“Año del Fortalecimiento de la

soberanía nacional Nacional”

ANÁLISIS DE HOMOGENEIDAD Y CONSISTENCIA SOBRE LOS DATOS

HIDROLÓGICOS DE LAS ESTACIONES METEOROLÓGICAS ALEDAÑAS A LA
CUENCA HIDROLÓGICA ZAÑA

ASIGNATURA: HIDROLOGÍA

ALUMNOS:

● CALZADA TORRES, Abdias Nahun

● CAMPOSANO PARI, Yareli Yadira
● HUAMAN DIAZ, Maria Fernanda
● LEDESMA SOLANO, Feliciano Pedro

SECCIÓN: 14660

HUANCAYO-PERÚ

2022
 ÍNDICE

1. INTRODUCCIÓN……………………………………………………………………………….

2. OBJETIVOS.. …………………………………………………………………………………..

3. BASE TEÓRICA …………………………………………………………………………….…

3.1 VARIABLES METEOROLÓGICAS……………………………………………………….…..

3.1.1 ESCURRIMIENTO DE UNA CUENCA …………………… ……………………….…….

3.1.2 PRECIPITACIÓN………………………………………………………………………….….

3.1.3 EVAPOTRANSPIRACIÓN………………………………………………………………….

3.1.3 TEMPERATURA……………………………………………………………………………..

4. MEDICIÓN DE ESCURRIMIENTO DE UNA CUENCA MEDIANTE MÉTODOS DIRECTOS E

INDIRECTOS ………………………………………………………………………………………..

4.1 MÉTODOS DIRECTOS BASADOS EN LA MEDICIÓN DE LA VELOCIDAD DEL AGUA Y

ÁREA TRANSVERSAL DEL RÍO…………………………………………………….

4.2 MÉTODOS DIRECTOS BASADOS EN AFOROS VOLUMÉTRICOS……………

4.3 MÉTODOS INDIRECTOS

5. MODELOS DE PRECIPITACIONES-ESCURRIMIENTO MEDIANTE MÉTODOS EMPÍRICOS

E HIDROGRAMAS

5.1 MÉTODOS EMPÍRICOS……………………………………………………………

5.2 HIDROGRAMAS …………………………………………………………………..

6. MÁXIMAS AVENIDAS MEDIANTE MÉTODOS ESTADÍSTICOS PARA DIFERENTES

PERIODOS DE RETORNO……………………………………………………………

6.1 DISTRIBUCIÓN DE PROBABILIDAD DEL EVENTO……………………………

6.2 PRUEBAS DE BONDAD DE AJUSTE…………………………………………….

7. CONCLUSIONES

8. BIBLIOGRAFÍA

9. ANEXO
1. INTRODUCCIÓN

El espacio geográfico de la cuenca ZAÑA pertenece al sistema hidrográfico de la

vertiente del océano pacífico, presenta una superficie de drenaje de 1 754,7 km2 ,
desde sus nacientes hasta su desembocadura en el mar. La Cuenca del Río Zaña es de
especial importancia ya que ayuda a mantener la actividad agrícola y pecuaria en el
Valle del Río Zaña.

Se analizaran los datos de la 5 estaciones meteorológicas aledañas a la cuenca Zaña

con el fin de conocer y analizar la medición de escurrimiento de una cuenca mediante
métodos directos e indirectos, además de determinar los modelos de
precipitación-escurrimiento mediante métodos empíricos e hidrogramas, y analizar las
máximas avenidas mediante métodos estadísticos para diferentes periodos de retorno:
Cherrepe, Sipan, Reque, Oyotun y Cayalti.

2. OBJETIVO

- Analizar la medición de escurrimiento de una cuenca mediante métodos directos e

indirectos
- Determinar los modelos de precipitación-escurrimiento mediante métodos empíricos
e hidrogramas.
- Analizar las máximas avenidas mediante métodos estadísticos para diferentes
periodos de retorno.
3. BASE TEÓRICA

3.1. VARIABLES METEOROLOGICAS

3.1.1 ESCURRIMIENTO DE UNA CUENCA

El escurrimiento de una cuenca, es la parte de la precipitación que aparece en las

corrientes fluviales superficiales, perennes, intermitentes o efímeras, y que regresa al
mar o a los cuerpos de agua interiores.

3.1.2. PRECIPITACIÓN

La precipitación es la fase del ciclo hidrológico que consiste en la caída de agua desde
la atmósfera hacia la superficie terrestre. La precipitación se produce como
consecuencia de la condensación, es decir, por la acumulación de vapor de agua en la
atmósfera que propicia la formación de nubes.

3.1.3. MÁXIMAS AVENIDAS DE UNA CUENCA

Es la elevación del nivel de un curso de agua significativamente mayor que el flujo

medio de este. Durante la avenida, el caudal de un curso de agua aumenta en tales
proporciones que el lecho del río puede resultar insuficiente para contenerlo. Daños
ocasionados por máximas avenidas o crecidas.
4. MEDICIÓN DE ESCURRIMIENTO DE UNA CUENCA MEDIANTE MÉTODOS
DIRECTOS E INDIRECTOS.

4.1 MÉTODOS DIRECTOS BASADOS EN LA MEDICIÓN DE LA VELOCIDAD DEL

AGUA Y ÁREA TRANSVERSAL DEL RÍO:

4.2 MÉTODOS DIRECTOS BASADOS EN AFOROS VOLUMÉTRICOS

a. AFORO CON MOLINETE:

b, METODO VOLUMETRICO

c. AFORO QUIMICOS
4.3 MÉTODOS INDIRECTOS

a. VERTEDEROS
5. MODELOS DE PRECIPITACIONES-ESCURRIMIENTO MEDIANTE MÉTODOS
EMPÍRICOS E HIDROGRAMAS

5.1 MÉTODOS EMPÍRICOS

5.2 HIDROGRAMAS
6. MÁXIMAS AVENIDAS MEDIANTE MÉTODOS ESTADÍSTICOS PARA
DIFERENTES PERIODOS DE RETORNO

Una avenida es la elevación del nivel de un curso de agua significativamente

mayorque el flujo medio de este. Durante la crecida, el caudal de un curso de agua
aumenta en tales proporciones que el lecho del río puede resultar insuficiente para
contenerlo. Entonces el agua lo desborda e invade el lecho mayor, también llamado
llanura aluvial.Causando los siguientes daños:

● Una acción dinámica debido a la velocidad de flujo que genera erosión en el

lecho.
● inundación de extensas áreas aledañas al cauce.
6.1 DISTRIBUCIÓN DE PROBABILIDAD DEL EVENTO

a. NORMAL DE DOS PARÁMETROS:

Se dice que una variable tiene una distribución normal, cuando su función de densidad de
probabilidades está representada por la siguiente ecuación:

.........(1)

Donde:
P(x) = Función de densidad de probabilidades
U = Media de la población
σ = Desviación estándar de la población

Esta función tiene las siguientes características:

● Es acampanada y simétrica
● La variable es continua
● Los valores son consecutivos e independientes
● La media, mediana y moda coinciden
● f(x)> 0

Si la variable x, es estandarizada, forzando a una media cero y varianza unitaria y se considera

la variable estandarizada como:

Reemplazando en (1) obtenemos:

.......(2)
Donde P(t) es función de la distribución acumulada de la distribución normal para la variable
estandarizada t, también conocida como variable estándar.

b. LOG-NORMAL DE DOS PARAMETROS :

Si los logaritmos, Ln x, de una variable x son distribuidos normalmente, entonces la

variable x será distribuida logarítmicamente normal. La función de distribución de
densidades de probabilidades se expresa de la siguiente manera:

......(3)

Donde:
Uy = Media de los logaritmos naturales de la variable x
σy = Desviación estándar de los logaritmos naturales

c. LOG-NORMAL DE TRES PARAMETROS :

Así como la distribución Log-normal representa la distribución normal de los

logaritmos de la variable x, así la Log-normal de 3 parámetros nos representa la
distribución de los logaritmos de la variable reducida (X-a), donde “a” es el límite
inferior.

La función de densidad de probabilidades está dada por:

....(4)

Donde:
P(x)= Función de densidad de los logaritmos de (x-a), tal que
Uy = Parámetro de escala: media de los logaritmos.
_ = Parámetro de forma: desviación estándar de los Ln(X-a)
a = Parámetro de posición: límite inferior.
e = Base de los logaritmos naturales.

d. EXTREMO TIPO 1:

La distribución Tipo I (Gumbel), es usado para series máximas. Esta distribución de

límite inferior mayor de n, valores de Xi, a medida que n crece indefinidamente. Esta
distribución supone también que los valores de Xi son independientes e idénticamente
distribuidos con una distribución tipo exponencial. La función de probabilidad
acumulada, es la siguiente:

6.2 PRUEBAS DE BONDAD DE AJUSTE

7. hhgfhf
8. Analizar las máximas avenidas mediante métodos estadísticos para
diferentes periodos de retorno.
a. Distribución de probabilidad del evento:
El análisis de frecuencias tiene la finalidad de estimar
precipitaciones, intensidades o caudales máximos, según sea el
caso, para diferentes períodos de retorno, mediante la
aplicación de modelos probabilísticos, los cuales pueden ser
discretos o continuos. En la estadística existen diversas funciones
de distribución de probabilidad teóricas; recomendándole
utilizar las siguientes funciones:
o Distribución normal.
o Distribución Log normal.
o Distribución gamma 2 y 3 parámetros.
o Distribución Log Pearson Tipo III.
o Distribución Gumbel
o Distribución Log Gumbel.

● Distribución normal
La función de densidad de probabilidad normal se define como:

Donde:
f (x) = función densidad normal de la variable x
X = variable independiente
µ = parámetro de localización, igual a la media aritmética de x.
S = parámetro de escala, igual a la desviación estándar de x.

● Distribución Log Normal 2 Parámetros

La función de distribución de probabilidad es:
 Donde X y S son los parámetros de la distribución. Si la variable x de la
ecuación (2) se reemplaza por una función y=f(x), tal que y=log(x), la función puede
normalizarse, 20 transformándose en una ley de probabilidades denominada log –
normal, N(Y, Sy). Los valores originales de la variable aleatoria x, deben ser
transformados a = log x, de tal manera que:

Donde Y es la media de los datos de la muestra transformada.

Donde Sy es la desviación estándar de los datos de la muestra transformada.

Asimismo; se tiene las siguientes relaciones:

Donde Cs es el coeficiente de oblicuidad de los datos de la muestra

transformada.

● Distribución Log Normal 3 Parámetros

La función de densidad de x es:

Para x > x0
Donde:
X0: parámetro de posición
Uy: parámetro de escala o media
Sy²: parámetro de forma o varianza

● Distribución Gamma 2 Parámetros

La función de densidad es:

Válido para:
 0≤x<∞
0<γ<∞
0<β<∞

Donde:
γ : parámetro de forma
β : parámetro de escala

● Distribución Gamma 3 Parámetros

La función de densidad es:

Válido para:
x0 ≤ x < ∞
-∞ < x0 < ∞
0<β<∞
0<γ<∞

Donde:

x0: origen de la variable

x, parámetro de posición
γ : parámetro de forma
β : parámetro de escala

● Distribución Gamma 3 Parámetros

La función de densidad es:

Válido para:
x0 ≤ x < ∞
-∞ < x0 < ∞
0<β<∞
0<γ<∞

Donde:
 x0: parámetro de posición
γ : parámetro de forma
β : parámetro de escala

● Distribución Gamma 3 Parámetros

La distribución de Valores Tipo I conocida como Distribución Gumbel o

Doble Exponencial, tiene como función de distribución de probabilidades la
siguiente expresión:

Utilizando el método de momentos, se obtienen las siguientes relaciones:

Donde:
α : Parámetro de concentración.
β : Parámetro de localización.

Según Ven Te Chow, la distribución puede expresarse de la siguiente forma:

Donde:
x : Valor con una probabilidad dada.
x : Media de la serie.
k : Factor de frecuencia.

● Distribución Log Gumbel

La variable aleatoria reducida log gumbel, se define como:

Con lo cual, la función acumulada reducida log gumbel es:

● Distribución Log Gumbel

 Las pruebas de bondad de ajuste son pruebas de hipótesis que se usan para
evaluar si un conjunto de datos es una muestra independiente de la
distribución elegida.
En la teoría estadística, las pruebas de bondad de ajuste más conocidas son la
2 χ y la Kolmogorov – Smirnov, las cuales se describen a continuación.

A) Prueba
Esta prueba fue propuesta por Karl Pearson en 1900, se aplica para
verificar la bondad de las distribuciones normales y log normales.
Para aplicar la prueba, el primer paso es dividir los datos en un número
de intervalos de clase. Luego se calcula el parámetro estadístico.

Donde:

θ i es el número observado de eventos en el intervalo i y εi es el número

esperado de eventos en el mismo intervalo.
i ε se calcula como: n[ (F S ) )I(F ] i = i − i ε

Asimismo; ( ) i F S es la función de distribución de probabilidad en el límite

superior del intervalo i, ( ) i F I es la misma función en el límite inferior y n es el
número de eventos.

Una vez calculado el parámetro D para cada función de distribución

considerada, se determina el valor de una variable aleatoria con distribución χ 2 para ν
= k-1-m grados de libertad y un nivel de significancia α, donde m es el número de
parámetros estimados a partir de los datos.

● Pruebas de bondad de ajuste:

o Prueba de Chi-cuadrado.
Estacion Sipan
o Prueba de Smirnov-Kolmogorov.

Método por el cual se comprueba la bondad de ajuste de

las distribuciones, asimismo permite elegir la más
representativa, es decir la de mejor ajuste. Esta prueba
consiste en comparar el máximo valor absoluto de la
diferencia D entre la función de distribución de
probabilidad observada Fo (xm) y la estimada F (xm):

Con un valor crítico d que depende del número de datos

y el nivel de
significancia seleccionado (Tabla Nº 03). Si D<d, se acepta
la
hipótesis nula. Esta prueba tiene la ventaja sobre la
prueba de X2
de
que compara los datos con el modelo estadístico sin
necesidad de
agruparlos. La función de distribución de probabilidad
observada se
calcula como:

Donde m es el número de orden de dato xm en una lista

de mayor a menor y n es el número total de datos.

ESTACIÓN SIPAN
Distribuciones:
9. CONCLUSIONES

En conclusión, la medición del escurrimiento indirecto y directo realizado en las estaciones,

nos ayudaron a conocer la medición de la velocidad del agua y el área transversal del río.

10. BIBLIOGRAFÍA

U.S. Army Corps of Engineers: HEC-RAS Uses Manual, Versión 3.1.3 May 2005.

L. Nania/ E Molero: manual Básico de HEC-RAS 3.3 y HEC GeoRAS 3.1.1 U. de Granada
Area de Ingenieria Hidraulica.

Juan Martin Vidc: Hidraulica Fluvial; Edicions UPC 1997.

Edgar Vidal HURTADO CHAVEZ “Hidrología de Superficie”.2017.

Rafael HERAS: “Manual de Hidrología”. Centro de Estudios Hidrográficos. Madrid.1970.

Rolando SPRINGALL: “Hidrología”. Universidad Autónoma de México. 1976.

11. ANEXOS