medio diario máximo, que se haya producido en cualquier momento o en cualquier día durante el
aforo) con la expectativa de que observaciones sucesivas de esta variable de un año a otro sean
independientes.
Los resultados del análisis de frecuencia de los caudales de crecida pueden utilizarse para muchos
propósitos en ingeniería:
9 diseño de presas, puentes, cauces evacuadores y estructuras de control
de crecidas
9 determinar el beneficio económico de proyectos de atenuación de crecidas
9 delimitar planicies de inundación y determinar el efecto de ocupaciones o
construcciones en las mismas
550
500
450
400
350
Caudal [m3/s]
300
250
200
150
100
50
0
1905 1915 1925 1935 1945 1955 1965 1975 1985 1995
Años
Este valor promedio debe realizarse sobre un número de ocurrencias suficientemente grande.
Para relacionar la probabilidad p = P(X ≥ x T ) de ocurrencia del evento X ≥ x T en cualquier observación,
con el período de retorno, efectuando el siguiente razonamiento: para cada observación existen dos
resultados posibles:
¾ Éxito X ≥ xT probabilidad = p
¾ Falla X < xT probabilidad = 1-p
Debido a que las observaciones son independientes, la probabilidad de un intervalo de recurrencia de
duración “t” es el producto de las probabilidades de (t − 1) fallas seguidas por un éxito, es decir
“ (1 − p)t −1 * p ” y el valor esperado para “t” estará dado por:
∞
Tr = E(t ) = ∑ t * (1 − p)
t =1
t −1
*p
/204/
que desarrollando en serie de potencia y simplificando es igual a:
p 1
Tr = E(t ) = =
/205/ [1 − (1 − p)] 2 p
Si se desea determinar cual es la probabilidad de que un evento con período de retorno de Tr años
ocurra al menos una vez en N años, primero se debe calcular su complemento, o sea, la situación en la
que ningún evento con un periodo de recurrencia TR años ocurra en N años.
Para ello debemos calcular la probabilidad de ocurrencia de una secuencia de N “fallas” sucesivas, es
decir:
P(X < x T ) = (1 − p )
N
/207/
De esta manera, la probabilidad de que un evento de un período de retorno TR años ocurra 1 vez en N
años sería:
P(X ≥ x T ) = 1 − (1 − p )
N
N
⎛ 1⎞
P (X ≥ x T ) = 1 − ⎜ 1 − ⎟
/208/ ⎝ Tr ⎠
210
180
150
Caudal Medio Diario [m3/s]
120
90
60
30
0
01/07/32
01/07/35
01/07/38
01/07/41
01/07/44
01/07/47
01/07/50
01/07/53
01/07/56
01/07/59
01/07/62
01/07/65
01/07/68
01/07/71
01/07/74
01/07/77
01/07/80
01/07/83
01/07/86
01/07/89
01/07/92
01/07/95
01/07/98
01/07/01
01/07/04
9 Serie de duración parcial, que es una serie de datos seleccionados de manera tal que
la magnitud de cada uno de ellos sea mayor que un valor base predefinido
9 Serie de excedencia anual, constituida por una serie de duración parcial en la que el
valor base se selecciona de forma tal que el número de valores de la serie sea igual al
número de años del registro disponible.
0
30
60
90
120
150
180
210
0
30
60
90
120
150
180
210
Unidad 9
01/07/1932 01/07/32
01/07/1935 01/07/35
01/07/1938 01/07/38
01/07/1941 01/07/41
01/07/1944 01/07/44
01/07/1950 01/07/50
01/07/1953 01/07/53
01/07/1956 01/07/56
01/07/1959 01/07/59
01/07/1962 01/07/62
01/07/1965 01/07/65
01/07/1968 01/07/68
01/07/1971 01/07/71
01/07/1974 01/07/74
Facultad de Ingeniería
01/07/1977 01/07/77
01/07/1980 01/07/80
01/07/1983 01/07/83
01/07/1986 01/07/86
01/07/1989 01/07/89
01/07/1992 01/07/92
01/07/1995 01/07/95
Figura 83. Serie de Duración Parcial – 74 años - 652 valores mayores a 90 m³/s
Figura 84. Serie de Excedencia Anual – 74 años - 74 valores mayores a 134 m³/s
01/07/1998 01/07/98
01/07/2001 01/07/01
01/07/2004 01/07/04
9-17
Cátedra: Hidrología I
Unidad 9 9-18
9 Serie de valores extremos, que es aquella que se constituye con los valores máximos,
o mínimos, producidos en cada uno de los intervalos de tiempo de igual longitud en
que se haya dividido el registro.
9 Serie anual, es una serie de valores extremos en la que la longitud del intervalo de
tiempo considerada es de un año. Es la serie de valores extremos más
frecuentemente utilizada, y puede ser a su vez: serie anual máxima, cuando está
conformada por los valores máximos anuales y serie anual mínima, cuando se
seleccionan para constituirla los valores mínimos anuales.
Figura 85. Serie de Valores Extremos Anual – 74 años – 74 valores, los máximos de cada año
210
180
Caudales Máximos Medios Diarios [m3/s]
150
120
90
60
30
0
1931-1932
1936-1937
1941-1942
1946-1947
1951-1952
1956-1957
1961-1962
1966-1967
1971-1972
1976-1977
1981-1982
1986-1987
1991-1992
1996-1997
2001-2002
Cabe observar la diferencia que resulta de trabajar con “valores extremos máximos anuales” o con
“valores de excedencia anual” de la información disponible.
En una serie de excedencia anual generalmente aparecen la totalidad de los valores altos y máximos
anuales, dado que en varios años el segundo valor máximo (y eventualmente otros) puede tener una
magnitud mayor que la de algunos máximos de otros años.
Sin embargo, en la serie de máximos anuales, estos segundos valores máximos se excluyen, y en
consecuencia no se tienen en cuenta a los efectos del análisis.
A pesar que la serie de excedencia anual es útil para algunos propósitos, está limitada por el hecho de
que puede ser difícil verificar que todas las observaciones sean independientes; la ocurrencia de una
gran crecida bien podría estar relacionada con condiciones de suelo saturado consecuencia de otra
gran crecida que hubiese ocurrido un corto tiempo antes.
Por lo general, a los fines prácticos, usualmente es mejor utilizar series de máximos anuales para los
análisis hidrológicos pertinentes.
En cualquier caso, a medida que el período de retorno del evento considerado sea mayor, los
resultados de las dos metodologías se tornan muy similares, debido a que la posibilidad de que estos
dos eventos ocurran en un mismo año es muy pequeña.
El período de retorno, TrE de magnitudes de eventos deducido a partir de una serie de excedencia
anual está relacionado con el correspondiente período de retorno Tr deducido de una serie máxima
anual, según Ven Te Chow, por:
1
TrE =
⎛ Tr ⎞
ln⎜ ⎟
/209/ ⎝ Tr − 1 ⎠
Esta expresión demuestra que las diferencias son prácticamente despreciables para Tr mayores de 10
años.
La limitación que tienen las series parciales es que no estamos seguros de que todos los eventos sean
independientes.
9.c.1. PLANTEAMIENTO
Estos métodos consisten en estimar los valores de las crecidas máximas que pueden producirse en un
río a partir de una serie de caudales máximos conocidos, extrapolando en dicha serie mediante el
empleo de una curva de frecuencia para diferentes probabilidades.
El problema se centra en utilizar al máximo los registros de caudales de que se dispone en la estación
para la cual se busca evaluar la más fuerte crecida a temer; habrá necesidad así de emplear
principalmente las técnicas estadísticas de análisis de crecidas, las que permitirán resolver el problema
que representa calcular la probabilidad de que un caudal, superior a un valor dado, sobrevenga al
menos una vez durante un determinado período de tiempo (un siglo o un milenio, por ejemplo). Igual
razonamiento es extensivo a la cuantificación de precipitaciones máximas en función de los valores de
los registros disponibles.
El caudal de la crecida anual, definido como el mayor caudal del año, puede ser efectivamente
considerado como una variable aleatoria continua e ilimitada, de la cual puede proponerse estudiar la
distribución estadística.
Estando esta distribución ajustada a alguna de las leyes teóricas conocidas de probabilidad, que se
analizarán en el apartado 9.c.3, de manera que interprete, tan fielmente como sea posible, las
observaciones disponibles, se admite que esa misma ley es válida, tanto dentro como fuera del período
de observación, permitiendo por lo tanto, calcular el caudal que tiene una probabilidad dada de
ocurrencia, aunque ésta sea muy pequeña (como el de la crecida milenaria o decamilenaria, por
ejemplo).
En estos casos, en que se extrapola la ley de distribución a lapsos de tiempo mucho más extensos que
aquél para el cual se dispone de datos, pueden resultar errores considerables en uno u otro sentido, lo
que se confirma observando que, por lo general, los datos extremos de que se tiene noticia, presentan
muy frecuentemente una gran dispersión, alejándose de la curva de distribución que se intenta ajustar.
Debe tenerse siempre presente que la extrapolación de los valores de las crecidas para elevados
tiempos de recurrencia, a partir de datos de 25 a 50 años, no tiene ningún fundamento científico, sino
sólo matemático, por lo que los valores estimados para tales casos deben tomarse con grandes
reservas y, si es posible, comprobar, por medio de investigaciones históricas, si las crecidas ocurridas
en tiempos lejanos fueron del mismo orden de magnitud que las obtenidas por extrapolación con las
leyes de frecuencia empleadas.
Un factor muy importante a considerar es que los resultados son función de los datos “contenidos en la
serie de registros”, serie que se va enriqueciendo con nuevos valores a medida que pasa el tiempo. De
allí que en ocasiones, al actualizar cálculos efectuados un cierto tiempo atrás, se obtienen, al incorporar
a la serie los nuevos registros, caudales sensiblemente diferentes para iguales tiempos de recurrencia,
lo que puede llegar a cuestionar el nivel de seguridad primitivamente asignado a una obra dada.
Otro aspecto de incidencia es que los datos de partida son generalmente caudales máximos medios
diarios y no caudales máximos instantáneos, dado que normalmente existen series aceptablemente
extensas de datos con valores medios diarios, en parte de la serie, y con datos medios diarios e
instantáneos, en el resto. En este caso se puede intentar una correlación entre valores medios diarios e
instantáneos y, en caso de obtenerse un ajuste aceptable, calcular, mediante regresión, la serie
completa de valores instantáneos.
Los coeficientes “ x 0 ” y “a” están relacionados con la media “ x ” y la desviación típica “ σ ” por las
relaciones:
1 0.577
/211/ = 0.78 * σ y x 0 = x −
a a
Luego la probabilidad de obtener un valor mayor que “x” es:
Donde:
x es la magnitud del evento extremo de probabilidad P(X ≥ x )
i =1
/213/ σ=
n −1
i =1
/215/ σlog(x ) =
n −1
c) El coeficiente de asimetría:
n
n * ∑ [log(x i ) − log(x )]
3
i =1
/216/ S=
(n − 1) * (n − 2) * (σlog(x ) )3
Luego el valor de “x” para una probabilidad dada, se calcula por medio de la expresión:
Para esta expresión, el valor de K T se halla tabulado en función de S y del tiempo de recurrencia para
el cual se desea determinar “x”.
Para ello puede establecerse la relación de proporcionalidad p = EB DB , multiplicando luego todas las
ordenadas genéricas FG por dicho valor, obteniéndose así los segmentos FH (siempre tomados a
partir de las rectas separadoras del flujo base), cuyos extremos superiores, puntos H, serán puntos de
paso del hidrograma buscado, el que se extenderá desde A hasta C, pasando por E.
Figura 86. Determinación del Hidrograma de una Crecida de Recurrencia Tr
55
E
50
45
40
35
H
D
Caudal [m3/s]
30
25
20 G
15
10
C
A F B
5
0
0 30 60 90 120 150 180 210 240 270
Tiempo [min]
En caso que el caudal máximo haya sido calculado con valores de caudales máximos medios diarios, y
exista en el río en estudio una diferencia no despreciable con los máximos instantáneos, deberá
calcularse la relación media más probable entre ambos y ubicar el punto E según el valor
correspondiente al caudal máximo instantáneo de la crecida de proyecto.
Otra alternativa sería la de generar directamente, mediante correlación y regresión, la serie de caudales
máximos instantáneos y trabajar directamente con ella.
Una vez que la serie de datos ha sido identificada y ordenada las posiciones de graficación calculadas,
puede elaborarse un gráfico de la magnitud en estudio “x” vs Probabilid [P(X ≥ x ) ó P(X < x ) ó Tr ]
para verificar el ajuste de la distribución.
Alternativamente resulta conveniente efectuar la línea ajustada resultante con la información de la
muestra.