FACULTAD DE INGENIERIA

ESCUELA PROFESIONAL DE INGENIERIA CIVIL

CURSO : RECURSOS HIDRICOS
AÑO ACADEMICO : 2018 I R
SEMESTRE : VII

CLASE 11 : MAXIMAS AVENIDAS

Prof.: F. Gárnica T. 1 Tacna, 23 de febrero del 2018

Evangelina Chamorro – La mujer del
Huayco
Huayco Punta hermosa (03/02/2017
09:16h - Peru 21)
LAS MAXIMAS AVENIDAS PUEDEN CAUSAR DAÑOS IRREPARABLES
PUENTE CALANA (Q=35 M3/S – 04012012)
 Generalidades
• Una avenida representa una cantidad de agua «extraordinaria» que es
transportada con o sin desbordamiento por un sistema hidráulico (curso de
agua).

• Sin embargo en la actualidad, existen otras definiciones como, relacionarla a un

evento que produciría un rápido ascenso del nivel de las aguas, hasta un
máximo a partir del cual dicho nivel desciende a una menor velocidad.

• La avenida es el resultado de una precipitación (líquida ó sólida) de alta

intensidad y de corta duración o de una precipitación de baja intensidad y larga
duración, de deshiielo, falla de una presa o diques o una combinación de dichas
condiciones. Eventos tales como terremotos, deslizamientos pueden empeorar
las condiciones de la avenida.
• La mejor información para estimar las magnitudes de las avenidas que ocurrirán
en el futuro es mediante registros de avenidas observadas.

• La naturaleza del sistema de producción de una avenida, la interacción con la

atmosfera, la geología, geomorfología, vegetación, suelo y la actividad del
hombre condicionan a que la aplicación de modelos sólo brinden una
estimación general del régimen de avenidas de un río.
 Definiciones
Avenidas: fenómenos naturales que suelen causar
grandes daños;
Avenida, crecida o riada: fenómeno
hidrometeorológico;
Las Avenidas pueden causar rotura de
roturas de diques o exceder
capacidad de conducción de
los cauces, produciendo
inundaciones
7
 Avenidas
Avenidas causan daños de dos tipos: debidos a fuerza de
corriente durante crecida (acción dinámica), tal como
erosión de base de un puente; o por desborde de aguas,
que produce inundaciones.

Erosión (socavación) en puentes

8
 Avenidas
Las Avenidas sólo
pueden describirse,
en cuanto a su
ocurrencia, en
términos
probabilísticos.

Cada avenida está

asociada a una
probabilidad de
ocurrencia.
9
 Avenidas
Las Avenidas pueden definirse como:
La elevación rápida (súbita) y breve del
nivel del agua hasta un máximo, desde el
que desciende a menor velocidad.
El Caudal relativamente alto, medido en
gasto o nivel de agua, para un determinado
intervalo de tiempo.
La Creciente de un curso de agua originada
por grandes lluvias.
La Elevación temporal y móvil del nivel de
agua en un curso de agua o en un lago.
10
 Hidrograma de avenida
Zona del Qmáximo
Q

Curva de Curva de recesión

concentración

11
 Avenidas
• Desde tiempos
inmemoriales, las avenidas
son una amenaza periódica
en todo el mundo.

• También se han puesto en

práctica medidas
tendientes a evitar o
disminuir grandes estragos
producidos por las
avenidas.

12
 Avenidas
• Son producto de la:
– Precipitación
– fusión de nieve
– rotura de barrages

Cuales son las razones del estudio de

caudales de avenida?
o Dimensionamiento hidráulico
o Planeamiento de obras de defensas
o Operación de sistemas de protección. Y
conservación
13
 Crecidas

Como es que se evalúa el riesgo de una crecida en

un determinado espacio geográfico?
• definición de causas
• compilación de datos -
registros históricos
• evaluación de peligro/ y
vulnerabilidad
• evaluación del riesgo.

14
 Crecidas
• Qué tipos de protección, normalmente se usan
contra las crecidas?
• construcción de
diques
• construcción de
compuertas
• aumento de sección
del río
• restauración de zonas de
protección
15
Descargas máximas Río Piura (m3/s)

16
 Análisis de máximas avenidas
a) Métodos directos

b) Métodos empíricos

c) Métodos Hidrológicos : Hidrogramas

d) Métodos estadísticos – probabílisticos

17
 Análisis de máximas avenidas
a) Métodos directos
Cuando no existen datos medidos en zona de interés;
Fijar u observar marcas dejadas por posición del nivel
máximo en cauce o por información de pobladores más
antiguos de zona, sobre magnitud de máxima avenida
registrada y año de ocurrencia.
Con nivel máximo (marca), se estima valor de avenida,
midiendo área de sección transversal y pendiente del
cauce y uso de fórmulas hidráulicas empíricas (fórmula de
Manning).

18
 b) Métodos empíricos

 Fórmulas empíricas que relacionan caudal

máximo con área de cuenca y otros parámetros
hidrológicos y geomorfológicos
C.I . A
Método Racional: Q
360
• Aplicable en áreas pequeñas, 50 a 500 ha.
Q = gasto máximo (m3/s)
c = coeficiente de escorrentía
I = intensidad (mm/h).
A = área (ha)

19
 Método Racional
Este método consiste en relacionar en
forma directa un cierto coeficiente de
escorrentía (C), una intensidad de lluvia de
diseño (I) y un área aportante (A).

Q = 0,278 C I A
Q: Caudal (m3/s)
C: coeficiente de escorrentía
I: intensidad (mm/h)
A: área (km2)

Área < 5 km2

20
Coeficiente de escorrentía: razón entre escorrentía y
precipitación total

o Caudal
máximo
ocurre
cuando la
duración de
tormenta
iguala al
tiempo de
concentración

o En áreas mixtas se debe calcular el coeficiente de escorrentía medio

ponderado
C en función del tipo de suelo, ocupación e inclinación

22
 Tiempo de concentración

o Tiempo de concentración de una cuenca:

 tiempo necesario para que toda su área contribuya a
la escorrentía superficial en la sección de salida.
 tiempo necesario para que una
gota de que el agua
caída en un
punto, hidráulicamente
más alejado de la cuenca,
llegue a la sección
de salida.
23
Tiempo de concentración: fórmulas

24
 Intensidad de precipitación
o Determinación de intensidad
máxima de precipitación para
una duración de precipitación
igual al tiempo de
concentración de cuenca,
puede obtenerse a través de
curvas de intensidad –
duración – frecuencia, para
tiempo de recurrencia
definido.

25
Otras fórmulas empíricas: Santi

Qmax ( m s )  c.A 3 1/ 2

A < 1000 km2

Qmax ( m s )  c.A
3 2/3

A > 1000 km2

c = 33 para T = 100 años

c = 50 para T = 500 años
c = 66 para T = 1000 años
26
 Otras fórmulas empíricas
500
Fórmula de Forti Qmax ( m s )  3 ,25
3

A  125
1

 Pmáx. = 400 mm/día 500

Qmax ( m 3 s )  2 ,25  0 ,5
 Pmáx. = 200 mm/día A  125
A = área de cuenca (km2)
Fórmula de Meyer
Qmax  1,75 . c . A1 / 2
A = área de cuenca (km2)
c = coeficiente (entre 30 y 100)

27
 c) Métodos hidrológicos: hidrograma
unitario

 Se determina hidrograma de escorrentía

superficial en punto de desagüe de una cuenca, a
partir de hidrogramas correspondientes a
tormentas
características
caídas sobre la
misma.

28
 Hidrograma de escorrentía directa

P
Precipitación Modelo
F, D Distribución
precipitación

T
P R
Modelo
Exceso
precipitación
T
T
R Q
Modelo
Hidrograma
escorrentía
T T

29
 Componentes del hidrograma
• Hidrograma de avenida se divide en:
– Escorrentía directa.
– Flujo base.
Flujo base:
o Contribución de agua
subterránea a
corriente.
o Relativamente más
importante en cuencas
grandes.

30
 Separación de flujo base

• Método 1: Flujo base =

constante, igual a la
descarga más baja antes
de la tormenta.

• Método 2: Extender
recesión del flujo base,
bajo el pico, luego del
punto de inflexión.

31
 Hidrograma de avenida

tL

P
Punto de inflexión en curva de
tc recesión de hidrograma
D

tp

tiempo
Tb

32
Hidrograma de avenida

33
 Definición de hidrograma unitario

 Hidrograma de escorrentía directa que resulta

de 1 pulgada (ó 1 cm) de exceso de precipitación,
que ocurre uniformemente sobre cuenca durante
una duración específica de tiempo.

Exceso de
precipitación que
1/D genera escorrentía

D-hr Hidrograma
unitario
hidrograma 1 in
unitario
1 in
D

34
 Derivación de UH
• Separar flujo base para determinar
p.e. L = 2
hidrograma de avenida
• Determinar volumen de
hidrograma de avenida en lámina D
(cm) dividiendo total de
escorrentía directa por área de
cuenca
• Dividir ordenadas de hidrograma
por lámina de escorrentía directa
• Determinar duración según
hietograma

35
 Definiciones

o Tr: duración de
lluvia.

o Tp: tiempo entre

mitad de lluvia y el
instante de pico.

o Tp: instante de
pico
Tp  tr / 2  tp

36
 Hidrograma unitario sintético
• Cuando no se cuenta con datos para elaboración
del HU, puede obtenerse un HU estimado o HU
sintético, mediante los métodos:
– HUS de Snyder
– HUS SCS

Snyder definió el hidrograma unitario

estándar como aquel cuya duración de lluvia
tr está relacionada con el retardo de cuenca
tp por: Tp = 5.5 tr
37
 HUS de Snyder
(~.6)

(cfs) Qp =640CpA/tL
tp
(mi2)
tL tp = D/2 + tL
(~2)

P W75 tL = Ct(L*LC)0.3 (h)

D = tL/5.5 (mi)
W50
D
Tb = 3 + tL/8

tiempo
Tb
38
 Hidrograma del SCS

Método sintético desarrollado para pequeñas

cuencas rurales en EUA.
Formas de hidrograma: triangular
(simplificado) y
adimensional
Ampliamente
utilizado en cuencas
urbanas.

39
 HUS SCS

(cfs) (mi2)

Qp = 484A(P=1)/tp
tp

tL tp = D/2 + tL (h)

P=1 tL = 0.6 tC

D = 0.133 tC (Recomendado)

D tC
Tb = 5*tp

tiempo

Tb
40
 Método de SCS
P: lluvia total
Pe: lluvia excedente
Ia: infiltración inicial
Fa: infiltración antes de inicio de
escorrentía superficial
directa
S: infiltración potencial máxima

Fa Pe

S P  Ia
Continuidad:

P  Pe  Ia  Fa
41
Figura SCS

42
 Método de SCS
Combinando ambas ecuaciones y despejando Pe:

Pe  S  P  Ia  S 
P  Pe  Ia  P  Ia  Pe   
P  Ia  P  Ia 

 Pe 
P  Ia  2

Estudiando resultados de
P  Ia  S diversas cuencas, SCS tiene
Substituyendo en la siguiente relación:
ecuación anterior: Ia  0,2  S
Pe 
P  0,2  S
2
, P  0,2  S
P  0,8  S
43
 Método de SCS

Se plotea valores
de P y Pe para
diversas cuencas,
SCS construye
curvas
mostradas en
figura:

44
 Método de SCS
 SCS creó un parámetro adimensional
denominado CN (“curva número”), que posee
las siguientes propiedades:

• 0 < CN ≤ 100
o para áreas impermeables CN = 100
o para otras superficies CN < 100

 El Número de curva CN e infiltración potencial S

están relacionados a través de siguiente
expresión:  1000 
Smm   25,4    10 
 CN 
45
Resultados de varios métodos de HU

46
 Análisis Regional
 Transferencia de cuencas con información de descargas
máximas a otras que no cuenten con dicha información.
 Se busca relación entre descargas máximas y
características geomorfológicas de cuencas, de
comportamiento hidrológico similar, por correlación
múltiple:
Qm = f(A, H, P, I, Dd)
Qm = caudal máximo; A = área de cuenca; P = perímetro de
cuenca; I = pendiente del cauce principal; Dd = densidad de
drenaje.

47
 d) Métodos estadísticos-probabilísticos

 Es la Estimación de máxima avenida a partir de series de

caudales máximos, mediante análisis de frecuencias y
ajuste de funciones de distribución de probabilidades
teóricas.
 Por ello, al igual que en el planeamiento y diseño de
proyectos hidráulicos, es necesario considerar que
diferentes eventos hidrológicos son gobernados por
leyes del azar, donde:
Variables hidrológicas = variables aleatorias
(comportamiento no puede predecirse con
certidumbre).

48
 Estadística hidrológica y análisis de frecuencia
El Comportamiento de una variable aleatoria está descrito
por una ley de probabilidades, que pueden ser discretas
(toma un valor específico) o continuas (toma valor dentro
de un rango).

Los Procesos hidrológicos evolucionan en el tiempo y en el

espacio como procesos determinísticos (predecibles) o
como procesos aleatorios (impredecibles).

La Estadística hidrológica se centra en análisis de procesos

y variables aleatorias; con ello, hidrología se preocupa de
ocurrencia, descripción y análisis de eventos extremos.

49
 Probabilidad
Una variable aleatoria X es una variable descrita por
una distribución de probabilidad, la que determina la
posibilidad de que una observación Xi se encuentre
en un rango especificado de X.
• La probabilidad de un evento A, P(A); es la
posibilidad de que éste ocurra cuando se hace una
observación de la variable aleatoria.
• Esta puede estimarse en función del cálculo de la
frecuencia relativa (na/n).

50
 Probabilidad
 Es importante señalar que probabilidades estimadas,
utilizando información muestral, son sólo aproximaciones
debido a que dependen de valores específicos de
observaciones en una muestra de tamaño limitado.

 Lo que comúnmente se utiliza es ajustar una función de

distribución de probabilidad a información y luego
determinar probabilidades de eventos utilizando dicha
función ajustada.

51
 Función de densidad
• Con una variable aleatoria continua, carece de sentido
determinar probabilidad de que asuma un valor x dado,
ya que en cualquier intervalo existen infinitos valores
posibles y por tanto:
P(x) = Número de casos favorables
Número de casos posibles = 0
• En consecuencia para describir distribución de una
variable continua, se utiliza función de densidad f(x), que
proporciona probabilidad de que x pertenezca a un
intervalo (a,b) dada como área bajo curva entre a y b.

52
 Análisis de frecuencia
 Período de retorno de un evento Xi≥XT, es tiempo promedio (o
recurrencia promedio) entre observaciones donde se cumple
que Xi≥XT.
 Sea X1, X2, X3,..., XN, una muestra de N años de observaciones
(ocurrencias) p.e. de caudales máximos.
 Se establece el evento “caudal máximo anual mayor o igual
que XT“, que se produce en M ocasiones.
 Es lo mismo decir que caudales máximos anuales observados
en M años de la serie de N años, coinciden o exceden con XT.
 Entonces, años de ocurrencia del evento M, definen M-1
intervalos entre eventos.

53
 Análisis de frecuencia
• Así, el intervalo de ocurrencia promedio o período de
retorno T del evento definido estará determinado por:

N añosserie N
 
N  int ervalos M  1

Probabilidad y período de retorno:

 En una muestra compuesta por valores de Xi, existen
dos posibilidades para cada observación:
1. Xi≥XT, posibilidad que se le asigna una probabilidad P.

2. Xi<XT, posibilidad que se asigna una probabilidad (1-P).

54
 Análisis de frecuencia
 La Probabilidad P de un evento Xi ≥ XT, es la posibilidad de
que éste ocurra cuando se hace una observación Xi de una
variable aleatoria X.
 Expresión del período de retorno τ en función de
probabilidad P de excedencia de una observación Xi viene
dada por:
  P1  1  P  
2 1
P
 La Probabilidad de que una observación exceda el
valor XT está determinada por la inversa de la
ecuación anterior:
P( X i  X T )  1 / 
55
 Análisis de frecuencias utilizando factores de
frecuencia
La Magnitud xT de un evento hidrológico extremo puede
representarse mediante la Ecuación de Frecuencia, que
considera la media  más una desviación xT de la
variable con respecto a la media:
xT =  +  x T
La Desviación con respecto a la media, puede igualarse
al producto de la desviación estándar  y el factor de
frecuencia KT, que es función del período de retorno y
del tipo de función de probabilidad a utilizarse.
Entonces:
x T =  + KT 
56
 Análisis de frecuencias
Puede aproximarse mediante:
xT = x + KT sx
Si la variable analizada es y = log x, se aplica el mismo método a
las estadísticas para el logaritmos de los datos, utilizando:
yT = y + KT sy
y valor requerido de xT se encuentra con antilog yT.

El Análisis de frecuencias se inicia con la determinación de los

parámetros estadísticos.
Para un período de retorno dado, el factor de frecuencia se
determina de la relación KT - T, para la distribución propuesta; el
valor de xT se estima mediante ecuaciones de frecuencia,
respectivas.
57
 Bondad de ajuste
Prueba de Kolmogorov-Smirnov

 Bondad de ajuste: asimilación de datos observados de una

variable, a una función matemática previamente establecida y
reconocida.

 Para la aplicación del test se comienza por determinar la

frecuencia observada acumulada. Para ello se ordenan los
datos recolectados de menor a mayor y se aplica siguiente
fórmula:
n
Fn 
N 1

 Es muy común también ordenar

los datos de mayor a menor

58
 Distribuciones para valores extremos
 Valores extremos: valores máximos ó mínimos seleccionados de
un conjunto de datos.

 Fisher y Tippett (1928) propusieron una clasificación de

“Distribución de Valores Extremos tipo I, II y III”, cuando el
número de valores extremos es grande.

 Gumbel (1941), desarrolló propiedades para DVE Tipo I; Frechet

(1927), desarrolló propiedades para DVE Tipo II; Weibull (1939),
desarrolló propiedades para DVE Tipo III; Jenkinson (1955),
demostró que los tipos anteriores son sólo casos especiales de una
distribución única llamada “Valor Extremo General”.

59
 Funciones de distribución de probabilidades
teóricas
 Las Funciones de distribución de probabilidades
teóricas que más se ajustan a las series de caudales
máximos son:
 Distribución Lognormal : variable aleatoria (y =
log x) está distribuida en forma normal;
 Distribución de valor extremo, Gumbel:
 Distribución log-Pearson tipo III: variable log x
sigue la distribución Pearson Tipo III.

60
 Distribución normal
• La más importante de las distribuciones continuas es
la distribución normal o de Laplace-Gauss, tanto por
frecuencia con que se encuentra como por su
aplicación teórica.

• La Función de densidad es:

• Sus parámetros son: µ,  .

 No es muy usada debido a que la información
hidrológica que se maneja tiende a ser asimétrica.
61
 Distribución normal

Una regla empírica indica que en cualquier distribución

normal las probabilidades delimitadas entre 1
desviación típica, 2 desviaciones típicas y 3
desviaciones típicas son el 68%, 95% y 99%,
respectivamente.
62
 Distribución Log-normal
 Sea x = variable hidrológica, entonces se dice que x se
distribuye de forma lognormal cuando y = logx.

 Esta distribución se aplica a las variables hidrológicas

formadas como producto de otras variables, como las
funciones de conductividad hidráulica de un medio
poroso, distribución del tamaño de gotas de lluvia en
una tormenta.

63
Distribución Log normal (µ, 2)
2
ln x - µ
x-1 _ 1
e

2
f(x) =
2 

2 2

64
 Factor de Frecuencia para Distribución
Normal y Log-Normal
 Es el mismo que la variable normal estándar Z definida por la
ecuación siguiente: QQ
K  Z 
SQ

 El Valor de Z correspondiente a una probabilidad de excedencia;

puede calcularse encontrando valor de una variable intermedia W:

  1 
1/ 2 (0 < P  0.5)
W  ln  2 
  P 
1/ 2
  1 
W  ln  
2  (P > 0.5)
  (1  P) 

65
 Distribución de valores extremos - Ajuste de
función de Gumbel
 Definición de función de Gumbel señala que una variable
aleatoria ε sigue una distribución de probabilidad de este
tipo si:

 d ( xu)
F ( X )  P  X   e e con -  x  

 Donde x presenta el valor a asumir por la variable

aleatoria, con d y u parámetros y e base de
logaritmos neperianos. Despejando x de la ecuación
anterior, queda: ln(  ln F ( X ))
xu
d
66
 FacDistribución Gumbel y Log-Gumbel

Para la distribución de Valor Extremo Tipo I, Chow (1953)

dedujo siguiente expresión:

6   T  
1
T
K  0.5772  ln ln      
1  exp  exp   0.5772 
K  
 
    T  1      6  

Cuando variable es igual a media K = 0 y T = 2.33 años, que

corresponde al periodo de retorno de media de distribución.

Para distribución Log-Gumbel, se usa mismo procedimiento

excepto que éste se aplica a logaritmos de variables.

67
 Intervalo de confianza:

IC 
tSQ
1  0.5Z 
2 1/ 2

n
 Límite de Confianza Superior:
LCS = Q + IC
 Límite de Confianza Inferior:
LCI = Q - IC
 Número de grados de libertad se calcula restando
número de parámetros (k) al tamaño de muestra (n):
=n-k
68
 Bondad de ajuste
• Se utiliza para la comparación de la
distribución de una muestra con alguna
distribución teórica que se supone describe a
la población de la que se extrajo.

• Si 2 calculado < 2 tabulado, NO se rechaza

la Ho. La muestra posiblemente fue extraída
de la población mencionada.

69
 Distribución  2

 La suma de n variables aleatorias (zi) independientes cada una de ellas

con distribución normal, N(0,1) se distribuye como 2 con n grados
de libertad

70
Función t de Student

71
 Método gráfico
Probabilidad
Cada función de
Log normal probabilidad tiene
Q Log Pearson III su propio tipo de
gráfico
Gumbel

Se ajusta una línea

recta a través datos
en cada gráfico

Se selecciona la
función que tenga el
menor error.
Periodo retorno
72
Análisis de frecuencias

73
 Método analítico
• En el método analítico, se trabaja con la inversa de
la probabilidad hidrológica.
• En general, la ecuación puede ser expresada como:

desviación

Variable
Y = Y + KT*SY estándar de
la variable
aleatoria aleatoria
Factor de
Media de frecuencia
variable aleatoria

74
 Método Log-normal
Y = logX ó lnX
Y = media de variable Y
SY = desviación estándar
de variable Y
KT = f (T = tiempo de
retorno)
(Tabla o Excel)

75
 Método de Gumbel
• Por medio de la fórmula:

y = -Ln[-Ln (1-1/Tr)]

• El Factor de frecuencia es:

K = (y – yn) / Sn
• Los Valores de yn y Sn dependen de longitud del registro de
muestra utilizada (estos valores se encuentran tabulados, o
bien se pueden obtener a partir del diagrama de Weiss).
• Para calcular el evento correspondiente, Gumbel utiliza la
ecuación general de Chow:
x = x + K.Sx
76
 Método de Gumbel
Y=X
Y = media de la variable Y
SY = desviación estándar de
variable Y
KT = f (T = tiempo de retorno)
N = número de años (Tabla)

K = -0.7797 {0.5772 + ln[ln(T/(T-

1))]}

77
 Método de Log-Person Tipo III
• Este método se basa en transformar eventos x en sus
logaritmos a partir de las fórmulas:
logx = log xi/n
Slogx = [(log xi - logx))2/(n-1)]1/2
g = n[(logxi - logx))3]/[(n-1)(n-2)(Slogx)3]
• Al usarse el evento como logx, la ecuación de Chow
queda como:
logx = logx + K.Slogx
• Donde valor de K puede obtenerse de tablas que están
en función de g (coeficiente de asimetría).

78
 Método Log Pearson III
Y = logx ó lnx
Y = media de variable Y
SY = desviación estándar de
variable Y
KT = f (T = tiempo de retorno)
Cs = coeficiente de
sesgo) (Tabla)

79
Uso de software

80
Uso de software

81
Uso de software

82
Log Pearson tipo III
Log Pearson tipo III

84
Ejemplo de aplicación de distribución Log-Normal

Datos: Ano X Y = logX Y^2

3 3 1967 348,2 2,5418 6,4609
Ano Qmáx (m /s) Ano Qmáx (m /s)
1968 295,4 2,4704 6,1029
1967 348.2 1975 314.7 1969 315,6 2,4991 6,2457
1968 295.4 1976 288.0 1970 278,8 2,4453 5,9795
1969 315.6 1977 260.5 1971 304,3 2,4833 6,1668
1970 278.8 1978 335.4 1972 290,5 2,4631 6,0671
1971 304.3 1979 310.0 1973 277,9 2,4439 5,9726
1972 290.5 1980 294.3 1974 362,1 2,5588 6,5476
1973 277.9 1981 331.5 1975 314,7 2,4979 6,2395
1974 362.1
1976 288,0 2,4594 6,0486
Solución: 1977 260,5 2,4158 5,8361
1978 335,4 2,5256 6,3785
Y 
Y i

37 ,2851
 2 ,4857 1979 310,0 2,4914 6,2069
n 15
1980 294,3 2,4688 6,0949
 n  Y 
1981 331,5 2,5205 6,3528
 Y  92 ,7004  15  ( 2 ,4857 )2
2 2

SY  i
 Soma 37,2851 92,7004
n 1 14

85
Ejemplo de aplicación de distribución Log-Normal

Tabla 1 – Valores de KT para distribución normal

Probabilidade de TR (anos) KT Probabilidade de TR (anos) KT
exceder exceder
0,0001 10000 3,719 0,500 2 0,000
0,0005 2000 3,291 0,550 1,818 -0,126
0,001 1000 3,090 0,600 1,667 -0,253
0,002 500 2,878 0,650 1,538 -0,385
0,005 200 2,576 0,700 1,428 -0,524
0,010 100 2,326 0,750 1,333 -0,674
0,020 50 2,054 0,800 1,25 -0,842
0,025 40 1,960 0,850 1,176 -1,036
0,050 20 1,645 0,900 1,111 -1,282
0,100 10 1,282 0,950 1,052 -1,645
0,150 6,667 1,036 0,975 1,025 -1,960
0,200 5 0,842 0,990 1,01 -2,326
0,250 4 0,674 0,995 1,005 -2,576
0,300 3,333 0,524 0,999 1,001 -3,090
0,350 2,857 0,385 0,9995 1,0005 -3,291
0,400 2,5 0,253 0,9999 1,0001 -3,719
0,450 2,222 0,126
0,500 2 0,000

86
Ejemplo de aplicación de distribución Log-Normal

SY = 0,0376
• A partir de Tabla 1, puede extraerse los valores de KT:
• Para Tr = 50  KT = 2,054
• Para Tr = 1000 años KT = 3,090
• Utilizando la fórmula general de Ven Te Chow para Y, se tiene:
YT  Y  SY  KT
• Substituyendo valores de , KT y SY:
Y
Y50 = 2,4857 + 2,054 x 0,0376 = 2,5629
Y1000 = 2,4857 + 3,090 x 0,0376 = 2,6019

87
Ejemplo de aplicación de distribución Log-Normal

• Finalmente, calculando
antilogaritmo de Y50 e
Y1000:
• Para Tr = 50 años 
Qmáx = 102,5629  365,5
m3/s
• Para Tr = 1000 años 
Qmáx = 102,6019  399,9
m3/s.

88
 Distribución
Log Pearson III

Tabla – Valores de KT
para coeficientes de
asimetría y períodos de
retorno

89
 Ejemplo de aplicación de distribución Gumbel

• Solución:
• Media de caudales: Q 4607,2
Q   307 ,1 m 3 / s
i

n 15
• Desviación estándard:
 Q   n  Q  1.426.109,0  15  ( 307,1 )2
2 2

= 28,6 m3/s SQ 
i

n 1

14
• Para T = 50 años:   50  1 
y50   ln  ln    3,902
  50 
Q50  307,1  0,45  28,6
3,902 
0,7797  28,6  Q50 = 381,2 m3/s
  1000  1 
y1000   ln  ln    6,907
• Para T = 1.000 años   1000 

Q1000  307,1  0,45  28,6

6,907 
0,7797  28,6  Q1000 = 448,3 m3/s

90
 Ejemplo de aplicación de distribución Gumbel

Ano Xi Xi^2
• Puede aplicarse también la distribución de 1967 348,2 121243,2
Gumbel utilizando fórmula general de Ven Te 1968 295,4 87261,2
Chow. Factor de frecuencia es calculado de 1969 315,6 99603,4
1970 278,8 77729,4
siguiente forma: 1971 304,3 92598,5
1972 290,5 84390,3
6  T  1973 277,9 77228,4
KT   0 ,577  ln ln  
   T  1 
1974
1975
362,1
314,7
131116,4
99036,1
1976 288,0 82944,0
6  50 
Para T = 50 años: K 50   
 
0,577  ln ln    2 ,5924
 50  1 
1977 260,5 67860,3
1978 335,4 112493,2
1979 310,0 96100,0
Q50 = 307,1 + 2,5924 x 28,6 = 381,2 m3/s 1980 294,3 86612,5
1981 331,5 109892,3
Para T = 1.000 años: Soma 4607,2 1426109,0
6  1000 
K1000    0,577  ln ln    4 ,9357
   1000  1 

Q1000 = 307,1 + 4,9357 x 28,6 = 448,3 m3/s

91