UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA CIVIL
Departamento
Departamento Académico de Hidráulica e Hidrología

EXTENSION DE REGISTROS CORTOS DE DATOS

DATOS HIDROLÓGICOS

G rupo 4
 Integrantes:
• HUAMANI RAMOS, Jaime 20151141G
• MIO RIOS, Luis Fernando
• LENGUA ESPINOZA, Luis Antonio
•

CORONADO MALUQUIS, Willy

 Docente: Ing.
ROMERO MACHUCA,
MACHUCA, FERNANDO
FERNANDO
MOISES
 CURSO: HIDROLOGIA GENERAL (HH113-G)

2019-1
Rímac
Rímac - Perú
Perú
 

INDICE:
20.2
20.3.MODELOS
MODELOSDE DEEXTENSIÓN
EXTENSIÓNDEDEREGISTRO
REGISTROBIVARIADO
MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE LOS DATOS INTERMITENTES.
INTERMITENTES.
20.4.4 AJUSTE TEMPORAL
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
20.5.4. EJEMPLOS
 

Los
Los da
dato
toss hi
hist
stór
óric
icos
os hi
hidr
dráu
áuli
lico
coss so
sonn ge
gene
nera
ralm
lmen
ente
te co
cort
rtos
os y no pu
pued
eden
en
pro
ropporc
rciionar una imimaagen confi fiaable de la variabilidad nat atu
ural de los
INTRODUCCIÓN
fenó
fenóme
menonoss hi
hidr
drol
ológ
ógic
icos
os.. Po
Porr lo tatant
nto
o se bu
busc
scaa in
info
form
rmacació
ión
n ad
adic
icio
iona
nall
y técnicas de extensión de registro que permitan tener registros
hidrol
hidrológi
ógicos
cos mas lar
largos
gos..
 4

¿Pero como se puede extender

un conjunto de datos históricos?
 5

Est
stee capítulo repasa algunos de los conceptos y mode delo
loss fun
unddamental alees
suge
sugerirido
doss en la li
litter
erat
atur
uraa pa
para
ra la ext
xten
ensi
sió
ón de re
regi
gist
stro
ross de va
vari
riab
able
less ún
únic
icas
as y 
múltiples

• Naturalizado
Los datos pueden •  Acumulativo
 Acumu lativo
estar disponibles en • Intermedio
diferentes formas. • Intermitente

La extensión del • Semanal

registro puede ser • Mensual
necesaria en varias •  Anual
escalas temporales.
 6

La planificación La simulación
y la gestión de Como la estocástica y/o
los proyectos de precipitación y el los índices de la
recursos caudal. base de los
hídricos. árboles
 7

INDICE:
20.2 MODELOSDEDE
20.3. MODELOS EXTENSIÓN
EXTENSIÓN DE REGISTRO
DE REGISTRO BIVARIADO
MULTIVARIA
MULTIVARIABLE
BLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL

20.4.3.AJUSTE
20.4.4 CASO DE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

Matalas y Jacobs
(1964) sugirieron MODELOS
DE DE EXTENSIÓN
REGISTRO BIVARIADO
un modelo de
regresión lineal.

 V
 Vogel
ogel and
Stedinger (1985)
introduce un
mejoramiento
adicional para el
MRL.

Grygier et. al.

(1989) introduce
la generalización
MOVE modelo de
extensión
GMOVE.
 9

Modelo de regresión lineal simple Matalas y Jacobs (1964)

 = ത          1  2  Τ2 

Las variables aleatorias bivariable Observaciones

  población media    

, , …,

 varianza  representa el registro corto de longitud 

 población media
, …, , …, ,

,
  varianza    , +
 es el registro mas largo de longitud  +
Nota: Las bivariables son normalmente distribuidas
 10

Modelo de regresión lineal simple Matalas y Jacobs (1964)

 = ത          1  2  Τ2  Eq. (20.1)

Las variables aleatorias bivariable Coeficiente

 ഥ muestra promedio
(    ሻ(   ሻ
 desviación estándar
 =   ሻ(
ሻ(  ሻ(   
  muestra promedio Nota: El te
term
rmin
ino
o ru
ruid
idoo
y el coeficiente
    desviación estándar

fueron añadidos a la  
regres
regresión
ión para
para elimin
eliminar 
ar 

 es un ruido distribuido normalmente con
media 0 y varianza 1
el sesgo en la
estimación
vari
rian
anzza pobl
de
blaacion
la
cional
al
 2. 11

Si modelo
delo en Eq.
Eq. (20.
0.1
1) es usa
usado par
araa la exte
ten
nsió
sión de los
los regi
regist
stro
ross co
cort
rto
os   so
sob
bre el peri
period
odo
o

, los
los est
estima
imador
dores
es de pro
probab
babili
ilida
dad
d máx
máxima
ima imp
imparc
arcial
ial de y están
están dad
dados
os por:
por:
  
ഥ =    ෡   
   
(20.2)

(20.3)
 =                 ෡        
         ෡    
Donde: Cr
Crit
iter
erio
ioss expl
explíc
ícit
itos
os pa
para
ra ve
veri
rifi
fica
carr qu
que
e la me
medi
diaa
y la varia
varianznzaa de lo
loss regi
regist
stro
ro exte
extendndid
idos
os..
  y   son los muestra
muestra promedio y varianza
  2 22
de  sobre el periodo2 ෠ = /
 y .  ത <  
2 2
     <   12

Vogel y Stedinger (1985)

Proporcionaron estimadores mejorados de los estimadores de Matalas y Jacobs

 
(1964) de la media poblacional y la varianza de  como:

ത∗ = 1     ത   ∗2 = 1   2  2

Donde  y  son obtenidos a fin de minimizar las variaciones de  y .
   ൫    3ሻ2 ത∗ ∗2∗2
 =   4 2  1    > 4   ൫  
   =   8.5 2 44 ሻ  2
  4.5
NOTA: Matalas y Jacobs (1964) modelo ecuación (20.1) incluye un término
un  término de ruido
ruido,, que
puede ser poco práctico porque conduce a múltiples extensiones de registro (Hirsch, 1982).
 13

Vogel y Stedinger (1985)

Mante
Hirsch sugirió los modelos de Mantenim
nimie
ient
nto
o de Ext
Exten
ensió
sión
n de Var
Varian
ianza
za, MOVE1 y MOVE2,
para que los parámetros estimados de los registros cortos existentes se mantengan.

MOVE1   ො =        

(20.6) los momentos de la muestra del corto
  
registro  y  se reproducen.

MOVE2   ො = ത     ҧ  

(20.7)  ത  2
es decir  y  son obtenidos de
la ecuación (20.2) y (20.3)

 ഥ =    ෡      (20.2)

=     ቆ          ෡

(20.3)
 14

Vogel y Stedinger (1985)

Introduce un mejoramiento adicional a la estimación obtenida por MOVE1 y MOVE2. Este

modelo alternativo llamado MOVE3 tiene la forma.

ො =      2 (20.8)

Donde la estimación de a y b son:

    1  2    1 2   ൫ത  തቁ  2  2 ො  ത 2

ො = ത 2 ෠2 =   1 22
En MOVE3, los parámetros a y b se determinan de modo que si el modelo ecuación (20.8) es
ො
usado para generar  sobre el periodo 2
 luego la secuencia{ ,  2  + +
, }
ത 2
, …, , …, ,

tendrá la media  y la varianza  de Matalas y Jacobs (1964).

 15

(Grygier et. al., 1989).

Los MOVE modelos de extensión apuntan a reproducir la media y la varianza del registro corto
 
pero  pero no abordan directamente la exactitud de las estimaciones de  ො
Además, ni el modelo de Matalas y Jacobs(1964) ni los diversos modelos de OVE, como se informo
anteriormente, consideran el efecto de la correlación en serie de la variable subyacente . Así 
Grygier et. al. (1989) introduce la generalización MOVE modelo de extensión GMOVE para abordar
 
estas deficiencias.
2    2 2  
 2
ො  = 2 2  
2   (1൯

ො =    −         2

෠ =   ො2(1൯
 16

Y  es la lag-0 covarianza entre  y  sobre el periodo  y es la lag-1 covarianza entre

y

 sobre el periodo
 
reprod
reproduci
ucirr o manten
mantener        
(   se retrasa un paso por detrás de
er la media
media,, la varian
varianza
za y la autoco
autocorre
rrelaci
lación  (1ሻ
). La intención de GMOVE ha sido
    
ón de lag-1
lag-1 del regist
registro
ro corto,
corto, y la 
correlación cruzada de lag-0 entre el registro corto y el más largo.

El modelo propuesto indicado como REXTN (Extensión de registro con ruido) se define como:

ො = (1ሻ 2   (1൯

2 2  
2   (1൯

 =    −         2     ෠ =   ො2(1൯

 Ƹ Ƹ = 2  ො 1  ෠
 17

INDICE:
20.2 MODELOS DE EXTENSIÓN DE REGISTRO BIVARIADO
20.3. MODELOS DE EXTENSIÓN DE REGISTRO MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

 
 19

INDICE:
20.2
20.3.MODELOS
MODELOSDE
DEEXTENSIÓN
EXTENSIÓNDE
DEREGISTRO
REGISTROBIVARIADO
MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

 
 21

INDICE:
20.2 MODELOS DE EXTENSIÓN DE REGISTRO BIVARIADO
20.3. MODELOS DE EXTENSIÓN DE REGISTRO MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

INDICE:
20.2 MODELOS DE EXTENSIÓN DE REGISTRO BIVARIADO
20.3. MODELOS DE EXTENSIÓN DE REGISTRO MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

INDICE:
20.2 MODELOS DE EXTENSIÓN DE REGISTRO BIVARIADO
20.3. MODELOS DE EXTENSIÓN DE REGISTRO MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG
 20.5.4. EJEMPLOS

INDICE:
20.2 MODELOS DE EXTENSIÓN DE REGISTRO BIVARIADO
20.3. MODELOS DE EXTENSIÓN DE REGISTRO MULTIVARIABLE
MULTIVARIABLE
20.4. MODELOS ALTERNATIVOS Y ENFOQUES
20.4.1. MODELO ANUAL
20.4.2. MODELO MENSUAL
20.4.3. CASO DE
20.4.4 AJUSTE LOS DATOS INTERMITENTES.
TEMPORAL INTERMITENTES.
20.4.5 MÉTODO DE SELECCIÓN DE RASTREO (TSM)
20.4.6 AJUSTE ESPACIAL
20.4.7 CRITERIOS DE VERIFICACION MODELO
20.4.8 EJEMPLO
20.5. CASO DE EVENTOS EXTREMOS
20.5.1. DISTRIBUCIÓN BIVARIADA DE GUMBEL
20.5.2. ESTIMACIÓN DE MÁXIMA VEROSIMILITUD DE LOS PARÁMETROS DE LA
DISTRIBUCIÓN DE BG
20.5.3. RELACIONES DE INFORMACIÓN RELATIVA A LA DISTRIBUCIÓN DE BG