M 02. Obtencion y Tratamiento de Inf Hidrologica

M-01: INTRODUCCIÓ N A LA HIDROLOGÍA Ing. César Terá n Guevara.
“HIDROLOGÍA PARA OBRAS

HIDRÁULICAS”
DIPLOMADO PRESENCIAL VIRTUAL – 2017
MÓDULO 02: TRATAMIENTO DE DATOS HIDROLÓGICOS.
DOCENTE:
CÉSAR TERÁN GUEVARA
Ingeniero hidráulico.
ingteran@outlook.com
+51 976009180
1. Recolección de datos hidrometeorológicos. (Fattorelli, 2011, Diseñ o

hidroló gico)
1.1. Datos hidrometeorológicos
Existen varios tipos de datos usados en la hidrología:
 Datos histó ricos de eventos naturales registrados cronoló gicamente

en forma discreta o continua. Son series de tiempo producto de
observaciones y que se pierden si no se registran en el momento de su
ocurrencia. A este tipo pertenecen la gran mayoría de los datos
hidroló gicos e hidrometeoroló gicos.
 Levantamiento de datos hidroló gicos en á reas, como por ejemplo
profundidad y calidad de aguas subterrá neas, infiltració n o
sedimentació n en ríos. Son datos de campo que se toman
esporá dicamente y no necesariamente, en forma secuencial.
 Medidas en laboratorio, como lo son conductividades hidrá ulicas o
calidad de aguas.
 Registro simultá neo de un evento (lluvia-caudal) en dos localidades
geográ ficas diferentes, durante un determinado período de tiempo
(generalmente 4 ó 5 añ os) usados para transferir informació n o
correlacionar datos con propó sitos diversos, como lo son aná lisis de
caudales.
1.2. Calidad, homogeneidad y consistencia de los datos
Los datos hidroló gicos deben ser independientes, homogéneos y lo más

representativos posible de la població n. En la recolecció n de datos de
lluvias en una cuenca, por ejemplo, las estaciones deberá n ser localizadas en
sitios estratégicos cuya cobertura total deberá representar la misma.
Las fuentes de los errores en datos hidroló gicos observados pueden ser:
 En el sensor (error del registro del dato in situ)

 En la transmisió n del dato.
 En el registro en la estació n de recepció n.
 En el procesamiento y aná lisis de los datos.
Dentro de los errores, se consideran errores al azar y errores sistemáticos.

Los primeros está n siempre en los datos, generalmente se distribuyen
alrededor del verdadero valor y la desviació n standard se usa para
determinar la magnitud de los desvíos. Los segundos crean inconsistencias o
diferencias en un só lo sentido en relació n al valor medio que deben ser
detectadas y corregidas, para corregir inconsistencias.
Otro tipo de datos a tener en cuenta son los no homogéneos o datos

afectados por algú n efecto, no necesariamente hidroló gico que
repentinamente cambia la tendencia normal de una serie de registros. La no
homogeneidad puede ser producida por un efecto antró pico, fá cilmente
detectable e incluso pronosticado, como lo es una presa en un río, la cual
produce hacia aguas abajo descargas no homogéneas que no pueden ser
consideradas conjuntamente con los caudales vírgenes del río aguas arriba
del embalse. Existen causas naturales que pueden ser detectadas al observar
la no homogeneidad de los datos, como por ejemplo, la presencia imprevista
en la cuenca alta de un deslizamiento de tierra o el avance de una lengua de
un glaciar que forme momentá neamente un dique en un afluente.
En los registros sistemá ticos de caudales ante cualquier situació n de no

homogeneidad, debe detectarse su causa. En las proyecciones estadísticas de
variables hidroló gicas, resulta primordial contar con datos libres de errores
significativos. Igualmente, en series de tiempo de fenó menos hidroló gicos los
datos faltantes, deben ser en lo posible rellenados por aná lisis de correlació n
o aná lisis regionales de datos vecinos.
1.3. Definiciones básicas de datos hidrometeorológicos. (Huamá n, 2013,

Hidrología avanzada)
1.3.1. Variables aleatorias.
Una variable aleatoria X(t) tiene una cierta distribució n probabilística. Esa
distribució n determina la posibilidad de que una determinada observació n X,
de la variable, caiga dentro de un rango especificado de X. Sí, por ejemplo la
precipitació n media de enero, en un lugar, es de 50 mm, la distribució n
probabilística podría establecer que pueda estar en el rango entre 40 y 60
milímetros. Su distribució n probabilística, permanece invariable a través del
tiempo, es decir, son procesos estacionarios, como por ejemplo el caso de un
río en condiciones naturales, donde las características de la cuenca (físicas,
climá ticas) no cambian a través del periodo de registros. Si las condiciones
cambiaran, (embalses, urbanizaciones, desforestaciones, etc.) el proceso
sería no estacionario y por tanto, se deberá n introducir los respectivos
factores de cambio.
1.3.2. Series de Tiempo.
Una serie de tiempo se define, en hidrología, como la magnitud de un evento

observado en forma discreta a intervalos de tiempo, dt, promediados en ese
intervalo o registrados en forma continua en un tiempo, t, por ejemplo
caudales medios, diarios, promedio de caudales instantá neos a través de un
intervalo discreto de 1 día, o caudales instantá neos registrados en forma

continua durante todos los instantes de cada día.
Las series de tiempo en hidrología pueden ser series de duració n completa,

en la cual figuran todos los registros de la muestra, o series de duració n
parcial, donde los datos se seleccionan de tal manera que su magnitud es
mayor (o menor) que un valor base predefinido. Si en una serie, de valores
má ximos se elige, el valor mayor de cada añ o se tendrá una serie anual
má xima. Si se seleccionan los mínimos será como una serie anual mínima.
Una serie anual má xima puede dejar de considerar valores má ximos que
ocurren durante un añ o menores que el má ximo de ese añ o, pero mayores
que los má ximos de otros añ os; en estos casos una serie de duració n parcial
(por encima de una base predefinido) da una mejor idea del comportamiento
de la muestra.
En la selecció n de eventos en una serie de duració n parcial, se debe tener

cuidado en la selecció n de eventos independientes.
1.3.3. Terminología relacionada a la temperatura.
La temperatura es uno de los pará metros climatoló gicos má s utilizados ya

que influye en el cá lculo de otros pará metros como la humedad relativa la
evaporació n, evapotranspiració n, infiltració n.
 Temperatura mínima diaria: Es la má s baja del día.

 Temperatura má xima diaria: Es la mayor del día.
 Temperatura media diaria: Si se utilizan los dos extremos (la
má xima y la mínima del día) es la media aritmética. Si existe
informació n continua se calcula la media aritmética de las
temperaturas registradas al as 07 horas, 13 horas y 18 horas.
 Oscilació n diaria: Es la diferencia de las temperaturas má xima
diaria y mínima diaria.
 Temperatura mínima media: Es la media aritmética de las
temperaturas mínimas diarias del mes
 Temperatura má xima media: Es la media aritmética de las
temperaturas má ximas diarias del mes
 Temperatura media mensual: Es la media aritmética de las
temperaturas medias diarias del mes.
 Oscilació n media mensual: Es la media aritmética de las
oscilaciones diarias.
 Temperatura má xima absoluta mensual: Es la má s alta observada
en el mes.
 Temperatura mínima absoluta mensual: Es la má s baja observada

en el mes.
 Oscilació n absoluta mensual: Es la diferencia de las temperaturas
má xima absoluta y mínima absoluta.
 Temperatura media anual: Es la media aritmética de las
temperaturas medias mensuales.
 Temperatura má xima media anual: Es la media aritmética de las
temperaturas má ximas de todos los meses.
 Temperatura mínima media anual: Es la media aritmética de las
temperaturas mínimas de todos los meses.
 Oscilació n anual: Diferencia de temperaturas medias del mes má s
cá lido y del mes má s frio.
1.4. Terminología relacionada a datos de precipitación
El pará metro má s importante de los modelos hidroló gicos es la

precipitació n, constituye la masa de agua inicial de entrada al sistema
hidroló gico; existen varios métodos para calcular o estimar este dato, a
continuació n presentamos algunos alcances para calcular la precipitació n
media de un espacio geográ fico o cuenca.
 Precipitació n má xima en 24 horas. Es la precipitació n más alta de

24 horas (un día) de un añ o. A menudo se usa para calcular las
intensidades.
 Precipitació n diaria. Es la precipitació n que cae en un día. A
menudo se usa para monitoreo.
 Precipitació n acumulada mensual. Es la suma de las
precipitaciones diarias de un mes. A menudo se usa para
disponibilidad hídrica.
 Precipitació n anual. Es la suma de toda precipitació n registrada en
un añ o. A menudo se usa como dato referencial con otros añ os.
 Precipitació n media anual. Es el promedio de las precipitaciones
anuales de varios añ os. A menudo se usa para caracterizació n
hidroló gica.
2. Tratamiento de datos
2.1. Datos promedio. (Cahuana, 2009, Hidrología)
2.1.1. Precipitación media por polígonos de Thiessen.

Este método es de los má s precisos y má s usados en el medio, sirve para
determinar la lluvia media en una zona, se aplica cuando se sabe que las
medidas de precipitació n en los diferentes pluvió metros sufren variaciones,
teniendo ademá s el condicionante que la cuenca es de topografía suave o en
lo posible plana.
El procedimiento para el cá lculo es el siguiente:
 Se unen los pluvió metros adyacentes con líneas rectas.

 Se trazan mediatrices a las líneas que unen los pluvió metros.
Recordar que una mediatriz es una línea recta perpendicular a un
segmento de recta y que parte de su punto medio. Como las
figuras formadas son triángulos, las mediatrices se encuentran en
un punto dentro del mismo, ver figura 01
 Se prolongan las mediatrices hasta el límite de la cuenca.
 Se calcula el á rea formada por las mediatrices para cada
pluvió metro.
La lluvia media se calcula entonces como un promedio pesado de las

precipitaciones registradas en cada estació n, usando como peso el á rea de
influencia correspondiente:
n
1
h p = ∑ A i h pi (1)
A T i=1
Dó nde
Ai=Es el á rea de influencia de la estació n i y AT es el á rea total de la cuenca.
Figura 01. : Á rea para cada estació n en el método de Polígono de Thiessen.

Se observa que cada pluvió metro queda con un á rea de influencia dentro de
la cuenca. El siguiente paso es medir el á rea asociada a cada pluvió metro y
determinar el ponderador de á rea para encontrar la precipitació n media.
El ponderador de á rea se calcula como el cociente entre el á rea de asociada a
cada pluvió metro y el á rea total, por esto su suma debe ser 1. La
precipitació n ponderada, se obtiene al multiplicar la precipitació n medida en
cada pluvió metro y al factor ponderador de á rea.
En el manejo de estaciones meteoroló gicas muchas veces se presentan

dificultades al momento de obtener los datos y se pierden algunos de ellos
por lo que existen formas de completar dichos datos así como de detalla a
continuació n.
Ejemplo. Determinar la precipitació n media por el método de los polígonos

de Thiessen, para la cuenca estudiada.
Figura 02. Polígonos de Thiessen.
Tabla 01. Ejemplo de cá lculo de polígonos de Thiessen.

2.1.2. Isoyetas. Es el método más exacto para promediar la

precipitació n sobre un á rea, donde la localizació n de las estaciones y las
cantidades de lluvia se grafican en un mapa adecuado y sobre este se dibujan
las líneas de igual precipitació n (isoyetas).
Este método consiste en trazar curvas de igual precipitació n para un periodo

elegido. Los intervalos de profundidad de precipitació n y de incremento de
tiempo se toman de acuerdo a la necesidad del problema. Las curvas isoyetas
son líneas que unen puntos de igual cantidad de lluvia. Estas líneas se trazan
interpolando los datos puntuales dados por los distintos pluvió metros con
una técnica similar a la utilizada en topografía, y de acuerdo a las
condiciones locales de la cuenca. El trazado de las isoyetas debe considerar
la variació n de la precipitació n con la altura y las condiciones sinó pticas de la
zona. Por medio de la planimetría se determina el á rea entre dos curvas
isoyetas contiguas, y multiplicando por el valor de la isoyeta intermedia se
defina la cantidad de lluvia entre las dos isoyetas contiguas. La precipitació n
media para el á rea se calcula ponderando la precipitació n media para el á rea
se calcula ponderando la precipitació n entre isoyetas sucesivas (por lo
general tomando el promedio de dos valores de las isoyetas) por el á rea de
las isoyetas, totalizando estos productos y dividiendo este por el á rea total.
El cá lculo de las á reas como ya se indico puede realizar con el planímetro o
pasando franjas de papel o superponiendo el mapa a un papel milimetrado
(método de la cuadrícula).
Para trazar las isoyetas, se recomienda superponer la cuenca a un mapa con

curvas de nivel, para tener en cuenta el efecto de la orografía, pues de otra
forma no se diferencia mayormente de recurrir a interpolaciones lineales,
sobre todo cuando se trabaja en zonas montañ osas. Este método es el má s
preciso cuando el análisis de las curvas se hace debidamente. El método de
las isoyetas permite el uso y la interpretació n de todo la informació n
disponible y se adapta muy bien para discusió n. En la construcció n de un
mapa de isoyetas, el analista puede utilizar todo su conocimiento sobre los
posibles efectos orográ ficos y la morfología de la tormenta: en este caso el
mapa final debe representar un patró n mucho mas real de la precipitació n
que aquel que se puede obtener utilizando ú nicamente las cantidades
medidas. La exactitud del método de las isoyetas depende en gran parte de la
habilidad del analista. Si se utiliza una interpolació n lineal entre estaciones,
el resultado será esencialmente el mismo que se obtiene utilizando el
método de Thiessen. Ademá s, un aná lisis inadecuado puede conducir a
errores considerables.
Ejemplo. Determinar la precipitació n media de la cuenca en estudio por el

método de las Isoyetas.
Figura 03. Isoyetas sobre una cuenca.
Tabla 02. Ejemplo de cá lculo de isoyetas.
2.1.3. Distribución espacial en SIG (GRADS, ARC GIS, TETIS, ETC).

Cuando los datos que necesitamos son espaciales, entonces necesariamente

usaremos un programa SIG para asignar un valor a cada celda y graficar de
acuerdo a la precisió n necesitada.
Figura 04. Grá fico de temperatura distribuida.
Figura 05. Temperatura en corte vertical.

Figura 06. Precipitació n espacial.
En las figuras 04, 05 y 06 se muestra una distribució n espacial trabajada con

programas de sistema de informació n geográ fica como ArcGis, GrADS, QGis,
etc. este tipo de datos se usan para caracterizar cierta á rea y la precisió n de
los grá ficos depende de la precisió n de la informació n de entrada que
comú nmente es de satélite.
2.1.4. Interpolación al centroide.

Cuando los datos tienen una relació n comprobada con otra variable como la
altitud, latitud, o se trata de á reas pequeñ as es recomendable interpolar
hasta el punto del centroide de la cuenca, donde el valor interpolado será el
valor medio de toda la cuenca. Para ello se grafica por dispersió n el
pará metro climatoló gico deseado con la variable, luego se agrega una línea
de tendencia y se analiza si el coeficiente de correlació n R2 es aceptable
preferentemente superior a 0.80, en caso que la correlació n sea aceptable
interpolar o extrapolar dato.
Figura 07. Ejemplo de grá fica de ajuste de temperatura con la altitud.
2.2. Análisis de consistencia de una muestra hidrológica (Ortiz,

Hidrología de superficie)
Luego de recopilada la informació n es necesario analizar su consistencia,

procesarla y sintetizarla para convertirlo en un “producto elaborado” apto
para el diseñ o. El aná lisis de la informació n está relacionado con la
confiabilidad (calidad), continuidad (datos faltantes) y longitud de los
registros (cantidad de añ os de registro). Comprende entonces el aná lisis de
consistencia de las muestras hidroló gicas, incluyendo la detecció n y
correcció n de posibles errores sistemá ticos, completació n de datos faltantes
y extensió n de series cortas a periodos má s largos; síntesis de la informació n
en un modelo y simulació n del modelo para la generació n de variables
probables de diseñ o.
Buena parte de la hidrología está basada en el aná lisis de series temporales

que se registran en estaciones ubicadas en ciertos puntos de la cuenca y/o
cuencas vecinas, por lo que resulta importante tener la capacidad para
extrapolar resultados de un punto a otro con la mayor aproximació n posible.
La confiabilidad de la hidrología como disciplina científica se sustenta en la
disponibilidad de datos suficientes, en calidad y cantidad, que permita la
aplicabilidad de las metodologías para la solució n de cada caso en particular.
--------------
Muestra Hidrometereológica Información de campo
No
Muestra Análisis de consistencia
Consistente (CONSIS)
Si
No Competición de datos
Serie
Completa? (COMPLET)
Si
No
Serie
Extensión de serie
larga?
Si
Información Apta
Síntesis y
modelamiento
Figura 08. Flujograma para el tratamiento de la informació n

Hidrometereoló gica. Fuente: Ortiz Oswaldo, Hidrología de superficie.
En la figura 08 se muestra un flujograma donde se muestra el procedimiento

para el tratamiento de datos antes de hacer uso de cualquier tipo de
informació n en cá lculos hidroló gicos.
GENERALIDADES
Los datos hidrometereoló gicos pueden corresponder a cualquier serie

registrada en el tiempo, tales como: descargas, precipitaciones, temperatura,
evaporació n, evapotranspiració n, humedad relativa, vientos, radiació n solar,
insolació n, entre otros. Cuando má s largo sea el registro de datos, mejor será
la estimació n de variables de diseñ o.
La no homogeneidad e inconsistencia de las series hidroló gicas constituye

uno de los aspectos má s importantes de la hidrología, pues un error
significativo introducido en el aná lisis podría afectar o falsear los resultados.
La inconsistencia se debe a errores sistemá ticos y se presentan en forma de

saltos y tendencias; tanto en la media como en la varianza.
La no homogeneidad se refiere a los cambios de los datos vírgenes con el

tiempo. Así por ejemplo, la no homogeneidad en los datos de precipitació n se
debe a dos fuentes principales: cambio de lugar de la estació n y a cambios a
la presencia de vegetació n, construcció n de viviendas, entre otros.
TIPOS DE ERRORES
Los errores sistemá ticos son los de mayor importancia y se deben a que los
datos pueden ser incrementados o reducidos sistemá ticamente. Estos
errores pueden ser naturales o artificiales, presentá ndose en forma de saltos
o de tendencias. Este tipo de errores son los que hay que eliminar de la
informació n inconsistente.
Los errores aleatorios, se deben a la inexactitud de las mediciones y

observaciones. Son difíciles de evaluar después de haber transcurrido algú n
tiempo. Estos errores se deben a diversas causas, tales como, errores de
observaciones, de copia, de impresió n, aparatos descalibrados y mal
instalados, etc.
El aná lisis de la informació n hidrometereoló gica se realiza en las

componentes determinísticas transitorias de la serie (saltos y tendencias), en
cada una de las cuales se analiza la consistencia en los pará metros
estadísticos má s importantes: media y variancia.
En el Perú , debido a la escasa informació n hidroló gica (ausencia o corta

longitud de los registros histó ricos), informalidad en la toma y reporte de
datos, estaciones mal ubicadas y falta de mantenimiento de los equipos;
existe la necesidad de partir de la duda antes que aceptar directa y
fá cilmente la validez de una muestra.
2.2.1. Análisis de saltos

Se llama salto a la forma determinística transitoria que permite a una serie
temporal pasar de un estado a otro, como respuesta a ciertos cambios
propiciados por el hombre, debido al continuo desarrollo y explotació n de
los recursos hidrá ulicos en la cuenca o a cambios violentos ocurridos en la
naturaleza.
El procedimiento de análisis consiste en la realizació n de tres actividades
bá sicas: identificació n, cuantificació n y correcció n de saltos.
2.2.1.1. Identificación de saltos

Esta actividad se realiza bajo dos puntos de vista: aná lisis gráfico y aná lisis
de doble masa.
a) Análisis Gráfico. Consiste en un análisis visual de la informació n

original, para lo cual se grá fica, a escala aritmética, el valor de la variable
(precipitació n, descarga, temperatura, evapotranspiració n, etc.) en el eje de
las ordenadas versus el tiempo (anual, mensual, semanal o diario) en el eje
de las abscisas. Cuando la variable corresponde a la precipitació n o descarga,
el grafico resultante se llama hidrograma.
Para tener éxito en este primer examen visual de la informació n es necesario

proceder del modo siguiente:
 Cuando se tiene varias estaciones en la cuenca o en cuencas
vecinas similares, se comparan los grá ficos uno a uno y periodo a
periodo para detectar cuá l de ellos varía notoriamente con
respecto al otro. Los grá ficos deben tener similitud geométrica en
ausencia de errores.
 Cuando se dispone de informació n de una sola estació n, el aná lisis
visual se hace mediante comparació n de los periodos homó logos
de la misma muestra. Por ejemplo, si la estació n ha sido
trasladada seguramente será notorio el salto entre los datos
iniciales y los registrados en su nueva ubicació n. Este aná lisis
deberá ser complementado con la informació n de campo.
 Cuando se tienen datos de precipitació n y escorrentía (causa y
efecto), se comparan los diagramas de ambos, los cuales deben
geométricamente similares.
 Este primer aná lisis sirve para tener una primera aproximació n
acerca de la bondad de los datos y separar los periodos dudosos
de los confiables para tenerlos en cuenta en el aná lisis de doble
masa y en pruebas de consistencia.
Figura 09. Aná lisis grá fico de saltos.
b) Análisis de doble masa (David Cedeñ o, 1997). La técnica de doble masa

se utiliza para verificar la consistencia de los datos de precipitació n. Este
método está basado en el hecho de que la precipitació n promedio acumulada
para cierto nú mero de estaciones no es muy sensitiva a los cambios en una
estació n individual debido a que los errores se compensan, mientras que los
valores acumulados para una estació n individual son afectados
inmediatamente por los cambios que ocurren en la estació n. Está s
variaciones se producen por cambios en la localizació n de la estació n, tipo de
instrumento, método se observació n; los cuales muchas veces no se indican
en los registros publicados. Si al graficar la precipitació n anual acumulada
para la estació n bajo investigació n contra la precipitació n promedio anual
acumulado de las otras estaciones se obtiene una línea recta, se puede
garantizar que los registros completos para esa estació n han sido obtenidos
bajo las mismas condiciones; pero si existe un cambio de pendiente,
generalmente se puede encontrar una explicació n al fenó meno. (Por
ejemplo: la estació n fue movida de sitio). En este caso, los registros
anteriores al cambio de pendiente deben ser ajustados multiplicando por la
razó n de las pendientes S2 /S 1 para hacerlos compatibles con los datos má s
recientes.
Ejemplo:
La siguiente tabla muestra los datos de precipitació n anual de la estació n X y
el promedio de precipitació n anual para 10 estaciones localizadas en los
alrededores (para 25 añ os de registro).
 Determinar la consistencia de los registros de la estació n X; en caso

necesario, indicar el añ o donde ocurre el cambio de pendiente.
 Calcular la precipitació n promedio anual para la estació n X utilizando los
datos originales y efectuando los ajustes correspondientes.
Tabla 03. Datos y cá lculos de ejemplo de aná lisis doble masa

Figura 10. Grá fico doble masa de precipitació n.
2.2.1.2. Evaluación y cuantificación de saltos.

Se realiza mediante aná lisis estadístico, el mismo que es un proceso de
inferencia para la media y la varianza de los periodos dudosos y confiables,
establecidos en la fase de identificació n.
Consistencia en la media
La consistencia en la media se verifica mediante la prueba estadística “T” de

Student. Se trata de analizar si las medias de los datos correspondientes a los
periodos dudosos y confiables son equivalentes o diferentes
estadísticamente, para cierto nivel de significació n preestablecido
(normalmente α = 5%).
El procedimiento de la prueba T es la siguiente:
Formulación de la Hipótesis
La hipó tesis planteada HP, respecto a la homogeneidad de medias es: “Las

medias muéstrales de los datos correspondientes a los periodos dudoso y
fiable son equivalentes estadísticamente un nivel de confianza de 100 – α ”.
En consecuencia, la hipó tesis alterna HA queda definida así: “Las medias

muéstrales de los datos correspondientes a los periodos dudoso y confiable
no son equivalentes estadísticamente al nivel de confianza de 100 - α ”.
Estadísticamente, las hipó tesis anteriores se expresan como sigue:
HP : X́ 1= X́ 2
HA : X́ 1 ≠ X́ 2
Se lee, “las medias de los periodos dudoso y confiable de la Estació n en un
estudio son estadísticamente iguales, o son estadísticamente diferentes”.
En ingeniería hidroló gica, la exigencia acerca del nivel de significació n es
α =0.05 % .
i) Determinació n del T tabular (T t).
Los grados de libertad GL para los periodos analizados son:

GL1 =n1−1 Periodo 1
GL2 =n2−1 Periodo 2
Donde, n1 y n2 son el nú mero de datos de cada periodo.
En consecuencia, sumando miembro a miembro ambas expresiones, el
nú mero de grados de libertad GL total se expresa mediante la siguiente
expresió n.
GL=n1 +n2 −2 (02)
Con el nivel de confianza de 95% (α =5 % ) y el nú mero de grados de libertad
total GL, se obtiene el valor de T, de las tablas o directamente del modelo
teó rico correspondiente (software).
ii) Determinar el T calculado (T c)

( X́ 1− X́ 2 )
T c= (03)
Sd
Ademá s:
1
1 1
Sd =S p +
n1 n 2[ ] 2
(04)
1
( n1−1 ) S 21 + ( n2 −1 ) S 22
S p=
[ n1 +n 2−2 ] 2
(05)
n1
1
S21= ∑ ( x − X́ 1 ) 2
n1−1 i=1 1
(06)
n2
1 2
S22= ∑ ( x 1− X́ 2) (07)
n2 −1 i=1
Dó nde:
Sd =Desviació n está ndar de las diferencias de las medias.

S p= Desviació n está ndar ponderada.
X́ = Media muestral.
S= Desviació n está ndar muestral.
x 1= Datos de la serie analizada.
iii) Criterios de aceptació n o rechazo de la HP
Si:
|T c|≤ T t ( α =5 % ) Aceptar HP
|T c|>T t ( α=5 % ) Aceptar HA
En el primer caso, se dice que la prueba T es no significativa y; en el segundo,

la prueba puede ser significativa o altamente significativa, segú n que la
discrepancia entre los estadísticos sea ligera o alta, respectivamente. En este
ú ltimo caso, implica corregir la informació n, eliminando el salto del periodo
dudoso (eliminació n del salto) y sin tener que recurrir a la prueba F.
Consistencia en la varianza
La homogeneidad de las variancias se verifica mediante la prueba F de

Fisher, segú n el siguiente procedimiento:
i) Formulació n de la hipó tesis.

Similarmente a como se procedió en la prueba de T, las hipó tesis de esta
prueba se plantean estadísticamente de la siguiente manera:
HP : S21 =S 22 ( α =0.05 )
HA :S 21 ≠ S22 ( α =0.05 )
Se lee, “las variancias de los periodos dudoso y confiable se la Estació n en
estudio son estadísticamente iguales o son estadísticamente diferentes”.
Donde S21 y S22 son las variancias muéstrales correspondientes a los periodos
dudoso y confiable de la Estació n en estudio.
ii) Determinació n del F calculado (Fc).

S 21 ( x )
F C= 2 , si S21 ( x ) > S22 ( x ) (08)
S2( x )
S 22 ( x )
F C= , si S22 ( x ) > S21 ( x ) (09)
S 21 ( x )
iii) Determinació n del F tabular (Ft).

Los grados de libertad y el nivel de significació n se expresan de la manera
siguiente:
G . L . N .=n1−1 (10.a)
G . L . D.=n2−1 (10.b)
α =0.05( N c =95 %)
Donde:
G . L . N = Grados de libertad del numerador.
G . L . D= Grados de libertad del denominador.
N c = Nivel de confianza.
Con los grados de libertad del numerador y el denominador y el nivel de

significació n α =0.05 , se obtiene de las tablas el valor teó rico correspondiente
o directamente del Software con los mismos datos de entrada.
iv) Criterios de aceptació n o rechazo de la HP
Si:
F c ≤ F t (95 %) Aceptar HP (muestra consistente)

F c > F t ( 95 %) Aceptar HA (muestra inconsistente)
En el primer caso, se dice que la prueba de F es no significativa y la

informació n es consistente y; en el segundo, la prueba es significativa o
altamente significativa, segú n que la discrepancia entre tales estadísticos sea
leve o exista una gran diferencia, respectivamente. En este ú ltimo caso, debe
eliminarse el salto corrigiendo los datos del periodo dudoso partiendo del
confiable.
2.2.1.3. Eliminación de saltos significativos
Si las pruebas T y/o F resultaron no significativas, al 95% de confianza, la

muestra es consistente y no se corrige la informació n, aun cuando en el
análisis de doble masa se observen pequeñ os quiebres (no son importantes).
Pero sí en cambio, alguna o ambas pruebas resultaron significativas o
altamente significativas, la muestra es inconsistente y debe corregirse la
informació n eliminando el salto o saltos del periodo dudoso, manteniéndose
los pará metros estadísticos del periodo confiable.
Una de las metodologías empleadas para la correcció n de saltos es mediante

la utilizació n de las siguientes expresiones:
a) Si el periodo 1 es el dudoso y el periodo 2 el confiable, entonces:

x − X́ 1
(
x ´1= 1
S1 ) S2 + X́ 2 (11.a)
b) Si en cambio, el periodo 1 es el confiable y el periodo 2 el dudoso

corregible, entonces la expresió n (11.a) se convierte en la (11.b).
x − X́ 2
´
(
x 1= 1
S2 ) S1 + X́ 1 (11.b)
Donde:
x 1= Dato a corregir
x ´1= Dato corregido
S= Variancia
X́ = Media
Bondad de la información corregida. (Huamá n, 2013, Hidrología

avanzada)
Para comprobar si la informació n corregida está dentro de los límites de

aceptació n con el 95% de probabilidades, se analiza estadísticamente tanto
la media y la desviació n Standard y, comparándolo con el periodo confiable,
repitiendo el procedimiento ya descrito, vale decir desarrollando las pruebas
T y F, respectivamente, cuyos resultados deben ser confiables.
Cabe mencionar que la informació n corregida no será una informació n ideal

o naturalizada, puesto que mantendrá un nivel de incertidumbre en relació n
a los valores individuales es decir la magnitud de añ os secos o hú medos;
pero para propó sito de cá lculo ó prognosis quedará libre de inconsistencia.
Podemos decir entonces que la informació n perdida no podrá recuperarse
jamá s, de allí la enorme importancia de mantener una red bien manejada y
controlada.
Normalmente se asume que el periodo reciente es el má s confiable, en los

países desarrollados de Europa ó América. En nuestro país (Perú ) sin
embargo ocurre a la inversa, puesto que la situació n econó mica de los
ú ltimos añ os y la informalidad existente hacen afirmar que los periodos
recientes en general son los menos confiables.
Es importante también tener presente que frecuentemente los periodos de

análisis de media y varianza son coincidentes esto es n1 y n2.
La serie que debería considerarse será la de valores anuales, por cuanto el

criterio de aplicació n de 1 - 2 y 12/22, corresponden a series independiente
semanales o mensuales aunque se incremente con ello la longitud del
registro “n”.
2.2.2. Análisis de tendencias
Se llama tendencia a la componente determinística que provoca un cambio

continuo en un registro histó rico correspondiente a una serie
hidrometereoló gica. Por ejemplo, cambio ascendente o descendente
continú o en la temperatura, precipitació n, evaporació n o escorrentía. Una
tendencia se manifiesta en un periodo de tiempo significativo, esto es, a largo
plazo.
Las tendencias, por lo general, pueden ser aproximadas por la ecuació n de

regresió n lineal y en algunos casos por polinomios que representan
tendencia curvilínea o exponencial. Las tendencias, al igual que los saltos, se
presentan en la media y en la variancia.
2.2.2.1. Tendencia en la Media
La tendencia en la media Tm p ,t puede expresarse en forma general por el

siguiente polinomio:
Tm p ,t =A m + Bm t+C m t 2 + Dm t 3+ … . (12)
Y en forma particular por la ecuació n de regresió n lineal simple:
Tm p ,t =A m + Bm t (13)
Donde:
Tm p ,t = Proceso no estacionario, esto es, la informació n hidrometeoroló gica

corregida por saltos.
t = Tiempo
p = 1, 2,3…., = Número de años del registro
τ = 1, 2, 3,…, w= Período básico e igual a 365, 52 o 12, según que la serie sea
diario, semanal o anual, respectivamente.
Am , Bm,C m,.. = coeficientes de los polinomios de regresión, que deben ser

estimados con los datos.
a) Cá lculo de los pará metros de la ecuació n de simple regresió n lineal.

Am =T́ −t́ Bm (14)
S tm
Bm=R (15)
St
t T´ m −t´. T´m
R= (16.a)
S t . Stm
Donde:
n n
1
T m= ∑ T = 1 ∑ X ´(t )i
n i=1 mi n i=1
(16.b)
n
1
t́= ∑t (17)
n i=1 i
n
1
t . ´T m= ∑ t .T (18)
n i=1 i mi
Stm=¿ (19)
St =¿ (20)
Donde:
T´m=promedio de las tendencias Tm, o promedio de los datos corregidos

de saltos X´(t).
t́ = promedio del tiempo t.
Stm= desviació n está ndar de la tendencia de la media Tm
St = desviació n está ndar del tiempo.
b) Evaluació n de la tendencia Tm
1. Calculo del estadístico t segú n:

R √ n−2
t c= (21)
√ 1−R2
Donde:
t c= valor del estaditico t calculado.
n = numero de datos
R = coeficiente de correlació n
2. Calculo de t tabular
El valor critico de t, se obtiene de la tabla t de student, con 95% de

probabilidad o con un nivel de significació n del 5% es decir:
GL=n−2
α =0.05
3. Los criterios de aceptación o de rechazo de la hipótesis planteada se establecen

según las condiciones siguientes:
Si:
|T c|≤ T t ( α=95 % ) Aceptar HP (prueba no significativa)
|T c|>T t ( α=95 % ) Aceptar HA (prueba significativa)

En el primer caso, la muestra es consistente, sin saltos ni tendencias; en

cambio en el segundo caso, la tendencia es significativa y entonces se
procede a eliminarla, tal como se explica a continuació n.
Eliminación de la Tendencia en la Media
Si la prueba T del coeficiente de correlació n no es significativa, la muestra no

tiene tendencia en la media, por lo que no se corrige. Pero si en cambo la
prueba resultó significativa, entonces se procede a eliminarlo mediante la
ecuació n (13), de donde se derivan las ecuaciones (22.a).
y p , τ =x p , τ −Tm p , τ (22.a)
También se elimina la tendencia en la media aplicando la ecuació n siguiente:
y p , τ =x p , τ−( A m +B m t ) (22.b)
Donde:
y p , τ = Serie sin tendencia en la media
x p ,τ = Serie de datos analizados
Tm p ,τ = Tendencias en la media
2.2.2.2. Tendencia en la variancia.

La tendencia en la variancia generalmente se presenta en los datos
semanales o mensuales, mas no en los anuales. Esta tendencia, al igual que la
media, puede ser aproximada por la ecuació n polinomial siguiente:
TS p ,τ =A s + Bs +C s t 2 + D s t 3 +¿ … (23)
Donde:
TS p ,τ = Tendencia en la variancia
τ = 1, 2,…, n
n = Longitud del registro en añ os
A s , Bs , C , Ds= Son coeficientes del polinomio de regresió n y se estiman a

partir de los datos de la muestra.
Eliminación de la tendencia en la variancia

Si la prueba de T de tendencia en la variancia es significativa, entonces se

procede a eliminarla mediante la ecuació n siguiente:
y p ,τ
z p ,τ = + T́s p , τ (24)
Ts p ,τ
x p , τ −Tm p , τ
z p ,τ = + T́s p ,τ (25)
Ts p , τ
Donde:
z p ,τ = Serie sin tendencia en la variancia
Tm p ,τ ,Ts p , τ= Son valores constantes para cada intervalo “w” considerado.

Dentro del periodo “w”, los valores son perió dicos.
Consistente al 90% de probabilidad.
2.2.2.3. Limitaciones de las pruebas estadísticas y Bondad de la

información corregida.
 Las distribuciones T y F son deducidas de la distribució n normal

en base al teorema del límite central, en consecuencia estas
pruebas solo son aplicables a muestras con distribució n normal.
 Las pruebas T y F son aplicables a muestras no perió dicas, ya que
la periodicidad puede destruir dichas pruebas. Esto implica que
las pruebas son má s aplicables a datos anuales que a los datos no
anuales (datos estacionales, mensuales, semanales y diarios).
 Las pruebas son vá lidas solamente para datos independientes y
por lo general las series hidroló gicas son independientes.
En consecuencia, los resultados de las pruebas son reales si se aplican a

muestras que tienen distribuciones normales, no perió dicas e
independientes. Sin embargo, para fines prá cticos de la ingeniería
hidroló gica, las pruebas pueden ser empleadas má s allá de los límites de
aplicació n.
2.3. Completación y extensión. (Huamá n, 2013, Hidrología avanzada)
Los procedimientos para efectuar la completació n y extensió n de datos

hidrometeoroló gicos se basan en la aplicació n de técnicas estadísticas y
matemáticas. En todos los casos, debe analizarse la confiabilidad de la
técnica utilizada.
La completació n se refiere a la determinació n de los datos faltantes en la

serie incompleta, mientras que la extensió n es el “alargue” de registros
cortos (menor de 30 añ os de informació n). Para la completació n se usa

preferentemente la regresió n lineal simple que puede ser correlació n
cruzada o autocorrelació n. La correlació n cruzada es un cruce de
informació n y se emplea cuando existe informació n de estaciones vecinas o
se cuenta con informació n de algunas cuencas de cará cter similar a la
analizada. La autocorrelació n, llamada también correlació n seriada o serial,
consiste en correlacionar datos correspondientes al registro de una misma
muestra hidroló gica, considerando un desfase en el tiempo o desfasaje.
Figura 11. Series de tamañ os N1 y N=N1+N2 (fuente: M. Villon, 2002,

Hidrología estadística)
En forma general, el modelo matemá tico más usado para transferir

informació n hidroló gica es el modelo de regresión lineal simple.
yt = a + bxt (26)
Dó nde:
yt = Variable hidroló gica dependiente.

xt = Variable hidroló gica independiente
a y b = Pará metros de la ecuació n.
N 1 ∑ x i y i− ∑ x i ∑ y i
b= 2
N 1 ∑ x2i − ( ∑ x i ) (27)
a = y 1 − b x1 (28)
Dó nde:
N1 = Tamañ o del registro comú n a ambas series o tamañ os del registro corto.
y1 =
∑ yi x1 =
∑ xi
N1 N1
N 1 ∑ xi yi − ∑ xi ∑ yi
r=
2 2
√[ N 1 ∑ x 2i − (∑ x i ) ][ N 1 ∑ y 2i − (∑ y i ) ] (29)
N1
St ( y ) =
√
1
N1 − 1 (∑ (
i=1
y i − y 1) 2 ) (30)
N1
√
St ( x ) =
1
N1− 1 (∑ (
i=1
x i − x1 )2 ) (31)
Dónde:
y1 y x1 = Son los estimados de las medias de los periodos comunes, de

tamaño N1 de las variables yt, xt.
St(y) , St(x) = Son los estimados no sesgados de las desviaciones estándar, de yt

y xt de los períodos comunes de tamaño N1.
r = Coeficiente de correlación.
La ecuación de completación o extensión resulta:

S 1( y )
yt = y 1 + r ( xt − x1 )
S1( x ) (32)
Dó nde:
xt = Serie de registro “largo” de tamañ o N = N1 + N2
N1 = Tamañ o del registro comú n.
N2 = Tamañ o del registro no comú n.
Criterios de confiabilidad.
La ecuació n 32 só lo se podrá usar si hay una correlació n significativa entre

las variables yt y xt, es decir el coeficiente de correlació n r es
estadísticamente significativo con un cierto nivel de confiabilidad, utilizando
el estadístico t, para esto se procede de la siguiente manera.
a) Cá lculo del estadístico Tc, segú n:
r √( N 1 −2)
TC =
√(1 −r2 ) (33)
Dó nde:
Tc = Valor del estadístico T calculado.
N1= Tamañ o del registro comú n de las series.
r = Coeficiente de correlació n.
b) Cá lculo de Tt.
El valor crítico de tt se obtiene de tablas t de Student (tt), para un nivel de

significancia de α = 0.05 y G.L. = N1 – 2.
Ejemplo Supongamos un riesgo del 5% ( o un nivel de confianza del 95% ),

α=0.05, y grados de libertad ν=10. Utilizaremos tα/2=1- α/2 ya que dejamos el
mismo espacio correspondiente a la regió n de rechazo por ambos lados.
¿Cuá l es el valor, pues, de t 0.975, 10 ? Se busca la intersecció n y el resultado es
2.228.
Tabla 04. Valores de T Student tα/2=1- α/2
c) Criterios de decisió n.
Si | Tc | ≤ Tt → r no es significativo, por lo tanto no hay correlació n

significativa.
Si | Tc | > Tt → r es significativo, por lo que sí existe correlació n significativa

entre las variables yt y xt, y se puede usar la expresió n (33).
Si r resulta no significativo se puede aplicar el proceso de autocorrelació n o

probar con otra serie.
3. Periodo de retorno y probabilidad de ocurrencia
3.1. Período de Retorno. (Cahuana, 2009, Hidrología).

El Periodo de Retorno T, se define como el tiempo o lapso promedio entre la
ocurrencia de un evento igual o mayor a una magnitud dada, dicho de otra
forma, es el intervalo de recurrencia promedio para un cierto evento.
Estadísticamente el periodo de retorno es la inversa de la probabilidad de
excedencia, es decir:
1
T= (34)
P (X ≥ x )
O también puede ser representada por la probabilidad de no excedencia
como se muestra a continuació n.
1
T= (35)
1−P(X ≥ x)
Otra forma de definir periodo de retorno T es como sigue:

Considerar por ejemplo la variable “caudal má ximo del añ o, Q max” para n
añ os.
La grá fica correspondiente para una serie de 41 añ os será :
Figura N°12: Caudales diarios má ximos.

La media histó rica de esta serie de 41 añ os resulta 14.9 m 3/s. Ahora

considerar por ejemplo el valor 20 m3/s. Trazar una recta a 20 m 3/s en el
grá fico. Realizar el conteo de añ os transcurridos entre eventos mayores a 20
m3/s: Una vez que se presentó el evento “Q>20 m3/s” en el segundo añ o,
transcurrieron 2 añ os antes de que se volviera a presentar dicho evento.
Luego transcurrieron 5 añ os, luego 2 añ os, etc.
Considerando varias centenas de añ os, el periodo de retorno T será el valor

esperado de esos lapsos de tiempo. Entonces en el ejemplo descrito T puede
ser estimado como sigue:
2+ 5+2+5+6+2+2+1+8+ 5
T= =3.80 años
10
Lo que significa:
Considerando varias centenas de añ os, el valor de 20 m3/s es excedido en

promedio una vez cada 3.8 añ os, es decir, el periodo de retorno del valor de
20 m3/s es de 3.8 añ os.
Con otras palabras, en el transcurso de un añ o cualquier cualquiera se tiene

una probabilidad de uno en 3.8 (1/3.8 o sea 26%) de que Q max sea igual o
mayor a 20 m3/s.
El periodo de retorno a adoptar para el diseñ o de una estructura hidrá ulica

debería ser el resultado del aná lisis costo-beneficio. A mayor periodo de
retorno mayor la obra y en consecuencia má s cara y el beneficio también
podría ser má s grande. Sin embargo la evaluació n de los beneficios es
frecuentemente muy difícil de utilizar, por lo que en la prá ctica se adoptaran
periodos de retorno en base a la prá ctica usual.
En la tabla 05, se muestra periodos de retorno recomendados para el cá lculo

de caudales de diseñ o de estructuras menores.
Tabla 05. Periodo de retorno para estructuras menores.

Fuente: Villon 2002, Hidrología Estadística
También se puede entender el periodo de retorno como un coeficiente de

seguridad que se asigna a las distintas estructuras, a raíz de la falta de
informació n y conocimiento del comportamiento de las variables
hidroló gicas (Precipitació n, Caudales), siendo una medida de seguridad ante
cualquier eventualidad.
Tabla 06. Periodo de retorno para estructuras civiles en general.
Fuente: W. Viessman, J. W. Knapp, G. L. Lewis y T. E. Harbaugh, 1977
Se dan a conocer otras tablas presentando periodos de retornos

recomendados para diferentes tipos de estructuras civiles: La tabla 06 es de
cará cter general e incluye diversas obras, la tabla 07 es exclusivo para obras
hidrá ulicas en carreteras, la tabla 08 está en funció n al tipo de á rea a
proteger y la tabla 09 en para el diseñ o de vertederos de embalses.
Tabla 07. Periodo de retorno para obras hidrá ulicas en carreteras

Fuente: Campos Aranda, 1987.
Tabla 08. Periodo de retorno segú n á reas a proteger
Fuente: E. Mosonyi y W. Buck, 1977

Tabla 09. Periodo de retorno para el diseñ o de vertederos en embalses.
Fuente: Campos Aranda, 1987

Para una visió n un poco mayor se presenta tablas de periodos de retorno de
una mayor cantidad de obras hidrá ulicas en el anexo 01 del presente
documento.
2.3.2.- Riesgo de fallo.
Por lo comú n el ingeniero diseñ a una obra para resistir una avenida de cierta
magnitud.
Se define el riesgo de fallo R de un diseñ o como la probabilidad de que la

avenida para la cual se diseñ a la obra sea excedida en el transcurso de N
añ os, esto es considerado como una situació n de riesgo, pues la obra se
diseñ a para soportar cierta avenida má xima, y crecientes mayores podrían
hacerle dañ o o incluso destruirla, poniendo en riesgo vidas humanas e
infraestructuras que está n aguas abajo.
De forma má s sencilla se entiende por riesgo de fallo a la probabilidad de que

un evento con un periodo de retorno de T añ os ocurra al menos una vez en N
añ os.
El riesgo de fallo se puede escribir como:
R=P ( X ≥ x al menos una vez en N años ) =1−1−P( X ≥ x )N

1 N
R=P ( X ≥ x al menos una vez en N años ) =1− 1−
T( )
Donde:
T= Periodo de Retorno
N= Añ os
P(X ≥ x)= Probabilidad de excedencia
R = Riesgo de fallo o probabilidad de que un evento con periodo de
retorno T añ os ocurra al menos una vez en N añ os.
De la misma manera se puede definir la confiabilidad que viene a ser el

complemento del riesgo de fallo, que se define como la probabilidad de que
un evento con periodo de retorno de T añ os no ocurra en N añ os, la
confiabilidad se puede expresar de la siguiente manera:
N
P ( X < x cada año durante N años ) =1−P ( X ≥ x )
1 N
P X < x cada año durante N años =1− 1−
( ) ( T ) =F ( x )N
También es posible calcular el periodo de retorno a partir del riesgo de fallo

y del nú mero de añ os de vida ú til, como sigue a continuació n:
1
T=
ln1−R (36)
1−exp ⁡ (N )
Figura 13. Riesgo de por lo menos una excedencia del evento de diseñ o durante
la vida ú til
Fuente: Ven te Chow, Hidrología Aplicada
Tabla 10. Valores de Período de Retorno T (Añ os)
Fuente: MONSALVE, 1999.
De acuerdo a los valores presentados en la tabla 10 se recomienda utilizar

como má ximo, los siguientes valores de riesgo admisible de obras de
drenaje:
Tabla 11. Valores má ximos recomendados

De riesgo admisible de obras de drenaje.
(*)
 Para obtenció n de la luz y nivel de aguas má ximas extraordinarias.
 Se recomienda un período de retorno T de 500 añ os para el cá lculo de
socavació n.
(**)
Vida Útil considerado (n)
• Puentes y Defensas Ribereñ as n= 40 añ os.
• Alcantarillas de quebradas importantes n= 25 añ os.
• Alcantarillas de quebradas menores n= 15 añ os.
• Drenaje de plataforma y Sub-drenes n= 15 añ os.
 Se tendrá en cuenta, la importancia y la vida ú til de la obra a diseñ arse.

 El Propietario de una Obra es el que define el riesgo admisible de falla y la
vida ú til de las obras.
3.2. Probabilidad de ocurrencia. (Hidrología I. Segerer y Villodas, 2007,

p230-232).
Este valor promedio debe realizarse sobre un nú mero de ocurrencias

suficientemente grande.
Para relacionar la probabilidad p=P ( X ≥ x ) de ocurrencia del evento ( X ≥ x ) en

cualquier observació n, con el periodo de retorno, efectuando el siguiente
razonamiento: para cada observació n existen dos resultados posibles:
 É xito X ≥ xT probabilidad = p
 Falla X < xT probabilidad = 1-p
Debido a que las observaciones son independientes, la probabilidad de un

intervalo de recurrencia de duració n “t” es el producto de las probabilidades
de (t-1) fallas seguidas por un éxito, es decir “ ( 1− p )t −1” y el valor esperado

para “t” estará dado por:
∞
t−1
Tr=E ( t )=∑ t∗¿ (1− p ) ∗p ¿ (37)
t =1
Que desarrollando en serie de potencia y simplificando es igual a:
p 1
Tr=E ( t )= = (38)
[ 1−(1− p) ]
2
p
Es decir que la probabilidad de ocurrencia de un evento en cualquier

observació n de la variable es la inversa del periodo de retorno:
1
P ( X ≥ x T )= p= (39)
Tr
Si desea determinar cuá l es la probabilidad de que un evento con periodo de

retorno de Tr añ os ocurra al menos una vez en N añ os, primero se debe
calcular su complemento, o sea, la situació n en la que ningú n evento con un
periodo de recurrencia Tr añ os ocurra en N añ os.
Para ello debemos calcular la probabilidad de ocurrencia de una secuencia

de N “fallas” sucesivas, es decir:
P ( X < x T ) =( 1− p ) N (40)
De esta manera, la probabilidad de que un evento de un periodo de retorno

Tr añ os ocurra 1 vez en N añ os sería:
P ( X ≥ x T )=1−( 1− p )N (41)
N
1
P ( X ≥ x T )=1− 1− ( Tr ) (42)
3.3. Valor límite estimado (VLE) (Huamá n,2013, Hidrología Avanzada)

Má xima magnitud posible de un evento hidroló gico en un lugar dado
utilizando la mejor informació n hidroló gica disponible. Este concepto está
implícito en la precipitació n má xima probable y la correspondiente creciente
má xima probable.
La precipitació n má xima probable (PMP) se define como una cantidad de
precipitació n que es cercana al límite físico superior para una duració n dada
sobre una cuenca particular.
4. Modelos probabilísticos de eventos máximos. (M.T.C-Manual de

hidrología, p 25-30)
4.1. Modelos de distribución
El aná lisis de frecuencias tiene la finalidad de estimar precipitaciones,

intensidades o caudales má ximos, segú n sea el caso, para diferentes períodos
de retorno, mediante la aplicació n de modelos probabilísticos, los cuales
pueden ser discretos o continuos.
En la estadística existen diversas funciones de distribució n de probabilidad

teó ricas; recomendá ndose utilizar las siguientes funciones:
i. Distribució n Normal
ii. Distribució n Log Normal 2 pará metros
iii. Distribució n Log Normal 3 pará metros
iv. Distribució n Gamma 2 pará metros
v. Distribució n Gamma 3 pará metros
vi. Distribució n Log Pearson tipo III
vii. Distribució n Gumbel
viii. Distribució n Log Gumbel
4.1.1. Distribución Normal
La funció n de densidad de probabilidad normal se define como:

2
−1 x−μ
1 2 ( )
s
(43)
f ( x )= e
S √ (2 π )
Donde:
f ( x )= Funció n densidad normal de la variable x
x = Variable independiente
μ= Pará metro de localizació n, igual a la media aritmética de x
S= Pará metro de escala, igual a la desviació n está ndar de x
4.1.2. Distribución Log Normal 2 Parámetros

La funció n de distribució n de probabilidad es:

2
− ( x− X )
P ( x ≤ x i) =
1
xi
e
( 2S
2 ) dx (44)
∫
S √( 2 π ) −∞
Donde:
Donde X y S son los pará metros de la distribució n.
Si la variable x de la ecuació n (44) se reemplaza por una funció n y=f (x ), tal

que y=log ⁡( x ), la funció n puede normalizarse, transformá ndose en una ley
de probabilidades denominada log- normal, N(Y, SY). Los valores originales
de la variable aleatoria x 1 deben ser transformados a y=log ⁡( x ), de tal
manera que:
n
Ý =∑ log xi /n (45)
i=1
Donde Ý es la media de los datos de la muestra transformada.
Sy=
√ ∑ ( yi −Ý )2
i=1
n−1
Donde S y es la desviació n está ndar de los datos de la muestra transformada.

(46)
Asimismo; se tiene las siguientes relaciones:
Cs=a/ S3 y (47)
n
n 3
a= ∑ ( y i −Ý ) (48)
(n−1)(n−2) i=1
Donde Cs es el coeficiente de oblicuidad de los datos de la muestra

transformada. (Monsalve, 1999).
4.1.3. Distribución Log Normal 3 Parámetros
La funció n de densidad de x es:
1
f ( x )= e−1 /2 ¿¿ (49)
( x −x0 ) √ ( 2 π ) Sy
Para: x > x 0
Donde:
x 0= Pará metro de posició n
μ y = Pará metro de escala o media
S y 2= Pará metro de forma o varianza
4.1.4. Distribución Gamma 2 Parámetros
La funció n de densidad es:

−x
γ −1 β
x e (50)
f ( x )=
βγ Γ ( γ )
Vá lido para:
0 ≤ x< ∞
0< γ < ∞
0< β < ∞
Donde:
γ = Pará metro de forma
β = Pará metro de escala
4.1.5. Distribución Gamma 3 Parámetros

−(x−x 0)
( x −x0 )γ −1 e β
(51)
f ( x )= γ
β Γ (γ )
Vá lido para:
x 0 ≤ x <∞
−∞ ¿ x0 < ∞
0< β < ∞
0< γ < ∞
Donde:
x 0= Origen de la variable x, pará metro de posició n
γ = Pará metro de forma
β = Pará metro de escala
4.1.6. Distribución Log Pearson Tipo III

( lnx−x 0 )
γ−1 β
(lnx−x 0) e (52)
f ( x )= γ
x β Γ (γ )
Vá lido para:
x 0 ≤ x <∞
−∞ ¿ x0 < ∞
0< β < ∞
0< γ < ∞
Donde:
x 0= Origen de la variable x, pará metro de posició n.
γ = Pará metro de forma.
β = Pará metro de escala.
4.1.7. Distribución Gumbel
La distribució n de Valores Tipo I conocida como Distribució n Gumbel o

Doble Exponencial, tiene como funció n de distribució n de probabilidades la
siguiente expresió n:
−a( x−β)
F ( X )=e−e (53)
Utilizando el método de momentos, se obtienen las siguientes relaciones:

1.2825
a=
σ
β=μ−0.45 σ
Donde:
a = Pará metro de concentració n
β = Pará metro de localizació n
Segú n Ven Te Chow, la distribució n puede expresarse de la siguiente forma:
x=x́ +k σ x (54)
Donde:
x = Valor con una probabilidad dada
x́ = Media de la serie
k = Factor de frecuencia
4.1.8. Distribución Log Gumbel
La variable aleatoria reducida log gumbel, se define como:
lnx−μ
y= (55)
α
Con lo cual, la funció n acumulada reducida log gumbel es:

−y
G ( y )=e−e (56)
4.2.Análisis de las tormentas.
4.2.1. La Intensidad
Que es la cantidad de agua caída por unidad de tiempo. Lo que interesa

particularmente de cada tormenta es la intensidad má xima que se haya
presentado. Es decir, la altura má xima de agua caída por unidad de tiempo.
De acuerdo a esto la intensidad se expresa de la siguiente manera:
Intensidad má xima: Se considera que la intensidad má xima es la relació n im

= dP/dt, entonces esta intensidad má xima depende de la magnitud de dt: A
mayor período de duració n, menor intensidad por unidad de tiempo e
inversamente a menor período de duració n mayor intensidad. Las lluvias
que ocasionan la descarga má xima a una cuenca son aquellas cuya duració n
es igual al tiempo de concentració n.
4.2.2. La Duración
Corresponde al tiempo que transcurre entre el comienzo y el fin de la

tormenta. Aquí conviene definir el período de duració n, que es un
determinado período de tiempo tomado en minutos u horas, dentro del total
que dura la tormenta. Tiene mucha importancia en la determinació n de las
intensidades má ximas como veremos más adelante. Ambos pará metros se
obtienen de un pluviograma o banda pluviográ fica, tal como se muestra en la
figura 4.12
Figura 14. Ejemplo de una banda pluviográ fica
4.2.3. La Frecuencia
Es el nú mero de veces que se repite una tormenta de características de

intensidad y duració n definidas en un período de tiempo más o menos largo,
tomado generalmente en añ os. Así, se puede decir por ejemplo que; para tal
localidad puede presentarse una tormenta de intensidad má xima igual a 56
mm/h con una duració n de 30 minutos cada 10 añ os.
Ejemplo del análisis de una tormenta registrada por un pluviograma
a) Identificació n de los puntos de cambio de intensidad; Marcar en el

pluviograma los puntos correspondientes a los momentos en que la
intensidad ha cambiado, que se reconoce por el cambio en la pendiente de la
línea que marca la precipitació n, o sea que la línea es má s o menos inclinada
de acuerdo a un aumento o disminució n de la intensidad.
b) Tabulació n; Ya identificados los puntos de interés segú n se explica en el

punto anterior; se procede a tabular la informació n segú n se aprecia en la
tabla 12 y en el que se indica:
- Hora, Corresponde a la hora (indicada en el pluvió grafo en abscisas) en que

la precipitació n cambia de intensidad.
- Lluvia acumulada, Corresponde a la lluvia registrada en las ordenadas del

pluviograma. Tener en cuenta el vaciado del sifó n, sumando 10 mm cada vez
que se produce.
- Intervalo de tiempo o tiempo parcial, Es el tiempo que ha transcurrido

entre estos cambios de intensidad, se expresa en minutos.
- Tiempo acumulado, Es la suma sucesiva de los tiempos parciales de la

columna anterior.
- Intensidad, Se obtiene por el cociente entre lluvia parcial y tiempo parcial.
Tabla 12. Análisis de tormenta

c) Cá lculo de la intensidad má xima para períodos de duració n diferentes, En

la tabla descrita y en la figura correspondiente puede verse claramente que
la intensidad varía durante el transcurso de la tormenta. Así por ejemplo,
entre las 12:00 y 12:50, es decir en 50 minutos cayeron 8,5 mm de lluvia, en
una hora hubieran caído 10,2 mm; entonces decimos que la intensidad
durante estos 50 minutos fue de 10,2 mm/h. Entre las 12:50 y 2:00 (70
minutos) cayeron 10 mm de lluvia, lo que quiere decir que en una hora han
caído 8,57 mm, se dirá que la intensidad durante este intervalo fue de 8,57
mm/h.
Lo que nos interesa es determinar, para esta tormenta, las intensidades

má ximas para determinados períodos de duració n sea por ejemplo 5, 10, 30,
60, 120, 240 minutos; dentro del tiempo total de duració n de la tormenta.
Aquí vemos que la intensidad má xima es de 10,2 mm/h y que esta intensidad
duró 50 minutos.
Luego, la intensidad má xima para 5 ó 10 ó 30 es de 10,2 mm/h. Para calcular

la intensidad má xima correspondiente a 60 minutos realicemos el siguiente
razonamiento:
- Durante 50 minutos, la intensidad má xima fue de 10.2 mm/h.

- Para 60 minutos nos faltan 10 minutos; entonces, hay que buscar antes o
después del período de 50 minutos, la intensidad má xima inmediata inferior
a 10,2 mm/h, vemos que en este caso es 8,6 mm/h; entonces podemos
establecer las siguientes relaciones: 50/60 corresponden a una intensidad
má xima de 10,2 mm/h.10/60 corresponden a una intensidad má xima de 8,6
mm/h.
Para buscar la intensidad má xima correspondiente a 120 minutos se procede

de la misma manera y tendremos:
- Durante 50 minutos la intensidad má xima fue de 10,2 mm/h.
- Para 120 minutos nos faltan 70 minutos.
- Vemos que durante los 70 minutos siguientes precisamente se tuvo la

intensidad má xima inmediata inferior correspondiente a 8,6 mm/h.
Tabla 13. Resultado de intensidades.

Análisis de frecuencias de las tormentas
Ya se ha visto como se procede para calcular la intensidad y duració n de las

tormentas; ahora se determinará la frecuencia con que una determinada
tormenta se puede repetir en el tiempo. Para esto, se procede a analizar las 2,
3 ó 4 tormentas mayores (mm) de cada añ o registradas en una localidad
siguiendo el procedimiento ya explicado. Es decir, que para cada una de esas
tormentas se determina la intensidad má xima en diferentes períodos de
duració n.
Estos resultados se tabulan en orden cronoló gico como se puede ver en la

tabla 13 donde por comodidad só lo se han consignado las intensidades
má ximas correspondientes a los períodos de duració n de 10, 30, 60 y 120
minutos.
A partir de cada añ o se toma de la tabla la intensidad má xima para cada una

de las cuatro duraciones, obteniendo una nueva tabla de 30 registros para
cada duració n. Para determinar la frecuencia, el siguiente paso es ordenar de
manera decreciente, e independientemente de la duració n, los valores de las
intensidades má ximas correspondientes a cada duració n. Se obtiene
entonces la tabla 13 donde pueden verse las intensidades má ximas de 10, 30,
60 y 120 minutos con indicació n de su frecuencia, que se calcula de acuerdo
a la siguiente relació n:
De la misma manera el período de retorno (Tr) será la inversa de la

frecuencia. Así, para 10 minutos de duració n, el primer valor o valor má s alto
es 116 mm/h; entonces decimos que una precipitació n de esa intensidad
tiene una frecuencia de 3,22 %, es decir, que en el transcurso de 100 añ os
será igualada o superada só lo tres veces en promedio y que su período de

retorno es 31 añ os.
Por otra parte, la segunda magnitud 113 mm/h tiene una frecuencia de
6,44% lo que significa que en el período de 100 añ os será igualada o
superada solamente 6 veces en promedio, con un Tr de 16 añ os. Ademá s se
observa que a mayor magnitud del intervalo de duració n menor es la
intensidad.
CURVAS INTENSIDAD - DURACIÓN – FRECUENCIA
Los valores consignados en el cuadro anterior dan los elementos de juicio

bá sicos para la realizació n de cá lculos previos al diseñ o de obras de
ingeniería hidrá ulica. Por eso conviene representar estos valores en otras
formas má s manejables y de más fá cil lectura, con el fin de poder interpolar
valores que no se encuentren en la tabla.
Mediante la construcció n de grá ficos llamados familias de curvas de

duración-intensidad frecuencia como pueden verse en la figura 4.5
Figura 15. Curvas de Intensidad, Duració n y frecuencia
Este grá fico nos permite saber, por ejemplo, cuá l será el valor de la
intensidad má xima para 45 ó 90 minutos de período de referencia que se
presente con una frecuencia de cada añ o o cada 10 añ os, o cada cualquier
otro período de tiempo.
ANEXO 01.
Recuperado de: sitio web de la Universidad de Sonora de México.
http://clima.dicym.uson.mx/paglabhidra/ARCHIVOS/DENNIS/Periodos%20de
%20Retorno.pdf

M 02. Obtencion y Tratamiento de Inf Hidrologica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

M 02. Obtencion y Tratamiento de Inf Hidrologica

Cargado por

Copyright:

Formatos disponibles

M-01: INTRODUCCIÓ N A LA HIDROLOGÍA Ing. César Terá n Guevara.

“HIDROLOGÍA PARA OBRAS

MÓDULO 02: TRATAMIENTO DE DATOS HIDROLÓGICOS.

CÉSAR TERÁN GUEVARA

1. Recolección de datos hidrometeorológicos. (Fattorelli, 2011, Diseñ o

1.1. Datos hidrometeorológicos

Existen varios tipos de datos usados en la hidrología:

 Datos histó ricos de eventos naturales registrados cronoló gicamente

1.2. Calidad, homogeneidad y consistencia de los datos

Los datos hidroló gicos deben ser independientes, homogéneos y lo más

 En el sensor (error del registro del dato in situ)

Dentro de los errores, se consideran errores al azar y errores sistemáticos.

Otro tipo de datos a tener en cuenta son los no homogéneos o datos

En los registros sistemá ticos de caudales ante cualquier situació n de no

1.3. Definiciones básicas de datos hidrometeorológicos. (Huamá n, 2013,

1.3.1. Variables aleatorias.

1.3.2. Series de Tiempo.

Una serie de tiempo se define, en hidrología, como la magnitud de un evento

intervalo discreto de 1 día, o caudales instantá neos registrados en forma

Las series de tiempo en hidrología pueden ser series de duració n completa,

En la selecció n de eventos en una serie de duració n parcial, se debe tener

1.3.3. Terminología relacionada a la temperatura.

La temperatura es uno de los pará metros climatoló gicos má s utilizados ya

 Temperatura mínima diaria: Es la má s baja del día.

 Temperatura mínima absoluta mensual: Es la má s baja observada

1.4. Terminología relacionada a datos de precipitación

El pará metro má s importante de los modelos hidroló gicos es la

 Precipitació n má xima en 24 horas. Es la precipitació n más alta de

2.1. Datos promedio. (Cahuana, 2009, Hidrología)

2.1.1. Precipitación media por polígonos de Thiessen.

El procedimiento para el cá lculo es el siguiente:

 Se unen los pluvió metros adyacentes con líneas rectas.

La lluvia media se calcula entonces como un promedio pesado de las

Figura 01. : Á rea para cada estació n en el método de Polígono de Thiessen.

En el manejo de estaciones meteoroló gicas muchas veces se presentan

Ejemplo. Determinar la precipitació n media por el método de los polígonos

Figura 02. Polígonos de Thiessen.

Tabla 01. Ejemplo de cá lculo de polígonos de Thiessen.

2.1.2. Isoyetas. Es el método más exacto para promediar la

Este método consiste en trazar curvas de igual precipitació n para un periodo

Para trazar las isoyetas, se recomienda superponer la cuenca a un mapa con

Ejemplo. Determinar la precipitació n media de la cuenca en estudio por el

Figura 03. Isoyetas sobre una cuenca.

Tabla 02. Ejemplo de cá lculo de isoyetas.

2.1.3. Distribución espacial en SIG (GRADS, ARC GIS, TETIS, ETC).

Cuando los datos que necesitamos son espaciales, entonces necesariamente

Figura 04. Grá fico de temperatura distribuida.

Figura 05. Temperatura en corte vertical.

Figura 06. Precipitació n espacial.

En las figuras 04, 05 y 06 se muestra una distribució n espacial trabajada con

2.1.4. Interpolación al centroide.

Figura 07. Ejemplo de grá fica de ajuste de temperatura con la altitud.

2.2. Análisis de consistencia de una muestra hidrológica (Ortiz,

Luego de recopilada la informació n es necesario analizar su consistencia,

Buena parte de la hidrología está basada en el aná lisis de series temporales

Figura 08. Flujograma para el tratamiento de la informació n

En la figura 08 se muestra un flujograma donde se muestra el procedimiento

Los datos hidrometereoló gicos pueden corresponder a cualquier serie

La no homogeneidad e inconsistencia de las series hidroló gicas constituye

La inconsistencia se debe a errores sistemá ticos y se presentan en forma de

La no homogeneidad se refiere a los cambios de los datos vírgenes con el

Los errores aleatorios, se deben a la inexactitud de las mediciones y

El aná lisis de la informació n hidrometereoló gica se realiza en las