,

1
Edwin Charapaqui Sedano

Distribuciones Teóricas
Índice

1. DISTRIBUCIONES TEÓRICAS 2
1.1. Distribución normal o gausssiana . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 3
1.1.3. Cálculo de la función de distribución acumulada . . . . . . . . . . . 3
1.1.4. Cálculo de la inversa de la distribución Normal estándar . . . . . . 3
1.1.5. Estimacion de parámetros, método de máxima verosimilitud . . . . 4
1.2. Distribución log-normal de 2 parámetros . . . . . . . . . . . . . . . . . . . 4
1.2.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 5
1.2.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 5
1.3. Distribución log-normal 3 parámetros . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 6
1.3.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 6
1.3.4. Sistema de ecuaciones no lineales . . . . . . . . . . . . . . . . . . . 6
1.3.5. Metodo de Newton Raphson . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Distribución gamma de 2 parámetros . . . . . . . . . . . . . . . . . . . . . 7
1.4.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 8
1.4.3. Cálculo de la inversa de la distribución gamma de 2 parámetros . . 8
1.4.4. Estimacion de parámetros, método de máxima verosimilitud . . . . 9
1.5. Distribución gamma de 3 parámetros o Pearsón tipo III . . . . . . . . . . . 9
1.5.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 10
1.5.3. Estimacion de parámetros, método de máxima verosimilitud . . . . 10
1.6. Distribución log-Pearson tipo III . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6.1. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6.2. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 11
1.7. Distribución Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 11
1.7.2. Función de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.3. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . . . . 12
1.8. Distribución log-Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8.1. Función de distribución acumulada . . . . . . . . . . . . . . . . . . 12
1.8.2. Variable reducida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8.3. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . . . . 13
1.9. Ejemplos de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1. DISTRIBUCIONES TEÓRICAS

1.1. Distribución normal o gausssiana

1.1.1. Función de Densidad

Se dice que una variable aleatoria x,tiene una distribución normal si su función de
densidad es:  2
1 x−µ
1 −
f (x) = √ e 2 σ (1)
2πσ
donde:
f (x) = función de densidad normal de la variable x
x = variable independiente
µ = parámetro de localización, igual a la media aritmética de los datos x.
σ = parámetro de escala, igual a la desviación estandar de los datos x.
si :

x−µ
z= (2)
σ
La función de densidad de z , se llama función densidad de la distribución normal estándar
y tiene la siguiente expresión:

z2
1 −
f (z) = √ e 2 (3)
2π
para −∞ < z < ∞
Los valores de f (x) o f (z), pueden ser facilmente evaluados para un valor dado de x o de
z por las ecuaciones (1) y (3) respectivamente el gráco de la función de densidad de la
distribución normal estandar se muestra en la gura.

gura 1 : Función de densidad de probabilidad para la distribución normal estandar

Una característica fundamental de la distribución normal es que tiene µz = 0 y σz2 = 1

2
1.1.2. Función de distribución acumulada

La función de distribución acumulada de la distribución normal es la integral de la

ecuación (1) o la ecuación (3) de la siguiente manera:

 2
1 x−µ
Z x
1 −
F (x) = √ e 2 σ dx (4)
−∞ 2πσ
ó
z
z2
1 −
Z
F (z) = √ e 2 dz (5)
−∞ 2π
esta función de distribución, tiene las siguientes propiedades:

F (−∞) = 0

F (µ) = 0,5

F (+∞) = 1

1.1.3. Cálculo de la función de distribución acumulada

Existe tablas, para el cálculo de la distribución acumulada de la distribución Normal,

sin embargo para realizar cálculos computacionales, se utilizara funciones de aproximación,
en este caso elegimos el modelo de Masting(1955), esta aproximacion a utilizado la IBM
−8
(1968),con un error menor que 7,5 x 10 y tiene la siguiente expresión:

F (z) = 1 − f (z)(b1 t + b2 t2 + b3 t3 + b4 t4 + b5 t5 ) (6)

donde para z≥0 ,se tiene :

1
t= (7)
1 + 0,2316419|z|

b1 = 0,319381530
b2 = −0,356563782
b3 = 1,781477937
b4 = −1,821255978
b5 = 1,330274429

si z<0 la funcion de distribución acumulada, se calcula de la siguiente manera:

1 − F (z)

1.1.4. Cálculo de la inversa de la distribución Normal estándar

En este caso F (z) viene a ser una constante, entonces de la ecuación (6) se tiene:

E(z) = f (z)(b1 t + b2 t2 + b3 t3 + b4 t4 + b5 t5 ) + F (z) − 1 = 0 (8)

que es una ecuación en la variable z. Para resolver, utilizamos el metodo de Newton-

Raphson que es de la siguiente manera:

E(z)
zi+1 = zi − (9)
E 0 (z)

3
siendo:

E 0 (z) = (b1 t+b2 t2 +b3 t3 +b4 t4 +b5 t5 )f 0 (z)+f (z)(b1 +2b2 t+3b3 t2 +4b4 t3 +5b5 t4 )t0 (z) (10)

z z2
f 0 (z) = − √ e− 2 (11)
2πσy
t0 (z) = −0,2316419(1 + 0,2316419|z|)−2 (12)

1.1.5. Estimacion de parámetros, método de máxima verosimilitud

Para estimar los parámetros de la distribución teórica en este caso se utiliza el método
de máxima verosimilitud y es como se muestra a continuacion:

N
1 X
µ= xi (13)
N i=1

1
" N
#
1 X 2
σ= (xi − µ)2 (14)
N −1 i=1

donde:
µ =es el parámetro de la media, llamado también parámetro de posición
σ =es el estimado insesgado de la desviación estandar o parámetro de escala

1.2. Distribución log-normal de 2 parámetros

1.2.1. Función de Densidad

Se dice que una variable aleatoria x, tiene una distribución log-normal de 2 parámetros
si su función de densidad es:
 2
1 ln(x) − µy
1 −
f (x) = √ e 2 σy (15)
2πσy

donde:
µy = media de los logaritmos naturales de x, y representa el parámetro de escala.
σy = desviación estándar de los logaritmos naturales de x, y representa el parámetro de
forma.
si :

y = ln(x) (16)

Reemplazando la ecuación (16) en la ecuación (15) se tiene la siguiente expresión:

 2
1 y − µy
1 −
f (y) = √ e 2 σy (17)
2πσy
para −∞ < z < ∞

4
1.2.2. Función de distribución acumulada

La función de distribución acumulada de la distribución log-normal de 2 parámetros

es la integral de la ecuación (15) o la ecuación (17) de la siguiente manera:

 2
1 ln(x) − µy
Z x
1 −
F (x) = √ e 2 σy dx (18)
−∞ 2πσy

ó  2
1 y − µy
Z y
1 −
F (y) = √ e 2 σy dy (19)
−∞ 2πσy
si:
y − µy ln(x) − µy
z= =
σy σy
se obtiene la distribución normal estandar:

z
z2
1 −
Z
F (y) = √ e 2 dz (20)
−∞ 2π

1.2.3. Estimacion de parámetros, método de máxima verosimilitud

Se tiene las siguientes expresiones:

n
1X
µy = ln(xi ) (21)
n i=1

" n
#1
1 X
2
2
σy = (ln(xi ) − µy ) (22)
n i=1

1.3. Distribución log-normal 3 parámetros

1.3.1. Función de Densidad

Se dice que una variable aleatoria x, tiene una distribución log-normal de 3 parámetros
si su función de densidad es:
 2
1 ln(x − x0 ) − µy
1 −
f (x) = √ e 2 σy (23)
(x − x0 ) 2πσy

donde:
x0 : parámetro de posición en el dominio x
µy : parámetro de escala en el dominio de x
σy : parámetro de forma en el dominio de x

5
1.3.2. Función de distribución acumulada

La función de distribución acumulada de la distribución log-normal de 3 parámetros

es la integral de la ecuación (23), de la siguiente manera:

 2
1 ln(x − x0 ) − µy
Z z
1 −
F (z) = √ e 2 σy dz (24)
−∞ (x − x0 ) 2πσy

si:
ln(x − x0 ) − µy
z= (25)
σy
se tiene la siguiente expresión:

z
z2
1 −
Z
F (z) = √ e 2 dz
−∞ 2π
que es la función de distribución acumulada para la distribución normal.

1.3.3. Estimacion de parámetros, método de máxima verosimilitud

Los parametros de la distribución log-normal 3 parámetros, estimados por el método

de máxima verosimilitud son:

N
1 X
µy = ln(xi − x0 ) (26)
N i=1

1
" N
#
1 X 2
σy = (ln(xi − x0 ) − µy )2 (27)
N i=1
N N
X ln(xi − x0 )
X 1
(σy2 − µy ) + =0 (28)
i=1
xi − x0 i=1
xi − x0

1.3.4. Sistema de ecuaciones no lineales

Consiste en obtener la raices de un conjunto de ecuaciones no lineales

f1 (x1 , x2 , x3 ...xn ) = 0

f2 (x1 , x2 , x3 ...xn ) = 0
.
.
.

fn (x1 , x2 , x3 ...xn ) = 0

6
1.3.5. Metodo de Newton Raphson

Esta basado en la expansion de la serie de Taylor

f (xi+1 ) = f (i) + (xi+1 − xi )f 0 (xi )

donde: xi es el valor inicial de la raíz

f (xi )
xi+1 = xi −
f 0 (xi )
para un sistema no lineal

dµi dµi
µi+1 = µi + (xi+1 ) + (yi+1 )
dx dy
dvi dvi
vi+1 = vi + (xi+1 ) + (yi+1 )
dx dy
Generalizando con : µi+1 − µi = −fi
∂f1 ∂f1 ∂f1
−f1 = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
∂f2 ∂f2 ∂f2
−f2 = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
.
.
.
∂fn ∂fn ∂fn
−fn = (xi+1 − xi ) + (yi+1 − yi ) + ... + (Zi+1 − zi )
∂x ∂y ∂z
expresando matricialmente se tiene:

 
∂f1 ∂f1 ∂f1
...
∂x ∂y ∂z    
 xi+1 − xi −f1

∂f2 ∂f2 ∂f2

...   yi+1 − yi   −f2 
 

A=
 . ∂x ∂y ∂z  .
  ..  =  ..
  

 .. . .   .
. . 
. .

∂fn  yi+1 − yi −f2
 
 ∂fn ∂fn
...
∂x ∂y ∂z

1.4. Distribución gamma de 2 parámetros

1.4.1. Función de Densidad

Se dice que una variable aleatoria x, tiene una distribución gamma de 2 parámetros si
su función de densidad de probabilidad es:

x
−
xγ−1 e β
f (x) = γ (29)
β Γ(γ)
para:
0≤x<∞
0<γ<∞
0<β<∞
siendo:

7
γ =parámetro de forma(+)
β =parámetro de escala(+)
Γ(γ) =función gamma completa, denida como:

Z ∞
Γ(γ) = xγ−1 e−x dx (30)
0

que converge si γ>0

1.4.2. Función de distribución acumulada

La función de distribución acumuladade la distribución gamma de 2 parámetros es la

integral de la ecuación (29), de la siguiente manera:

x
−
x
xγ−1 e β
Z
F (x) = dx (31)
0 β γ Γ(γ)

la variable aleatoria reducida gamma de 2 parámetros, esta dada por:

x
y= (32)
β

la cual reduce la función de densidad de probabilidad a la siguiente expresión

y γ−1 e−y
g(y) = (33)
Γ(γ)

y la función de distribución acumulada es:

y
y γ−1 e−y
Z
G(y) = dy (34)
0 Γ(γ)

Para la solución de la integral de la distribución gamma reducida se puede obtener por el

desarrollo de la serie:

e−y y γ y γ+1 y γ+n−1

 
G(y) = + + ... + (35)
Γ(γ) γ γ(γ + 1) γ(γ + 1)...(γ + n − 1)

1.4.3. Cálculo de la inversa de la distribución gamma de 2 parámetros

De la ecuación (35) se tiene:

e−y y γ y γ+1 y γ+n−1

 
E(y) = + + ... + − G(y) (36)
Γ(γ) γ γ(γ + 1) γ(γ + 1)...(γ + n − 1)

cálculo de la derivada de E(y) con respecto a y

yγ y γ+1 y γ+n−2 y γ+n−1 e−y

 
0
E (y) = + + ... + + (− )+
γ γ(γ + 1) γ(γ + 1)...(γ + n − 2) γ(γ + 1)...(γ + n − 1) Γ(γ)

e−y yγ y γ+1 y γ+n−2

 
γ−1
( ) y + + + ... +
Γ(γ) γ γ(γ + 1) γ(γ + 1)...(γ + n − 2)

8
como:
 

0
 yγ y γ+1 y γ+n−2 y γ+n−1  e−y
E (y) =  + + ... + + (− )+
 
γ γ(γ + 1) γ(γ + 1)...(γ + n − 2) γ(γ + 1)...(γ + n − 1)  Γ(γ)
| {z }
S
 

e−y  γ−1 y γ y γ+1 y γ+n−2 

( )y + + + ... +

Γ(γ)  γ γ(γ + 1) γ(γ + 1)...(γ + n − 2) 

| {z }
S
luego efectuando tenemos:

e−y γ−1 y γ+n−1

 
0
E (y) = y + (37)
Γ(γ) γ(γ + 1)...(γ + n − 1)

luego:
E(y)
yi+1 = yi − (38)
E 0 (y)

1.4.4. Estimacion de parámetros, método de máxima verosimilitud

En (1960) Greenwood Durand, presentan las siguientes relaciones aproximadas:

para:
0 ≤ y ≤ 0,5772

0,5000876 + 0,1648852y − 0,0544274y 2

γ= (39)
y

y para:
0,5772 < y ≤ 17

8,898919 + 9,05995y + 0,9775373y 2

γ= (40)
y(17,79728 + 11,968477y + y 2 )

donde:

¯
y = ln(x̄) − ln(x) (41)

siendo :
x̄
β= (42)
γ

1.5. Distribución gamma de 3 parámetros o Pearsón tipo III

1.5.1. Función de Densidad

Se dice que una variable aleatoria x, tiene una distribución gamma de 3 parámetros si
su función de densidad de probabilidad es:

(x − x0 )
−
(x − x0 )γ−1 e β
f (x) = (43)
β γ Γ(γ)

9
para:
x0 ≤ x < ∞
−∞ ≤ x0 < ∞
0<β<∞
0<γ<∞

1.5.2. Función de distribución acumulada

La función de distribución acumuladade la distribución gamma de 3 parámetros es la

integral de la ecuación (43), de la siguiente manera:

(x − x0 )
−
Z x
(x − x0 )γ−1 e β
F (x) = dx (44)
x0 β γ Γ(γ)

donde:
x =variable aleatoria gamma de 3 parametros o Pearson tipo III
x0 =origen de la variable x, parámetro de posición
β =parámetro de escala
γ =parámetro de forma
Γ(γ) =función gamma completa
La variable reducida y gamma de 3 parámetros o Pearson tipo III, es:

x − x0
y= (45)
β

por lo que la función acumulada Pearson tipo III es :

y
y γ−1 e−y
Z
G(y) = dy (46)
0 Γ(γ)

el cual similar a la ecuación (34) y se calcula de la misma forma,

1.5.3. Estimacion de parámetros, método de máxima verosimilitud

1.6. Distribución log-Pearson tipo III

1.6.1. Función de Densidad

Se dice que una variable aleatoria x, tiene una distribución log-Pearson tipo III si su
función de densidad de probabilidad es:

(ln(x) − x0 )
−
(ln(x) − x0 )γ−1 e β
f (x) = (47)
β γ Γ(γ)
para:
x0 ≤ x < ∞
−∞ ≤ x0 < ∞
0<β<∞
0<γ<∞

10
1.6.2. Función de distribución acumulada

La función de distribución acumulada,de la distribución log-Pearson tipo III es la

integral de la ecuación (47), de la siguiente manera:

(ln(x) − x0 )
−
Z x
(ln(x) − x0 ) e γ−1 β
F (x) = dx (48)
x0 β γ Γ(γ)

donde:
x =variable aleatoria log-Pearson tipo III
x0 =parámetro de posición
β =parámetro de escala
γ =parámetro de forma
la variable reducida de la distribución log-Pearsón tipo III,es:

ln(x) − x0
y= (49)
β

por lo que la función acumulada log-Pearson tipo III es :

y
y γ−1 e−y
Z
G(y) = dy (50)
0 Γ(γ)

el cual similar a la ecuación (46) y se calcula de la misma forma,

1.7. Distribución Gumbel

1.7.1. Función de distribución acumulada

La función de distribución acumulada,de la distribución se dene de la siguiente ma-

nera:
x−µ
−

F (x) = e−e α (51)

para:
0 − ∞<x<∞
donde:
0<α<∞
−∞ < µ < ∞
siendo:
α : parámetro de escala
µ : parámetro de posición

1.7.2. Función de Densidad

Derivando la ecuación (51) con respecto a x, se tiene la funcion de densidad de pro-

babilidad:
x−µ
x−µ
1 − −e α
f (x) = e α (52)
α
11
para:
0<x<∞
La variable aleatoria reducida Gumbel , se dene de la siguiente manera:

x−µ
y= (53)
α

luego la función de densidad reducida Gumbel es:

−y
g(y) = e−y−e (54)

y la función acumulada reducida de Gumbel es:

−y
G(y) = e−e (55)

1.7.3. Estimación de parámetros

√
6
α= S (56)
π
µ = x̄ − 0,57721566490153286061α (57)

1.8. Distribución log-Gumbel

1.8.1. Función de distribución acumulada

La función de distribución acumulada,de la distribución log-Gumbel se dene de la

siguiente manera:
x−µ
−

F (x) = e−e α (58)

para:
0 − ∞<x<∞
donde:
0<α<∞
−∞ < µ < ∞
siendo:
α : parámetro de escala
µ : parámetro de posición

1.8.2. Variable reducida

La variable reducida de la distribucion log-Gumbel, se dene de la siguiente manera:

ln(x) − µ
y= (59)
α

por lo que la función acumulada reducida viene a ser:

−y
G(y) = e−e (60)

12
1.8.3. Estimación de parámetros

√
6
α= Sln(x) (61)
π
µ = x̄ln(x) − 0,57721566490153286061α (62)

siendo:
P
ln(x)
x̄ln(x) = (63)
N
sP
(ln(x) − x̄ln(x) )2
Sln(x) = (64)
N −1

1.9. Ejemplos de cálculo

A continuación se presenta ejemplos resueltos utilizando la aplicación para calculadora

HP Prime.

Ejemplo1
Dada la serie histórica de caudales medios anuales, en m3/s, que corresponde a un registro
de 50 años para el rio Santa (Perú):

95.05 98.13 100.18 101.66 101.76

105.21 105.81 106.40 107.43 107.62
108.75 110.77 114.31 116.69 119.52
123 123.22 124.31 127.82 128.15
132.49 134.10 136.22 144.22 145.79
146.08 153.64 153.97 154.80 156.80
158.48 162.29 164.35 169.18 169.64
177 182.53 183.11 183.49 184.98
193.78 193.88 197.58 207.78 208.18
212.48 217.52 239.07 256.62 266.54

Averiguar si se ajustan a una distribución normal

Si se ajusta a una distribución normal, calcular:

P (Q ≤ 180 m3 /s)
P (Q ≥ 100 m3 /s)
P (50 m3 /s ≥ 100 m3 /s)
El período de retorno para un caudal de 210 m3 /s).
el caudal para un período de retorno de 50 años .

Solución:

Para los datos indicados utilizamos la opción distribución normal de la aplicación tal
como se muestra

13
 gura 1 : Cuadro de selección

Ingresamos los datos del problema:

gura 2 : Ingreso de datos

Una vez ingresado todos datos de caudales presionar Ok, luego elegimos la opción diseño
y nos muestra la siguiente ventana:

gura 3 : Ajuste de la serie de datos a la distribución normal

Para los datos indicados, la serie se ajusta a la distribución normal para un nivel de sig-
nicación del 0.05(5 %) o una probabilidad del 95 %.La gráca de distribución acumulada

14
con los momentos ordinarios y la probabilidad de Wilbull se muestra en la gura 4.

gura 4 : Distribución acumulada con los momentos ordinarios y la probabilidad de

Wilbull.

De la gura 5 , se observa que P (Q ≤ 180 m3 /s) = 73,77 % y la P (Q ≥ 100 m3 /s) =

88,45 %

gura 5 : Probabilidad de ocurrencia de caudales.

De la gura 6 , se observa que P (Q ≤ 50 m3 /s) = 0,95 % y la P (Q ≤ 200 m3 /s) = 86,32 %,

3
por lo que P (50 m /s ≤ Q ≤ 200 m3 /s) = 86,32 − 0,95 = 85,37 %

gura 6 : Probabilidad de ocurrencia de caudales menores que 50 m3 /s y 200 m3 /s.

15
De la gura 7, se observa que el período de retorno para un caudal de 210 m3 /s, es 10.79
3
años; mientras que el caudal para un período de retorno de 50 años, es 241,82 m /s.

gura 7 : Caudales y período de retorno.

Ejemplo 2

Se tiene el registro de caudales máximos de 29, años para la estación de Huancavelica

tal como se muestra en el cuadro siguiente en este rio se desea construir una presa de al-
macenamiento, calcular el caudal de diseño para el vertedor de demasías, con un período
de retorno de 50 años. Usar la distribución log- normal de 3 parámetros,

1660 917 3800 1410 2280

618 683 934 779 921
876 740 1120 610 1150
563 520 360 367 658
824 824 1230 522 581
557 818 1030 418

Solución :

Para los datos indicados utilizamos la opción distribución normal 3 parámetros, estos
resultados se muestranen la gura 8.

gura 8 : Ajuste a una distribución log-normal de 3 parámetros

Como los datos se ajustan a una distribucion log-normal de 3 parámetros, se procede

a calcular el caudal de diseño para un periodo de retorno de 50 años,en la gura 9 se
3
muestra que este caudales 2849.58 m /s

16
 gura 9 : Caudal para un período de retorno de 50 años

Ejemplo 3

Se tiene el registro de caudales máximos de 29, años para la estación de Huancavelica

tal como se muestra en el cuadro siguiente en este rio se desea construir una presa de al-
macenamiento, calcular el caudal de diseño para el vertedor de demasías, con un período
de retorno de 50 años. Usar la distribución log- Pearson tipo III.

1660 917 3800 1410 2280

618 683 934 779 921
876 740 1120 610 1150
563 520 360 367 658
824 824 1230 522 581
557 818 1030 418

Solución :

Para los datos indicados utilizamos la opción distribución log-Pearson tipo III, estos re-
sultados se muestranen la gura 10.

gura 10 : Ajuste a una distribución log-Pearson de tipo III

Como los datos se ajustan a una distribucion log-Pearson tipo III, se procede a calcular
el caudal de diseño para un periodo de retorno de 50 años,en la gura 11 se muestra que
3
este caudal es 3044.54 m /s

17
 gura 11 : Caudal para un período de retorno de 50 años

Ejemplo 4

Se desea diseñar un puente vehicular en la cuidad de Huancavelica rio Ichu. Dentro del es-
tudio hidrológico, se tiene los datos de los caudales máximos expresados en metros cubicos
por segundo y la sección transversal del eje del puente

3
Año Caudal máximo(m /s)
1991 232
1992 322
1993 224
1994 180
1995 273
1996 207
1997 368
1998 424
1999 236
2000 706
2001 248
2002 235
2003 370
2004 267
2005 626
2006 597
2007 485
2008 600
2009 406
2010 690
2011 556
2012 313
2013 241
2014 179
2015 743

a) Aplicando 8 distribuciones teóricas como mínimo (las mas comunes), determine la me-
jor distribución mediante la brueba de bondad de ajuste de Smirnow-Kolmogorov para
los siguientes datos.

b) Determinar las características hidráulicas del cauce para una sección tranversal cu-
bierta de concreto rugoso y pendiente igual a 0.98 %,para los periodos de retorno 50 y 200

18
años.

c) Determinar la luz óptima del puente bajo las características citadas anteriormente,
para los periodos de retorno 50, 100 y 200 años.

Estación(x) Cota(y)
-10 3608
-7 3604
-5 3602
0 3600
5 3602
7 3604
10 3608

d) Plantear a escala gráca el diseño del puente y los niveles de máximas avenidas y
discutir los resultados obtenidos.
Solución:

Para los datos indicados utilizamos la opción distribución normal, estos resultados se
muestran en la gura 12.

gura 12 : Ajuste a una distribución normal

Con la opción distribución log-normal de 2 parámetros, los resultados se muestran en

la gura 13.

gura 13 : Ajuste a una distribución log-normal de 2 parámetros

Con la opción distribución log-normal de 2 parámetros, los resultados se muestran en

la gura 13.

gura 13 : Ajuste a una distribución log-normal de 2 parámetros

19
 Con la opción distribución log-normal de 3 parámetros, los resultados se muestran en
la gura 14.

gura 14 : Ajuste a una distribución log-normal de 3 parámetros

Con la opción distribución gamma de 2 parámetros, los resultados se muestran en la

gura 15.

gura 15 : Ajuste a una distribución gamma de 2 parámetros

Con la opción distribución gamma de 3 parámetros, los resultados se muestran en la gura

16.

gura 16 : Ajuste a una distribución gamma de 3 parámetros

Con la opción distribución log-Pearson de tipo III, los resultados se muestran en la gura
17.

gura 17 : Ajuste a una distribución log-Pearson de tipo III

Con la opción distribución Gumbel, los resultados se muestran en la gura 18.

gura 18 : Ajuste a una distribución Gumbel

20
 Con la opción distribución log-Gumbel, los resultados se muestran en la gura 19.

gura 19 : Ajuste a una distribución log-Gumbel

De los resultados se puede observar que la mejor distribucion es log-normal 3 parámetros

con un delta teorico: ∆ = 0,1142.
Calculamos el el caudal de diseño con la distribución seleccionada para los periodos de
retorno de 50 y 200 años tal como se muestar en la gura 20

gura 20 : Caudal de diseño para los períodos de retorno de 50 y 200 años

Las caracteristicas hidráulicas del cauce para un caudal maximo de 1003.03 m3 /s,que
corresponde a un período de retorno de 50 años, se muestra en la gura 21

gura 21 : Características hidráulicasde la seccion transversal del cauce

21
Las caracteristicas hidráulicas del cauce para un caudal maximo de 1371.84 m3 /s,que
corresponde a un período de retorno de 200 años, se muestra en la gura 22

gura 22 : Características hidráulicasde la seccion transversal del cauce

22