HIDROLOGIA APLICADA-CAPITULO 09 Maximas Descargas PDF

Hidrologa Aplicada Captulo 9: Anlisis de Mximas Avenidas
CAPTULO 9: ANALISIS DE MXIMAS AVENIDAS
9.1. ASPECTOS GENERALES
Para proyectar una obra hidrulica cualquiera es necesario el conocimiento de la

magnitud y frecuencia de los caudales (o niveles de agua) que esa obra deber
conducir, contener, almacenar, etc.; el proyecto envuelve dimensionamiento y
localizacin de presas, puentes, diques, canales, conductos forzados, sistemas de
drenaje, redes pluviales, estaciones de bombeo, estaciones de tratamiento de agua y
desages, centrales hidroelctricas y una gran variedad de estructuras relacionadas con
estas. El mximo caudal (o nivel) que cualquiera de estas estructuras puede soportar
con seguridad es denominada caudal del proyecto. El ingeniero es consciente de que
est proyectado una obra que puede ser daada o ms an destruida, por descargas
ocasionales de magnitud variable; la frecuencia con que esos daos ocurren debe ser
considerada en la definicin del tamao y resistencia de la obra, su localizacin y hasta
su reconstruccin, si fuera el caso. El problema en el fondo, es econmico a travs del
costo anual de mantenimiento en una estructura dada, comparada con otras soluciones
alternativas. La hidrologa proporciona gran variedad de mtodos basados en diversos
principios, dentro de los cuales se deber escoger el ms adecuado de acuerdo a las
circunstancias particulares, a la obra a disear y dependiendo sobre todo de la
disponibilidad de datos hidrometeorolgicos apropiados, y las aplicaciones resultantes
van a depender del sentido comn y de la experiencia del proyectista.
El subdimensionamiento o sobredimensionamiento de una obra implica costos

excesivos a lo largo del tiempo; por ejemplo una obra para una descarga de 5 aos de
periodo de retorno, puede ser pequeo, ms el costo de reconstruirlo cada 5 aos, en
promedio resulta extremadamente costoso y un puente en el mismo lugar construido
para dejar pasar una descarga de 100 aos de periodo de retorno, sera
extremadamente cara. Por lo tanto un proyecto intermediario sera la solucin ideal,
generando los menores costos anuales.
Algunas definiciones elementales son necesarias para iniciar el estudio del problema.
Entindase por avenida como un caudal muy grande de escorrenta superficial que
sobrepasan la capacidad de transporte del canal generando la inundacin de tierras
aledaas. Las inundaciones traen, como es sabido problemas de toda ndole en
diversas reas de la actividad humana. Por lo tanto, el objetivo de este texto enfoca al
aspecto hidrolgico de la determinacin de los caudales del proyecto en obras
hidrulicas, el que podra ser denominado pre-determinacin de descargas mximas,
ya que se trata del clculo anticipado (en la fase del proyecto) de un caudal critico que
tal vez no haya sucedido o que existe una cierta probabilidad de suceder en el futuro.
El termino Prevencin de Inundaciones se aplica al efecto del fenmeno en la

formacin de la correspondiente descarga, conllevando un pronstico de estado futuro
de alturas o caudales, asociados al instante de ocurrencia de los mismos, con la
finalidad de prevenir los efectos negativos que vengan a suceder. La terminologa
Prevencin del Tiempo Real es ms apropiada; este problema escapa al objetivo de
un curso de hidrologa bsica y por eso no ser tratado aqu; representa un tpico
problema de hidrologa avanzada, donde tcnicas hidrolgicas son empleadas para
calcular anticipadamente la ocurrencia de un evento, a partir del conocimiento del
comportamiento del sistema natural y usando como entradas las lluvias o los niveles y
caudales en determinados lugares de la cuenca y de la red fluvial. Las tcnicas ms
recientes incluyen el modelamiento matemtico, la cual exige el uso de computadoras,
-189-
cuando la simulacin envuelve grandes reas y grandes volmenes de datos (simulacin

continua) as como cuando se trata de eventos aislados de corta duracin.
9.2. PERODO DE RETORNO Y RIESGO
Si en un determinado lugar existe una serie de valores observados de 30 aos, por

ejemplo, el mayor caudal medido en los 30 aos tiene la probabilidad de ser igualadas o
superadas una vez cada 30 aos aproximadamente, segn las leyes clsicas de la
probabilidad; si las necesidades del proyecto exigen, como se ver mas adelante, por
ejemplo un periodo de retorno de 500 aos o ms, estamos delante de un problema de
extrapolacin de datos histricos. El periodo de retorno T o periodo de ocurrencia de
una inundacin (o tiempo de recurrencia) se define, entonces, como el tiempo medio,
en aos, en que esa inundacin es igualada o superada por lo menos una vez.
El problema ahora se concentra

en la fijacin del periodo de
Costo retorno a ser usado en una obra,
Anual ese valor debera obedecer a
criterios econmicos, como se
sugiere la figura 1. Esta figura
representa los costos que un
usuario debera enfrentar para
pagar los beneficios de un sistema
de proteccin contra
inundaciones, por ejemplo. Si
Costo de existiese un seguro contra
las obras
Costo inundaciones, el valor de ese
mnimo seguro sera decreciente con el T
usado en proyectos de la obra
(cuanto mayor es T mayor
proteccin ofrece la misma),
Costo de seguro mientras que el costo de la obra
contra inundaciones en si crece con T. Dado que el
usuario deber asumir con los dos
costos, la curva del costo global
Perodo de Retorno (aos) indicar el periodo de retorno ms
adecuado para el proyecto de la
Fig. 9.1: Determinacin del Perodo de Retorno obra en cuestin (Villela y Mattos,
1975).
Desafortunadamente, en los pases en desarrollo no es comn la exigencia de ese tipo

de seguro, en la mayor parte de los casos. As, la fijacin de T obedece a criterios
relacionados con la vida til de la obra, el tipo de la estructura, la facilidad de reparacin
en caso de daos y el peligro de prdida de vidas humanas en caso de falla.
La consideracin de estos factores y la experiencia acumulada a lo largo del tiempo ha

producido tablas como: la 1 que ofrecen indicativos para la definicin del T.
Existe, an, otro criterio para escoger el periodo de retorno: la fijacin a priori, del
riesgo de falla R de la estructura, dentro de la vida til de la obra. Esto puede ser
expresado por la relacin:
-190-
1
T= (9.1a)
1 (1 R )
1/ n
n
1
R = 1 1 (9.1b)
T
donde: R es el riesgo permisible, o probabilidad de ocurrencia de la mxima descarga

durante los n aos de la vida til de la obra. Esa ecuacin se encuentra tabulada en la
tabla 9.2:
Ejemplo 9.1:
Una alcantarilla tiene una vida til de 10 aos. a) Si el riesgo aceptable de que al menos
ocurra un evento que exceda la capacidad de la alcantarilla durante su vida til es del
10%, qu periodo de retorno de diseo debe utilizarse?. b) Cul es la probabilidad de
que la alcantarilla diseado para un evento con ese periodo de retorno no sea excedido
en su capacidad durante los prximos 50 aos?:
Solucin:
a) Aplicando la ecuacin (9.1a) para R = 0.1 y n = 10, se obtiene: T = 95 aos

b) Aplicando la ecuacin (9.1b) para T = 95 y n = 50, se obtiene: R = 0.41.
La probabilidad de que la capacidad no sea excedida durante este periodo es:
1- 0.41 = 0.59 (59%).
Tabla 9.1: Valores del tiempo de retorno para proyecto de obras
Estructura T (aos)
Caudales de proyecto
Vertedor de grandes presas 10000
Vertedor de una presa de tierra 1000
Vertedor de una presa de concreto 500
Galera de aguas pluviales 5 a 20
Bocatomas 25 a 75
Pequeas presas para abastecimiento de agua 50 a 100
Puentes en carreteras importantes 50 a 100
Puentes en carreteras comunes 25
Lluvias de Proyecto:
Pequeos canales sin dique: rea rural 5
rea urbana 10
Canales grandes sin dique: rea rural 10
rea urbana 25
Pequeos canales con diques: rea rural 10
rea urbana 50
Grandes canales con diques: rea rural 50
rea urbana 100
-191-
Tabla 9.2: Valores de periodo de retorno T asociado al riesgo R
Riesgo (R) Vida til de la obra (n) en aos

1 10 25 50 100 200
0.01 100 995 2488 4975 9950 19900
0.10 10 95 238 475 950 1899
0.25 4 35 87 174 348 695
0.50 2 15 37 73 145 289
0.75 1.30 7.7 18 37 73 144
0.99 1.01 2.7 5.9 11 22 44
Un anlisis de la tabla anterior muestra que si se adopta un riesgo de 10% de que

durante los 25 aos de vida til de una cierta presa ocurra una descarga igual o superior
a la del proyecto, se debe usar un periodo de retorno de 238 aos. Si el periodo de
retorno usado fuese de 87 aos, por ejemplo, el riesgo de falla de la obra aumenta en
2.5 veces o sea a 25 %.
El enfoque discutido anteriormente muestra un anlisis puramente estadstico del

problema; en la actualidad podran ser usados tres tipos de mtodos para la
determinacin de la descarga del proyecto de una obra, abarcando las diversas
posibilidades que se presentan para enfrentar el problema:
Mtodos estadsticos
Mtodos hidrometeorolgicos
Otros mtodos (frmulas empricas, regionalizacin)
En cada caso la metodologa a ser usada depender, en gran parte de la disponibilidad

de informacin y de la experiencia del proyectista en el manejo de esta informacin.
A continuacin sern analizados los dos primeros mtodos con algn detalle,
mencionndose apenas tangencialmente los dems, ya que las frmulas empricas no
son generalmente aceptables por las grandes limitaciones que presentan, y la
regionalizacin es asunto a ser desarrollado en cursos ms avanzados.
9.3. MTODOS ESTADSTICOS
9.3.1. Generalidades
Los mtodos estadsticos se apoyan en la existencia de series de datos de caudales

en el lugar de inters, las cuales son sometidas a un anlisis de frecuencias usando
tcnicas tradicionales de estudio (se basan por lo tanto en la observacin de eventos
pasados). Esto implica que la curva de frecuencia definida para un determinado lugar
es vlida rigurosamente para ese lugar; cuando generalmente la informacin que se
requiere es en un lugar diferente, donde no existen datos medidos; la regionalizacin
de datos permite combinar informaciones de diversos lugares en la cuenca o regin,
para producir por ejemplo, una curva regional de frecuencias, valida en toda la regin
y lugares sin informacin; este recurso entre tanto, est limitado a descargas de
hasta 100 aos de periodo de retorno (Dalrymple, 1962). Los resultados podran ser
confiables siempre que exista suficientes datos disponibles y no hayan ocurrido
modificaciones importantes en el rgimen del curso de agua durante el periodo de
registro, o despus; se acepta entonces, la condicin de que el comportamiento del
sistema continuar siendo el mismo durante el periodo de clculo (en el futuro). Los
valores de caudales empleados en la determinacin de las curvas de frecuencia
-192-
sern valores instantneos, pero en la mayora de los casos se trabaja con los
mximos medios diarios; de lo que resultan series anuales y series parciales.
Dentro de los mtodos estadsticos podemos mencionar las siguientes distribuciones

de probabilidades ms usadas en el anlisis de mximas avenidas en hidrologa.
Distribucin Log-Normal de 2 Parmetros

Distribucin Log-Normal de 3 Parmetros
Distribucin de Valor Extremo Tipo I o Distribucin Gumbel
Distribucin Log-Gumbel
Distribucin Pearson Tipo III
Distribucin Log-Pearson Tipo III
9.3.2. Series Parciales y Anuales
La informacin hidrolgica disponible, en principio en una estacin hidromtrica, es

una secuencia cronolgica de caudales medios diarios. De estos caudales podran
ser escogidos los mximas anuales (una para cada ao hidrolgico), generando una
serie anual. Esto obliga a descartar otros picos elevados que pueden haber ocurrido
en el mismo ao y permite escoger otros valores en otros aos donde nada
importante sucedi, desde el punto de vista de inundacin. Esa limitacin es
superada elaborando una lista de todos los eventos ocurridos, en orden decreciente
y seleccionando los mayores a un determinado limite que puede ser el menor de las
descargas de las mximas anuales, obtenindose de cierta manera una serie parcial.
La dificultad generada con esta ltima opcin es que los eventos as escogidos
pueden ser o no independientes; dos eventos muy prximos pueden, en realidad, ser
un nico evento. Para evitar ese inconveniente, deben ser escogidos eventos
separados por un razonable periodo de tiempo.
Existe una relacin definida entre estos dos tipos de series (Dalrymple, 1962). La
Tabla 93 muestra esa relacin, en funcin del periodo de retorno. En trminos de
periodo de retorno, existe una diferencia en los dos casos; en una serie anual el
intervalo de recurrencia es el intervalo medio en el cual un caudal dado ocurrir como
mxima anual. En la serie parcial, el periodo de retorno es el intervalo medio entre
avenidas de una determinada magnitud, sin relacin alguna con ao o cualquier otro
periodo de tiempo. Esta distincin se aplica siempre, a pesar de que para las
grandes avenidas los dos criterios convergen.
Tabla 9.3: Periodos de retorno (en aos)
Serie Parcial Serie Anual

0.5 1.16
1.0 1.58
1.45 2.00
2.0 2.54
5.0 5.52
10.0 10.50
20.0 20.50
50.0 50.50
100.0 100.50
-193-
9.3.3. La Curva de Frecuencias
El anlisis de frecuencias, a ser discutido, utiliza los mismos principios estadsticos

aplicados a otras variables hidrolgicas, adaptados a las peculiaridades de los datos
de caudales mximos. La tcnica en todos los casos consiste en arreglar la serie en
orden decreciente y atribuir a cada valor el nmero de orden m (m vara desde 1
hasta n), siendo n el tamao de la muestra, esto es, el nmero de aos en el caso de
series naturales). A continuacin se calcula la frecuencia observada a travs de una
relacin emprica como la de Weibull:
m n +1
P= ; T= (9.2)
n +1 m
Existen muchas otras propuestas de frmulas en la literatura especializada

(Viessman et al., 1972)., de esta forma, P es la probabilidad de una determinada
descarga a ser igualada o superada cuando el valor de n es suficientemente grande.
El tratamiento ms comn de los datos as preparados, es el ploteo de los pares de

puntos P T versus Q en un papel con escalas apropiadas. Para propsitos
generales, la escala del papel usado no es importante, habiendo sido propuesta una
escala (Dalrymple, 1962) que aproxima el grfico de una recta.
1
Y = ln ln1 (9.3)
T
Donde: Y es una distancia lineal y T el periodo de retorno; dando valores a T se

puede construir un papel probabilstico, en el cual generalmente los periodos de
retorno se colocan en las abcisas y las descargas en las ordenadas; esta ltima
escala puede ser transformada en logartmica, dando origen a otro papel.
Es comn en nuestro pas que la mayor parte de los registros disponibles de

descargas no sobrepasen 20 o 25 aos, y dado que las necesidades del proyecto
requieren periodos de retorno superiores; la tendencia es de usar la curva de
frecuencia para efectos de extrapolacin, por lo que esto debe ser hecho con mucho
criterio; la distancia lineal entre 25 y 250 aos parece corta en los grficos, pero la
extrapolacin solo puede justificarse cuando se verifica que el fenmeno se ajusta a
la ley establecida. Muchos investigadores intentaron establecer las leyes tericas de
probabilidades que se ajustasen mejor a las muestras de n elementos de modo a
poder estimar, para cada caudal mximo Q, la probabilidad terica P de ocurrir o ser
sobrepasada.
En la prctica es posible efectuar el ajuste de varias distribuciones tericas a una

determinada muestra. Para comparar y concluir cual de ellas, se plotean los valores
en el papel respectivo y se escoge la que mejor se aproxima a una lnea recta.
Existen a disposicin del interesado paquetes de programas que efectan ese
trabajo (Silveira et al., 1983), facilitando sensiblemente el anlisis, ya que el propio
computador disea el papel adecuado. A continuacin sern examinadas con algn
detalle, las distribuciones tericas ms usadas para el anlisis de mximas avenidas,
indicando que no existe un criterio definido para la seleccin a priori de la distribucin
ms adecuada.
9.3.4. Distribucin Log Normal de Dos Parmetros
-194-
Los datos hidrolgicos, a veces, tienen una distribucin fuertemente asimtrica y en

general en esos casos una transformacin logartmica la transforma en una
distribucin normal. La distribucin Log-Normal es de gran utilidad porque abre el
amplio campo terico de aplicacin de la distribucin Normal. Como ambas
distribuciones, Normal y Log-Normal son de dos parmetros, basta calcular la media
y la desviacin estndar de los caudales y de sus logaritmos, respectivamente. El
grado de ajuste de una serie de datos puede, como en los dems casos, ser
examinado a travs del uso del papel de probabilidades Log-Normal, donde debe
resultar una recta.
Por el teorema de lmite central, tenemos que si X es una variable aleatoria con
distribucin normal, se puede esperar una variable Y = ln(X), tambin con distribucin
normal con media Y y variancia 2y . La funcin de densidad de distribucin normal
para Y es:
2
1 Y y

1 y
f (Y ) =
2
e Para - < Y < (9.4a)
2 y
dY
La relacin entre f(X) y f(Y) es: f ( X ) = f (Y )
dX
dY 1
Como Y = ln X , entonces: = , X>0
dX X
2
1 ln X y

1 2 y
f (X ) = e X>0 (9.4b)
2 X y
f(Y) : Densidad de la distribucin normal para Y con media Y y variancia 2y
f(X) : Densidad de la distribucin log-normal para X con parmetros Y y 2y

Y tiene distribucin normal, mientras que X tiene distribucin Log-normal. Los
parmetros Y y 2y pueden ser estimados por Y y SY mediante la transformacin
2
Yi = Ln Xi
Y =
Yi
y S Y2 =
Y
i
2
nY
n n 1
Chow (1954), present la siguiente relacin para calcular Y y S Y2 sin que sea
necesario transformar los datos previamente en sus logaritmos:
1 X SX
Y= ln 2 S Y2 = ln(C v2 + 1) Cv =
2 Cv + 1 X
siendo Cv el coeficiente de variacin de los datos originales.
-195-
Brakensiek (1958), propuso las siguientes relaciones para obtener la media y

variancia de la distribucin Log-normal.
1 2
y + Y
Media: X = E( X ) = e 2
2y
Variancia: Var ( X ) = X2 (e 1)
coeficiente de variacin: Cv = e[ Y2
]
1
1/ 2
coeficiente de asimetra: g = 3Cv + C v3
f (Z )
Como f(X) = f(Y)/X ; y siendo f(Y) una distribucin normal, se tiene: f ( X ) =
X Y
Y Y
donde: Z = . Las tablas de distribucin normal estndar pueden ser usados
Y
para evaluar la distribucin lognormal.
Ejemplo 9.2:
Usando la distribucin Log-normal, calcule la frecuencia relativa esperada para el

siguiente intervalo de clase:
Intervalo de Z P(Z) Frecuencia Frecuencia

Clase Relativa Relativa Esperada
Observada (fo) (fe)
40 - 50 -1.07 0.1423 0.152 ?
X = 67.5 m3/s Sx = 21.0 m3/s
Solucin:
La solucin esperada para la distribucin lognormal esta dada por:
fe(X) = (X)P(X) fe(45) = (X)P(45)
Para evaluar P(45), se requiere estimar Y Y
SX 21
Cv = = = 0.311
X 67.5
1 X 1 67.5
Y= ln = ln = 4.166
2 C v2 + 1 2 0.311 + 1
SY = ln(C v2 + 1) = ln(0.3112 + 1) = 0.30395
-196-
ln X Y ln 45 4.166
Ahora: Z = = = 1.182 ; de la tabla de distribucin normal
Y 0.30395
P(Z) = 0.1186
P( Z ) 0.1186
P (45) = = = 0.0087
XS y 45 0.30395
fe(45) = 10x0.0087 = 0.087
Por lo tanto la frecuencia relativa esperada de dicho intervalo de clase de acuerdo a

la distribucin Log-normal es: 0.087.
Ejemplo 9.3:
Si los datos de caudales picos del ejemplo anterior siguen una distribucin log-
normal, con media = 67.5 y desviacin estndar 21; calcule la magnitud
correspondiente a un caudal que ocurre una vez en 100 aos.
Solucin:
Sea Qo el caudal que ocurre una vez en 100 aos entonces:

P(Q Qo) = 0.01
P(Q < Qo) = 1 0.01 = 0.99
P(Q<Qo) = F(Z) = 0.99
De la tabla de distribucin normal estndar, para F(Z) = 0.99, se tiene Z = 2.3263.
Y = (SY)Z + Y = 0.30395 (2.326) + 4.166 = 4.873
Qo = X = eY = e4.873 = 130.71 m3/s
El caudal correspondiente a un perodo de retorno de 100 aos de acuerdo a la

distribucin Log-normal es 130.71 m3/s.
9.3.5. Distribucin Log Normal de Tres Parmetros
Esta difiere de la distribucin Log-normal de dos parmetros por la introduccin de un

lmite inferior Xo, como: Ln(X Xo).
La funcin de densidad de X es:
2
1 ln( X X o ) y

1 y
f (X ) = e
2
Para X > Xo (9.5)
( X X o ) 2 y
Xo = parmetro de posicin
y = parmetro de escala o media
Y2 = parmetro de forma o variancia
-197-
Los momentos de X pueden obtenerse de los correspondientes momentos de la

distribucin Log-normal de dos parmetros, debido a que las variables aleatorias
difieren solo en el parmetro de posicin Xo: X = Xo + H, siendo H = eY
X = Variable aleatoria con distribucin log-normal de 3 parmetros

H = Variable aleatoria con distribucin log-normal de 2 parmetros
Xo= Parmetro de posicin
E( X ) = X = X 0 + E(H ) = X 0 + H
E ( X X ) 2 = X2 = H2
1 2
( Y + Y )
X = E( X ) = X 0 + e 2
X2 = Var ( X ) = (e 1) e ( 2 + Y2 )
2
Y Y
El coeficiente de asimetra, g, est dado por: g = (e Y 1)(e Y + 2) y de forma

2 2
aproximada puede ser: g 0.52 + 4.85 Y2
Ejemplo 9.4:
La variable aleatoria X correspondiente a caudales picos, tiene distribucin log-

normal de tres parmetros con media 20, desviacin estndar 6 y coeficiente de
asimetra o sesgo 1.5. Determinar el caudal correspondiente a 5 aos de perodo de
retorno.
Solucin:
Como g 0.52 + 4.85 Y2 = 1.5 entonces Y2 = 0.20 y Y = 0.447
2 (2 + 2 )
Como: X2 = (e Y 1) e Y Y y adems Y2 = 0.20 y X2 = 36 ; reemplazando
estos valores en la ecuacin se obtiene el valor de: y = 2.4457
1 2
( Y + Y )
De la ecuacin: X = E ( X ) = X 0 + e 2
se obtiene que: Xo = 7.25, puesto que
y = 2.4457, x = 20 y 2
Y = 0.20
Para T = 5 aos
P(Q > Qo) = 1/T = 0.2
F(X) = P(Q Qo) = 1 - 1/T = 0.80
El valor de Z obtenido de la tabla de distribucin normal estndar es: Z = 0.84 y como

Y Y
Z= se tiene : Y = Y + Z Y = 2.4457 + 0.84 0.1447 = 2.821 . Finalmente
Y
de la relacin X = Xo + eY se tiene que X = 24.05 m3/s
9.3.6. Distribucin de Gumbel y Log Gumbel
-198-
Entre las diversas distribuciones de valores extremos, la Distribucin de Gumbel, es

la que actualmente tiene mayor utilidad. Los valores extremos en cuestin serian las
descargas diarias mximas anuales, ya que cada una es la mxima entre los 365
valores del ao. Para aplicar esa ley, se debe tener en cuenta que existen n
muestras, cada una constituida de 365 elementos, del universo de la poblacin
infinita de la variable aleatoria que es el caudal diario. De acuerdo con la ley de los
extremos (Pinto et al., 1976), la ley de distribucin de la serie de n trminos
constituidos por los mayores valores de cada muestra tiende asintticamente para
una ley simple de probabilidades, que es independiente de la que rige la variable
aleatoria en las diferentes muestras y en el propio universo de la poblacin infinita.
La distribucin Gumbel es usado frecuentemente para el estudio de magnitud-

duracin y frecuencias de lluvias (Hershfield 1961) y como la distribucin de valores
mximos de caudales anuales de un ro. GUMBEL (1958), estudi la aplicacin para
datos de descargas diarias.
La funcin de densidad de probabilidad para la distribucin de valores extremos Tipo

I o Gumbel es:
X X
e
1
f (X ) = e
para: - < X < ; - < < ; >0 (9.6)

El signo (+) se aplica para valores mnimos y el signo (-) para valores mximos. En la
funcin de densidad es el parmetro de escala y el parmetro de posicin.
La media, la variancia y el coeficiente de asimetra de la distribucin del valor

extremo Tipo I son:
Media: E ( X ) = = + 0.577 para valores mximos

E ( X ) = = 0.577 para valores mnimos
Variancia: 2 = 1.645 2 para ambos
Coeficiente de asimetra: g = 1.1396 para valores mximos
g = 1.1396 para valores mnimos
X
Si se hace la transformacin; Y= ; la funcin de densidad ser:

f (Y ) = e (Y e ) . El signo (+) se emplea para eventos mnimos y el signo () para
Y
eventos mximos.
La funcin de distribucin acumulada es:

Y
P (Y < Y0 ) = F (Y ) = e e para valores mximos (9.7)
Y
P (Y < Y0 ) = F (Y ) = 1 e e para valores mnimos (9.8)
F (Y ) min = 1 F (Y ) max (9.9)
Los estimadores para los parmetros y , por el mtodo de momentos (Lowery y

Nash, 1970) son:
-199-
S
= ; = X 0.45S para valores mximos
1.283
= X + 0.45S para valores mnimos
Por el mtodo de mxima verosimilitud (Lower y Nash, 1970) son:

Xi
X
i
X e e
= X
i
Xi
= ln
n
e

Desafortunadamente las ecuaciones de mxima verosimilitud para el estimado de los

parmetros y no tienen solucin explcita, por lo que es necesario una solucin
por mtodos numricos. Segn Lower y Nash, el mtodo de momentos da
resultados satisfactorios en el clculo de estos parmetros.
Ejemplo 9.5:
Si se muestra de datos de caudales picos tiene como media 81 y desviacin

estndar 23. Determinar el perodo de retorno T, correspondiente a Q = 91 m3/s, si
se asume que los datos siguen una distribucin Gumbel.
Solucin:
S
= = 17.94 = X 0.45S = 70.65
1.283
X 91 70.65
La variable reducida es: Y = = = 1.134 por lo tanto:
17.94
Y 1.134 1
P (Y 1.134) = e e = ee = 0.725 y consecuentemente: T = = 3.64
1 0.725
La expresin de Y muestra que existe una relacin lineal entre l y el valor del caudal
X (X X )
2
X; esa recta puede ser diseada conocindose: X= y SX = .

n n 1
El eje donde estn marcados los valores de Y puede ser graduado en tiempos de
retorno a travs de la relacin T = 1/P y de esta manera, a cada caudal le
corresponde un periodo de retorno; conocindose a este como Papel de Distribucin
Gumbel.
El mtodo de Gumbel es de fcil aplicacin y se basa solo en dos parmetros, la

media y la desviacin estndar, mientras que otros mtodos incluyen el coeficiente
de asimetra.
Cuando la asimetra es grande, se toma X = ln Q y se procede al anlisis como en

el caso anterior, constituyndose una distribucin Log-Gumbel; el grfico establecido
corresponde a una recta en el papel de probabilidades correspondiente, si el ajuste
es adecuado.
-200-
9.3.7. Distribucin Pearson III
Karl Pearson (1953), propuso que la distribucin de frecuencias puede ser

representado por la siguiente funcin de densidad:
X t +
0 + 1t + 2t 2 +... dt
f (X ) = e (9.10)
La distribucin Pearson Tipo III, tiene gran aplicacin en hidrologa especialmente en

el anlisis de caudales mximos (picos). Su funcin de densidad se puede escribir
como:
( X X o ) 1 e ( X X o ) /
f (X ) = (9.11)
( )
para: Xo X <
- < Xo <
0< <
0< <
X X0
Variable reducida : Y = por lo que:

Y 1 e Y
f (Y ) = (9.12)
( )
Y Y 1 e Y
P(Y Y0 ) = F(Y) = dY (9.13)
0 ( )
El estimado para los parmetros por el mtodo de momentos es:
E(X) = = X 0 + media
E(X ) = =
2 2 2
variancia
2
g= coeficiente de asimetra o sesgo

Ejemplo 9.6:
Si los caudales picos de un cierto ro siguen una distribucin Pearson Tipo III, con
media 60, desviacin estndar 18 y coeficiente de asimetra 0.9. Calcular
aproximadamente la media y el valor del caudal correspondiente al perodo de
retorno de 10 aos.
Solucin:
2
Como: g = = 0 .9 entonces = 4.938

-201-
18
Como: 2 = 2 = 18 2 entonces = = 8.10
4.938
Como: = X 0 + = 60 entonces X 0 = 60 8.10 4.938 = 20.002
X X0
Como: Y = entonces: X = Y + X 0

De la condicin del problema:

1 Y
1 1 Y Y e
P(Y Y 0 ) = F(Y) = 1 =1 = 0.9 = dY
T 10 0 ( )
Debido a la dificultad de resolver la integral se recomienda usar las tablas de

distribucin acumulada Gamma o en su defecto obtenerla haciendo uso de la
Funcin estadstica DISTR.GAMMA.INV de Microsoft EXCEL.
A continuacin se describe el procedimiento seguido en la obtencin de Y mediante

EXCEL:
Funcin: DISTR.GAMMA.INV
Calcula, para una probabilidad dada, el valor de la variable aleatoria siguiendo una
distribucin gamma acumulativa.
Sintaxis: DISTR.GAMMA.INV(probabilidad;alfa;beta)
Probabilidad : es la probabilidad asociada con la distribucin gamma.

Alfa : es un parmetro de la distribucin.
Beta : es un parmetro de la distribucin.
Observaciones:
Si uno de los argumentos no es numrico, DISTR.GAMMA.INV devuelve el valor

de error #VALOR!
Si el argumento prob < 0 o si probabilidad > 1, DISTR.GAMMA.INV devuelve el

valor de error #NUM!
Si alfa 0 o si beta 0, DISTR.GAMMA.INV devuelve el valor de error #NUM!
Si el argumento beta 0, DISTR.GAMMA.INV devuelve el valor de error #NUM!
DISTR.GAMMA.INV utiliza una tcnica iterativa para calcular la funcin. Dado un

valor del argumento probabilidad, DISTR.GAMMA.INV reitera hasta obtener un
resultado con una exactitud de 3x10-7. Si DISTR.GAMMA.INV no converge
despus de 100 iteraciones, devuelve el valor de error #N/A.
x
1
La ecuacin para la distribucin gamma es: f ( x, , ) = x 1 e
( )

-202-
Aplicacin:
En nuestro caso especfico: probabilidad = 0.9, = = 4.938, = 1
DISTR.GAMMA.INV(0.9;4.938;1) que da Y = 7.9132

m3
Por lo tanto: X = Y + X 0 = 8.1 7.9132 + 20.002 = 84.1
s
9.3.8. Distribucin Log Pearson III
La transformacin puede ser: Z = ln( X ) o Z = ln( X X 0 ) donde: Z es la variable

aleatoria con distribucin Pearson III y X la variable aleatoria con distribucin Log-
Pearson III.
La funcin de densidad para X y Z y la funcin de distribucin se dan a continuacin:
( LnX Y0 ) 1 e ( LnX Y0 ) /
f (X ) = (9.14)
( )
( Z Z 0 ) 1 e ( Z Z 0 ) /
f (Z ) = (9.15)
( )
Z Z0

1
Z (Z Z 0 ) e
P(Z Z 0 ) = F(Z) = (9.16)
Zo ( )
Zo = parmetro de posicin
= parmetro de escala
= parmetro de forma
De acuerdo a la distribucin Pearson Tipo III: X = Z + X 0 y en el caso de

distribucin Log-Pearson Tipo III: X = e Z X = X 0 + e Z .
La media, variancia y el sesgo para la distribucin Log-Pearson Tipo III son:
E(Z) = Z = Z 0 + media
E(Z Z ) 2 = Z = 2
2
variancia
2
g= coeficiente de asimetra o sesgo

Ejemplo 9.7:
Si los caudales picos son variables aleatorias, (X) con distribucin Log-Pearson de 3
parmetros tal que Ln(X) tiene media igual a 5, variancia igual a 0.06 y sesgo igual a
0.61. Determinar el caudal correspondiente a un perodo de retorno de 10 aos.
Solucin:
-203-
2
Como: g = = 0.61 entonces = 10.75

0.08
Como: Z = 2 = 0.08 entonces = = 0.0863
2
10.75
Como: Z = Z 0 + = 5 entonces Z 0 = 5 0.0863 10.75 = 4.0723
Z Z0

1
1 1 Z (Z Z 0 ) e
P(Z Z 0 ) = F(Z) = 1 =1 = 0.9 =
T 10 Zo ( )
La solucin de esta ecuacin es bastante complicada por lo que ser necesario

Z Z0
hacer la siguiente transformacin: Y= , por lo que:

Y Y 1 e Y
F (Y ) = 0.9 = dY
o ( )
Siguiendo el mismo procedimiento que en el ejemplo anterior, se obtiene:
Para: probabilidad = 0.9, = = 10.75, = 1
DISTR.GAMMA.INV(0.9;10.75;1) que da Y = 15.1074
Por lo tanto: Z = Y + Z 0 = 0.0863 15.1074 + 4.0723 = 5.376

m3
Finalmente: X = e Z = e 5.376 = 216.16
s
La distribucin Pearson III posee la caracterstica de ser asimtrica y no negativa, lo

que lo hace adecuada para describir los caudales mximos; es una distribucin de
tres parmetros. La media, la desviacin estndar y el coeficiente de asimetra, son
definidos por las siguientes relaciones:
X=
X (9.17)
n
(X X )
2
SX = (9.18)
n 1
(X X ) n X 3 3n ( X )( X 2 ) + 2n ( X )
3 3
cX = = (9.19)
2 S (X X ) n (n 1)(n 2 )S X
2 3
X
El METODO DE FOSTER representa una aplicacin de la distribucin Pearson III, a

travs de un ajuste del coeficiente de asimetra establecido por Hazen:
8.5
c 'X = c X 1 + (9.20)
n
-204-
donde n es el tamao de la muestra de caudales mximos diarios. Para la aplicacin

del mtodo, se calculan los parmetros media, desviacin estndar y el coeficiente
de asimetra.
9.3.9. Mtodo de Fuller
Es un mtodo de extrapolacin de datos histricos basado no en una distribucin de

frecuencias, pero s en una regla de probabilidad, que establece la siguiente relacin
Q
entre y el periodo de retorno T:
Q
Q
= a + b log T (9.21)
Q
donde Q es el caudal diario ms probable con periodo de retorno T; a y b son

coeficientes determinados a partir de los datos histricos.
Cuando no existen series de datos observados, el autor propone los valores de: a =
1.0 y b = 0.8 obtenidos para un gran nmero de ros, y el caudal medio puede
encontrarse a travs de:
Q = 0.796 A0.8 (9.22)
siendo A el rea de la cuenca. De esta forma, el caudal mximo diario Q para un

periodo de retorno T en una cuenca de rea A se obtiene:
Q = 0.796 A0.8 (1 + 0.8 log T ) (9.23)
9.4. USO DE LOS FACTORES DE FRECUENCIA EN EL ANLISIS DE MXIMAS

AVENIDAS
El factor de frecuencia es un valor caracterstico de la ley de distribucin Log-Normal,

que tiene gran significacin en el anlisis de eventos extremos y es conocido
matemticamente como la variable reducida. Este trmino fue usado por Ven Te Chow
en combinacin con la frmula general para el anlisis de frecuencias hidrolgicas,
siguiente:
Q = Q + KSQ (9.24)
donde K es el factor de frecuencia, que depende de la ley de ocurrencia del evento

hidrolgico y es tericamente idntico al factor de asimetra de la curva logartmica.
La ecuacin del factor de frecuencia (24) fue propuesta por Chow (1951), y se aplica a
muchas distribuciones de probabilidad utilizadas en el anlisis de frecuencia hidrolgica.
Para una distribucin dada, puede determinarse una relacin K T entre el factor de
frecuencia y el periodo de retorno correspondiente. Esta relacin puede expresarse en
trminos matemticos o mediante una tabla.
9.4.1. Factor de Frecuencia para la Distribucin Normal y Log Normal
-205-
Es el mismo que la variable normal estndar Z definida por la ecuacin siguiente:
QQ
K =Z = (9.25)
SQ
El valor de Z correspondiente a una probabilidad de excedencia puede calcularse
encontrando el valor de una variable intermedia W:
1/ 2
1
W = ln 2 (0 < P 0.5) (9.26a)
P
1/ 2
1
W = ln
2
(P > 0.5) (9.26b)
(1 P )
El valor de Z puede ser obtenida de tablas o calculada con la siguiente ecuacin de

aproximacin:
2.515517 + 0.802853W + 0.010328W 2

K = Z =W (9.27)
1 + 1.432788W + 0.189269W 2 + 0.001308W 3
Para la distribucin Log-Normal, se usa el mismo procedimiento excepto que ste se

aplica a los logaritmos de las variables.
9.4.2. Factor de Frecuencia para la Distribucin Gumbel y Log Gumbel
Para la distribucin de Valor Extremo Tipo I, Chow (1953) dedujo la siguiente

expresin:
6 T
K = 0.5772 + ln ln (9.22)
T 1
1
T= (9.29)
K
1 exp exp 0.5772 +
6
Cuando la variable es igual a la media K = 0 y T = 2.33 aos, que corresponde al

periodo de retorno de la media de la distribucin.
Para la distribucin Log-Gumbel, se usa el mismo procedimiento excepto que ste se

aplica a los logaritmos de las variables.
9.4.3. Factor de Frecuencia para la Distribucin Pearson III y Log Pearson III
Para la distribucin Log-Pearson III, el primer paso es tomar los logaritmos de la

informacin y luego se procede a calcular la media, desviacin estndar y el
coeficiente de asimetra de los logaritmos de los datos. El factor de frecuencia
depende del periodo de retorno T y del coeficiente de asimetra C. Cuando C = 0 el
factor de frecuencia K es igual a la variable normal estndar Z y cuando C 0 el
factor de frecuencia se aproxima por Kite (1977) como:
-206-
2 3 4 5
( C 1
2
) C
( )C
(
C 1C
K = Z + Z 1 + Z 3 6Z Z 2 1 + Z + ) (9.30)
6 3 6 6 6 3 6
Los valores de Z y K para un periodo de retorno dado pueden calcularse a travs de

las ecuaciones (9.20) y (9.23) o en su defecto obtenerse de las tablas que se
presentan al final del texto.
9.5. LMITES DE CONFIANZA PARA LAS DISTRIBUCIONES DE VALORES EXTREMOS
Los datos observados, graficados en los papeles de probabilidad correspondientes,

muestran una tendencia lineal recta, sin que la lnea ajustada se localice exactamente
sobre los puntos ploteados. Este hecho muestra que los datos no pueden ser
representados con absoluta confianza por la teora de probabilidades.
Por lo tanto la distribucin de los datos de probabilidad acumulada pueden ser descritas
por los Lmites de Confianza, establecidos a ambos lados de la curva de ajuste,
quedando entonces la nube de puntos ploteados dentro de estos lmites con un cierto
grado de probabilidad.
Para ello se calcula, en primer lugar, el intervalo de confianza a partir del error estndar
de la media y de la desviacin estndar multiplicndose por el estadstico t de Student
escogido en funcin del nmero de grados de libertad ():
tSQ
Intervalo de Confianza: IC = (1 + 0.5Z ) 2 1/ 2
(9.31)
n
Lmite de Confianza Inferior: LCS = Q - IC (9.32)
Lmite de Confianza Superior: LCI = Q + IC (9.33)
El nmero de grados de libertad se calcula se calcula restando el nmero de

parmetros (k) al tamao de la muestra (n): = n - k
9.6. EJEMPLO DE APLICACIN DE ANLISIS DE MXIMAS AVENIDAS
Tabla 9.4: Procesamiento de datos de caudales mximos para 28 aos de registro
Ao Q Posicin Q P Q (%) T (aos) Y=Log Q

m3/s m m3/s m/(N+1) (N+1)/m
1 2 4 3 5 6 7
1970 120.0 1 261.0 3.45 29.00 2.4166
1971 151.0 2 239.0 6.90 14.50 2.3784
1972 150.0 3 210.0 10.34 9.67 2.3222
1973 210.0 4 196.0 13.79 7.25 2.2923
-207-
1974 182.0 5 190.0 17.24 5.80 2.2788

1975 261.0 6 189.0 20.69 4.83 2.2765
1976 180.0 7 189.0 24.14 4.14 2.2765
1977 150.0 8 182.0 27.59 3.63 2.2601
1978 189.0 9 180.0 31.03 3.22 2.2553
1979 167.0 10 179.0 34.48 2.90 2.2529
1980 111.0 11 176.0 37.93 2.64 2.2455
1981 126.0 12 172.0 41.38 2.42 2.2355
1982 170.0 13 170.0 44.83 2.23 2.2304
1983 104.0 14 169.0 48.28 2.07 2.2279
1984 151.0 15 167.0 51.72 1.93 2.2227
1985 169.0 16 163.0 55.17 1.81 2.2122
1986 137.0 17 158.0 58.62 1.71 2.1987
1987 179.0 18 153.0 62.07 1.61 2.1847
1988 189.0 19 151.0 65.52 1.53 2.1790
1989 153.0 20 151.0 68.97 1.45 2.1790
1990 239.0 21 150.0 72.41 1.38 2.1761
1991 140.0 22 150.0 75.86 1.32 2.1761
1992 158.0 23 140.0 79.31 1.26 2.1461
1993 196.0 24 137.0 82.76 1.21 2.1367
1994 176.0 25 126.0 86.21 1.16 2.1004
1995 163.0 26 120.0 89.66 1.12 2.0792
1996 190.0 27 111.0 93.10 1.07 2.0453
1997 172.0 28 104.0 96.55 1.04 2.0170
Media 167.25 Media 2.2144
Desv. Est. 34.89 Des. Est. 0.0904
Cof. Asim. 0.6180 Cof. Asim. -0.1104
Tabla 9.5: Uso de Factores de Frecuencia Distribucin Log-Normal

T P K=Z Y Q (m3/s)
aos estimado antilog(Y)
2 0.50000 0.0000 2.2144 163.82
5 0.20000 0.8415 2.2904 195.17
10 0.10000 1.2817 2.3302 213.90
25 0.04000 1.7511 2.3726 235.85
50 0.02000 2.0542 2.4000 251.20
75 0.01333 2.2168 2.4147 259.85
100 0.01000 2.3268 2.4247 265.87
150 0.00667 2.4752 2.4381 274.21
200 0.00500 2.5762 2.4472 280.04
300 0.00333 2.7134 2.4596 288.15
400 0.00250 2.8074 2.4681 293.84
500 0.00200 2.8785 2.4745 298.22
1000 0.00100 3.0905 2.4937 311.67
Tabla 9.6: Uso de Factores de Frecuencia Distribucin Gumbel
T P K Q (m3/s)
aos
2 0.50000 -0.1643 161.52
5 0.20000 0.7195 192.35
10 0.10000 1.3046 212.77
25 0.04000 2.0438 238.56
50 0.02000 2.5923 257.70
75 0.01333 2.9111 268.82
-208-
100 0.01000 3.1367 276.69

150 0.00667 3.4541 287.77
200 0.00500 3.6791 295.62
300 0.00333 3.9959 306.67
400 0.00250 4.2205 314.51
500 0.00200 4.3947 320.58
1000 0.00100 4.9355 339.46
Tabla 9.7: Uso de Factores de Frecuencia Distribucin Log-Pearson III
T P K Y Q (m3/s)
aos estimado antilog(Y)
2 0.50000 0.0184 2.2160 164.44
5 0.20000 0.8463 2.2909 195.37
10 0.10000 1.2693 2.3291 213.34
25 0.04000 1.7125 2.3691 233.96
50 0.02000 1.9945 2.3946 248.10
75 0.01333 2.1445 2.4082 255.97
100 0.01000 2.2454 2.4173 261.40
150 0.00667 2.3809 2.4296 268.88
200 0.00500 2.4727 2.4379 274.07
300 0.00333 2.5968 2.4491 281.24
400 0.00250 2.6814 2.4567 286.23
500 0.00200 2.7452 2.4625 290.06
1000 0.00100 2.9344 2.4796 301.71
Tabla 9.8: Comparacin de los valores de caudales mximos obtenidos

T P Q (m3/s) Q (m3/s) Q (m3/s) Q (m3/s)
aos observado Log-Normal Gumbel Log-Pearson III
2 0.50000 169.00 163.82 161.52 164.44
5 0.20000 189.00 195.17 192.35 195.37
10 0.10000 210.00 213.90 212.77 213.34
25 0.04000 255.00 235.85 238.56 233.96
50 0.02000 251.20 257.70 248.10
75 0.01333 259.85 268.82 255.97
100 0.01000 265.87 276.69 261.40
150 0.00667 274.21 287.77 268.88
200 0.00500 280.04 295.62 274.07
300 0.00333 288.15 306.67 281.24
400 0.00250 293.84 314.51 286.23
500 0.00200 298.22 320.58 290.06
1000 0.00100 311.67 339.46 301.71
Tabla 9.9: Clculo de los lmites de confianza para la distribucin Log-Normal

(G.L = 28 2 = 26; = 0.05; t26,0.025 = 2.056)
T P K=Z Y IC(Y) LCI(Y) LCS(Y) LCI(Q) LCS(Q)

aos (1/T) Ec. (8.11) Ec. (8.8) Ec. (8.15) Ec. (8.16) Ec. (8.17)
2 0.50000 0.0000 2.2144 0.0351 2.1792 2.2495 151.09 177.61
5 0.20000 0.8415 2.2904 0.0409 2.2495 2.3313 177.64 214.43
10 0.10000 1.2817 2.3302 0.0474 2.2828 2.3776 191.78 238.56
25 0.04000 1.7511 2.3726 0.0559 2.3167 2.4285 207.36 268.24
50 0.02000 2.0542 2.4000 0.0619 2.3381 2.4620 217.82 289.71
75 0.01333 2.2168 2.4147 0.0653 2.3494 2.4800 223.58 302.01
-209-
100 0.01000 2.3268 2.4247 0.0676 2.3570 2.4923 227.54 310.66

150 0.00667 2.4752 2.4381 0.0708 2.3673 2.5089 232.96 322.75
200 0.00500 2.5762 2.4472 0.0730 2.3742 2.5202 236.72 331.28
300 0.00333 2.7134 2.4596 0.0760 2.3836 2.5356 241.90 343.24
400 0.00250 2.8074 2.4681 0.0781 2.3900 2.5462 245.50 351.70
500 0.00200 2.8785 2.4745 0.0796 2.3949 2.5542 248.25 358.25
1000 0.00100 3.0905 2.4937 0.0844 2.4093 2.5781 256.62 378.53
Tabla 9.10: Clculo de los lmites de confianza para la distribucin Gumbel

(G.L = 28 2 = 26; = 0.05; t26,0.025 = 2.056)
T P K Q (m3/s) IC(Q) LCI(Q) LCS(Q)

aos (1/T) Ec. (8.12) Ec. (8.8) Ec. (8.15) Ec. (8.16) Ec. (8.17)
2 0.50000 -0.1643 161.52 13.65 147.87 175.17
5 0.20000 0.7195 192.35 15.21 177.14 207.56
10 0.10000 1.3046 212.77 18.44 194.32 231.21
25 0.04000 2.0438 238.56 23.83 214.74 262.39
50 0.02000 2.5923 257.70 28.31 229.39 286.00
75 0.01333 2.9111 268.82 31.02 237.80 299.84
100 0.01000 3.1367 276.69 32.98 243.71 309.68
150 0.00667 3.4541 287.77 35.78 251.99 323.55
200 0.00500 3.6791 295.62 37.78 257.83 333.40
300 0.00333 3.9959 306.67 40.63 266.04 347.30
400 0.00250 4.2205 314.51 42.67 271.84 357.18
500 0.00200 4.3947 320.58 44.26 276.33 364.84
1000 0.00100 4.9355 339.46 49.22 290.24 388.67
Tabla 9.11: Clculo de los lmites de confianza para la distribucin Log-Pearson III
(G.L = 28 3 = 25; = 0.05; t25,0.025 = 2.06)
T P K Y IC(Y) LCI(Y) LCS(Y) LCI(Q) LCS(Q)

aos (1/T) Ec. (8.14) Ec. (8.8) Ec. (8.15) Ec. (8.16) Ec. (8.17)
2 0.50000 0.0184 2.2160 0.0352 2.1808 2.2512 151.64 178.32
5 0.20000 0.8463 2.2909 0.0410 2.2498 2.3319 177.76 214.71
10 0.10000 1.2693 2.3291 0.0473 2.2818 2.3764 191.34 237.88
25 0.04000 1.7125 2.3691 0.0553 2.3139 2.4244 206.01 265.71
50 0.02000 1.9945 2.3946 0.0608 2.3338 2.4555 215.67 285.41
75 0.01333 2.1445 2.4082 0.0639 2.3443 2.4721 220.94 296.56
100 0.01000 2.2454 2.4173 0.0660 2.3513 2.4833 224.53 304.33
150 0.00667 2.3809 2.4296 0.0689 2.3607 2.4985 229.43 315.11
200 0.00500 2.4727 2.4379 0.0709 2.3670 2.5087 232.80 322.65
300 0.00333 2.5968 2.4491 0.0736 2.3755 2.5226 237.41 333.15
400 0.00250 2.6814 2.4567 0.0754 2.3813 2.5321 240.60 340.52
500 0.00200 2.7452 2.4625 0.0768 2.3856 2.5393 243.02 346.20
1000 0.00100 2.9344 2.4796 0.0811 2.3985 2.5606 250.34 363.61
-210-
Figura 9.2: Resultados - Distribucin Log-Normal
400,0
380,0
360,0
340,0
320,0
300,0
280,0
Q (m3/s)
260,0
240,0
220,0
200,0
180,0
160,0
140,0
120,0
100,0
1 10 100 1000
Q obs. Q cal. LCI LCS T (aos)
Figura 9.3: Resultados - Distribucin de Gumbel
420,0
400,0
380,0
360,0
340,0
320,0
300,0
Q (m3/s)
280,0
260,0
240,0
220,0
200,0
180,0
160,0
140,0
120,0
100,0
1 10 100 1000
T (aos)
Q obs. Q cal. LCI LCS
Figura 9.4: Resultados - Distribucin Log-Pearson III
380,0
360,0
340,0
320,0
300,0
280,0
Q (m3/s)
260,0
240,0
220,0
200,0
180,0
160,0
140,0
120,0
100,0
1 10 100 1000
Q obs. Q cal. LCI LCS T (aos)
-211-
Tabla 9.12: Factores de frecuencia Tabla 9.13: Factores de frecuencia

para las distribucin Normal para la distribucin Gumbel
T P W K =Z T P K
aos 1/T Ec. (8.10) Ec. (8.11) aos 1/T Ec. (8.12)
1 1.00000 infinito infinito 1 1.00000 infinito
2 0.50000 1.1774 0.0000 2 0.50000 -0.1643
3 0.33333 1.4823 0.4303 3 0.33333 0.2538
4 0.25000 1.6651 0.6742 4 0.25000 0.5214
5 0.20000 1.7941 0.8415 5 0.20000 0.7195
6 0.16667 1.8930 0.9674 6 0.16667 0.8770
8 0.12500 2.0393 1.1504 8 0.12500 1.1198
10 0.10000 2.1460 1.2817 10 0.10000 1.3046
15 0.06667 2.3273 1.5014 15 0.06667 1.6347
20 0.05000 2.4477 1.6452 20 0.05000 1.8658
25 0.04000 2.5373 1.7511 25 0.04000 2.0438
30 0.03333 2.6081 1.8343 30 0.03333 2.1887
35 0.02857 2.6666 1.9026 35 0.02857 2.3108
40 0.02500 2.7162 1.9604 40 0.02500 2.4163
45 0.02222 2.7592 2.0103 45 0.02222 2.5093
50 0.02000 2.7971 2.0542 50 0.02000 2.5923
55 0.01818 2.8310 2.0933 55 0.01818 2.6673
60 0.01667 2.8616 2.1285 60 0.01667 2.7358
65 0.01538 2.8894 2.1605 65 0.01538 2.7987
70 0.01429 2.9150 2.1898 70 0.01429 2.8569
75 0.01333 2.9385 2.2168 75 0.01333 2.9111
80 0.01250 2.9604 2.2418 80 0.01250 2.9617
85 0.01176 2.9808 2.2652 85 0.01176 3.0093
90 0.01111 2.9999 2.2870 90 0.01111 3.0541
95 0.01053 3.0179 2.3075 95 0.01053 3.0965
100 0.01000 3.0349 2.3268 100 0.01000 3.1367
125 0.00800 3.1075 2.4093 125 0.00800 3.3115
150 0.00667 3.1656 2.4752 150 0.00667 3.4541
175 0.00571 3.2140 2.5297 175 0.00571 3.5747
200 0.00500 3.2552 2.5762 200 0.00500 3.6791
250 0.00400 3.3231 2.6525 250 0.00400 3.8535
300 0.00333 3.3775 2.7134 300 0.00333 3.9959
350 0.00286 3.4228 2.7641 350 0.00286 4.1163
400 0.00250 3.4616 2.8074 400 0.00250 4.2205
450 0.00222 3.4955 2.8451 450 0.00222 4.3125
500 0.00200 3.5255 2.8785 500 0.00200 4.3947
550 0.00182 3.5524 2.9084 550 0.00182 4.4691
600 0.00167 3.5769 2.9355 600 0.00167 4.5370
650 0.00154 3.5992 2.9603 650 0.00154 4.5994
700 0.00143 3.6197 2.9830 700 0.00143 4.6573
750 0.00133 3.6387 3.0041 750 0.00133 4.7111
800 0.00125 3.6564 3.0236 800 0.00125 4.7614
850 0.00118 3.6729 3.0419 850 0.00118 4.8087
900 0.00111 3.6885 3.0591 900 0.00111 4.8533
950 0.00105 3.7031 3.0753 950 0.00105 4.8955
1000 0.00100 3.7169 3.0905 1000 0.00100 4.9355
1500 0.00067 3.8245 3.2090 1500 0.00067 5.2518
2000 0.00050 3.8989 3.2908 2000 0.00050 5.4762
2500 0.00040 3.9558 3.3530 2500 0.00040 5.6502
3000 0.00033 4.0016 3.4031 3000 0.00033 5.7924
3500 0.00029 4.0399 3.4450 3500 0.00029 5.9126
4000 0.00025 4.0728 3.4809 4000 0.00025 6.0167
4500 0.00022 4.1017 3.5124 4500 0.00022 6.1086
5000 0.00020 4.1273 3.5402 5000 0.00020 6.1907
7500 0.00013 4.2244 3.6458 7500 0.00013 6.5069
8000 0.00013 4.2396 3.6624 8000 0.00013 6.5572
10000 0.00010 4.2919 3.7191 10000 0.00010 6.7312
-212-
Tabla 9.14: Factor de frecuencia K para la Distribucin Pearson III

Coef. 2 5 10 25 50 75 100 200 500 1000
Asimetra PERIODO DE RETORNO EN AOS Y PROBABILIDAD DE EXCEDENCIA
(c) 0.500 0.200 0.100 0.040 0.020 0.013 0.010 0.005 0.002 0.001
-2.6 0.3469 0.6901 0.7460 0.7589 0.7594 0.7616 0.7648 0.7807 0.8224 0.8716
-2.5 0.3401 0.7055 0.7716 0.7909 0.7916 0.7924 0.7940 0.8037 0.8331 0.8702
-2.4 0.3326 0.7202 0.7973 0.8242 0.8265 0.8266 0.8271 0.8323 0.8517 0.8783
-2.3 0.3242 0.7342 0.8229 0.8588 0.8638 0.8640 0.8641 0.8662 0.8777 0.8958
-2.2 0.3152 0.7476 0.8484 0.8945 0.9034 0.9045 0.9047 0.9051 0.9109 0.9221
-2.1 0.3054 0.7602 0.8737 0.9312 0.9451 0.9479 0.9486 0.9489 0.9510 0.9570
-2.0 0.2949 0.7721 0.8989 0.9688 0.9887 0.9939 0.9958 0.9972 0.9976 1.0001
-1.9 0.2839 0.7832 0.9237 1.0072 1.0342 1.0424 1.0460 1.0499 1.0505 1.0510
-1.8 0.2722 0.7936 0.9483 1.0462 1.0813 1.0932 1.0989 1.1066 1.1094 1.1095
-1.7 0.2600 0.8032 0.9724 1.0858 1.1299 1.1461 1.1545 1.1672 1.1739 1.1752
-1.6 0.2473 0.8120 0.9962 1.1259 1.1799 1.2009 1.2124 1.2314 1.2439 1.2477
-1.5 0.2340 0.8201 1.0194 1.1663 1.2311 1.2576 1.2726 1.2990 1.3189 1.3267
-1.4 0.2204 0.8273 1.0421 1.2069 1.2833 1.3159 1.3349 1.3697 1.3988 1.4120
-1.3 0.2063 0.8338 1.0643 1.2477 1.3365 1.3756 1.3990 1.4434 1.4832 1.5031
-1.2 0.1919 0.8394 1.0858 1.2886 1.3904 1.4366 1.4647 1.5198 1.5719 1.5998
-1.1 0.1771 0.8442 1.1066 1.3293 1.4450 1.4988 1.5320 1.5987 1.6646 1.7019
-1.0 0.1620 0.8481 1.1268 1.3700 1.5002 1.5619 1.6007 1.6800 1.7610 1.8089
-0.9 0.1466 0.8513 1.1462 1.4104 1.5557 1.6259 1.6705 1.7633 1.8610 1.9205
-0.8 0.1309 0.8536 1.1648 1.4506 1.6115 1.6906 1.7414 1.8485 1.9642 2.0366
-0.7 0.1151 0.8550 1.1826 1.4903 1.6675 1.7558 1.8131 1.9355 2.0704 2.1568
-0.6 0.0990 0.8556 1.1996 1.5296 1.7235 1.8215 1.8855 2.0239 2.1794 2.2808
-0.5 0.0828 0.8553 1.2157 1.5683 1.7794 1.8874 1.9585 2.1137 2.2909 2.4084
-0.4 0.0664 0.8543 1.2308 1.6064 1.8351 1.9535 2.0319 2.2046 2.4047 2.5393
-0.3 0.0499 0.8523 1.2450 1.6438 1.8906 2.0196 2.1055 2.2965 2.5206 2.6732
-0.2 0.0333 0.8495 1.2583 1.6804 1.9456 2.0856 2.1793 2.3892 2.6384 2.8099
-0.1 0.0167 0.8459 1.2705 1.7162 2.0002 2.1514 2.2531 2.4825 2.7577 2.9491
0.0 0.0000 0.8415 1.2817 1.7511 2.0542 2.2168 2.3268 2.5762 2.8785 3.0905
0.1 -0.0167 0.8362 1.2919 1.7850 2.1075 2.2818 2.4002 2.6703 3.0005 3.2340
0.2 -0.0333 0.8301 1.3011 1.8180 2.1600 2.3462 2.4733 2.7645 3.1235 3.3793
0.3 -0.0499 0.8232 1.3091 1.8499 2.2117 2.4100 2.5458 2.8588 3.2474 3.5262
0.4 -0.0664 0.8155 1.3161 1.8806 2.2625 2.4731 2.6178 2.9528 3.3719 3.6744
0.5 -0.0828 0.8070 1.3221 1.9103 2.3123 2.5353 2.6890 3.0466 3.4968 3.8237
0.6 -0.0990 0.7978 1.3269 1.9387 2.3610 2.5965 2.7595 3.1400 3.6220 3.9740
0.7 -0.1151 0.7878 1.3306 1.9659 2.4085 2.6567 2.8290 3.2329 3.7473 4.1250
0.8 -0.1309 0.7771 1.3332 1.9918 2.4548 2.7159 2.8975 3.3250 3.8726 4.2765
0.9 -0.1466 0.7657 1.3348 2.0164 2.4999 2.7738 2.9650 3.4164 3.9976 4.4283
1.0 -0.1620 0.7536 1.3352 2.0397 2.5437 2.8305 3.0312 3.5069 4.1223 4.5802
1.1 -0.1771 0.7409 1.3346 2.0617 2.5860 2.8859 3.0962 3.5963 4.2464 4.7321
1.2 -0.1919 0.7275 1.3328 2.0822 2.6270 2.9399 3.1599 3.6846 4.3698 4.8838
1.3 -0.2063 0.7135 1.3301 2.1014 2.6665 2.9925 3.2222 3.7718 4.4925 5.0350
1.4 -0.2204 0.6990 1.3262 2.1191 2.7045 3.0435 3.2830 3.8576 4.6141 5.1858
1.5 -0.2340 0.6839 1.3214 2.1355 2.7410 3.0930 3.3423 3.9420 4.7348 5.3358
1.6 -0.2473 0.6683 1.3155 2.1504 2.7759 3.1410 3.4000 4.0249 4.8542 5.4850
1.7 -0.2600 0.6523 1.3087 2.1639 2.8092 3.1873 3.4561 4.1063 4.9723 5.6331
1.8 -0.2722 0.6358 1.3009 2.1760 2.8409 3.2319 3.5105 4.1860 5.0890 5.7801
1.9 -0.2839 0.6190 1.2922 2.1867 2.8710 3.2749 3.5632 4.2641 5.2043 5.9259
2.0 -0.2949 0.6018 1.2826 2.1960 2.8995 3.3162 3.6142 4.3404 5.3179 6.0703
2.1 -0.3054 0.5843 1.2721 2.2039 2.9263 3.3557 3.6634 4.4149 5.4298 6.2131
2.2 -0.3152 0.5667 1.2608 2.2105 2.9515 3.3935 3.7108 4.4876 5.5399 6.3544
2.3 -0.3242 0.5488 1.2488 2.2157 2.9750 3.4295 3.7564 4.5583 5.6482 6.4939
2.4 -0.3326 0.5308 1.2361 2.2196 2.9970 3.4638 3.8001 4.6272 5.7546 6.6317
2.5 -0.3401 0.5128 1.2227 2.2222 3.0173 3.4963 3.8420 4.6940 5.8589 6.7675
2.6 -0.3469 0.4947 1.2087 2.2236 3.0360 3.5271 3.8821 4.7589 5.9613 6.9013
2.7 -0.3527 0.4768 1.1942 2.2238 3.0532 3.5561 3.9204 4.8218 6.0615 7.0331
2.8 -0.3577 0.4589 1.1791 2.2228 3.0688 3.5834 3.9568 4.8826 6.1596 7.1628
2.9 -0.3616 0.4413 1.1637 2.2208 3.0829 3.6091 3.9914 4.9415 6.2556 7.2902
-213-
9.7. BIBLIOGRAFA
(1) BEDIENT P. B.; HUBER W. C. Hydrology and Floodplain Analysis, USA,

Addison-Wesley Publishing Company, 1992
(2) CHOW VEN TE Hand book of Applied Hydrology, New York, McGraw-Hill Book
Company, 1964
(3) CHOW VEN TE; MAIDMENT D. R.; MAYS L. W. Applied Hydrology, McGraw-
Hill Book Company, 1988
(4) CLARKE R. T. - Mathematical Models in Hydrology, Food and Agriculture
Organization of the United Nations Rome, 973
(5) HANN T. CHARLES - Statistics Methods in Hydrology, The IOWA State
University Press Ames IOWA USA, 1977
(6) G. HOEL PAUL - Introduccin a la Estadstica Matemtica, Editorial ARIEL
Barcelona, 1976
(7) JACK R. BENJAMIN & C. ALLIN CORNELL - Probability, Statistics and
Decision for Civil Engineers, McGraw-Hill Book Company, 1969
(8) KREYSZING ERWIN - Introduccin a la Estadstica Matemtica, Editorial
LIMUSA Mxico, 1979
(9) LINSLEY Jr., R. K.; KOHLER, M. A. & PAULHUS, J. L. H. Applied Hydrology,
New York, McGraw-Hill Book Company, 1949
(10) LINSLEY Jr., R. K.; KOHLER, M. A. & PAULHUS, J. L. H. Hydrology for
Engineers, New York, McGraw-Hill Book Company, 1958
(11) MEJIA M., J.A. Notas del Curso de Hidrologa, Universidad Nacional Agraria La
Molina; Lima, 1984, 1985.
(12) MEJIA M. J. A. & DE PIEROLA CANALES J. N. - Estadstica Aplicada a la
Hidrologa, Departamento de Recursos de Agua y Tierra UNALM La Molina
Lima, 1985
(13) RADOJICIC MILENA - Statistical Methods Applied in Hydrology, Belgrade
Yugoeslavia, 1983
(14) RODRIGUEZ T., F., Elementos de Escurrimiento Superficial, Secretara de
Recursos Hidrulicos, Memorandum Tcnico N 330, Mexico, 1974
(15) SALAS LA CRUZ, JOSE - Modelamiento Estocstico de Series Hidrolgicas,
Departamento de Recursos de Agua y Tierra UNALM La Molina Lima, 1979
(16) VELAZCO L. JAIME - Hidrologa Avanzada, Departamento de Recursos de Agua
y Tierra UNALM - La Molina Lima, 1981
(17) VIESSMAN Jr., W.; HARBAUGH, T.E. & KNAPP, J. W. Introduction to
Hydrology, New York, Intext Educational, 1972.
(18) YEVJEVICH V. - Probability Processes in Hydrology, Water Resources
Publications, Fort Collins Colorado USA, 1972
(19) YEVJEVICH V. - Stochastic Processes in Hydrology, Water Resources
Publications, Fort Collins Colorado USA, 1972
-214-

HIDROLOGIA APLICADA-CAPITULO 09 Maximas Descargas PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

HIDROLOGIA APLICADA-CAPITULO 09 Maximas Descargas PDF

Caricato da

Copyright:

Formati disponibili

Hidrologa Aplicada Captulo 9: Anlisis de Mximas Avenidas

CAPTULO 9: ANALISIS DE MXIMAS AVENIDAS

9.1. ASPECTOS GENERALES

Para proyectar una obra hidrulica cualquiera es necesario el conocimiento de la

El subdimensionamiento o sobredimensionamiento de una obra implica costos

El termino Prevencin de Inundaciones se aplica al efecto del fenmeno en la

cuando la simulacin envuelve grandes reas y grandes volmenes de datos (simulacin

9.2. PERODO DE RETORNO Y RIESGO

Si en un determinado lugar existe una serie de valores observados de 30 aos, por

El problema ahora se concentra

Desafortunadamente, en los pases en desarrollo no es comn la exigencia de ese tipo

La consideracin de estos factores y la experiencia acumulada a lo largo del tiempo ha

donde: R es el riesgo permisible, o probabilidad de ocurrencia de la mxima descarga

a) Aplicando la ecuacin (9.1a) para R = 0.1 y n = 10, se obtiene: T = 95 aos

Tabla 9.1: Valores del tiempo de retorno para proyecto de obras

Tabla 9.2: Valores de periodo de retorno T asociado al riesgo R

Riesgo (R) Vida til de la obra (n) en aos

Un anlisis de la tabla anterior muestra que si se adopta un riesgo de 10% de que

El enfoque discutido anteriormente muestra un anlisis puramente estadstico del

En cada caso la metodologa a ser usada depender, en gran parte de la disponibilidad

9.3. MTODOS ESTADSTICOS

Los mtodos estadsticos se apoyan en la existencia de series de datos de caudales

Dentro de los mtodos estadsticos podemos mencionar las siguientes distribuciones

Distribucin Log-Normal de 2 Parmetros

9.3.2. Series Parciales y Anuales

La informacin hidrolgica disponible, en principio en una estacin hidromtrica, es

Tabla 9.3: Periodos de retorno (en aos)

Serie Parcial Serie Anual

9.3.3. La Curva de Frecuencias

El anlisis de frecuencias, a ser discutido, utiliza los mismos principios estadsticos

Existen muchas otras propuestas de frmulas en la literatura especializada

El tratamiento ms comn de los datos as preparados, es el ploteo de los pares de

Donde: Y es una distancia lineal y T el periodo de retorno; dando valores a T se

Es comn en nuestro pas que la mayor parte de los registros disponibles de

En la prctica es posible efectuar el ajuste de varias distribuciones tericas a una

9.3.4. Distribucin Log Normal de Dos Parmetros

Los datos hidrolgicos, a veces, tienen una distribucin fuertemente asimtrica y en

f(Y) : Densidad de la distribucin normal para Y con media Y y variancia 2y

f(X) : Densidad de la distribucin log-normal para X con parmetros Y y 2y

siendo Cv el coeficiente de variacin de los datos originales.

Brakensiek (1958), propuso las siguientes relaciones para obtener la media y

coeficiente de asimetra: g = 3Cv + C v3

Usando la distribucin Log-normal, calcule la frecuencia relativa esperada para el

Intervalo de Z P(Z) Frecuencia Frecuencia

X = 67.5 m3/s Sx = 21.0 m3/s

La solucin esperada para la distribucin lognormal esta dada por:

fe(X) = (X)P(X) fe(45) = (X)P(45)

Para evaluar P(45), se requiere estimar Y Y

SY = ln(C v2 + 1) = ln(0.3112 + 1) = 0.30395

fe(45) = 10x0.0087 = 0.087

Por lo tanto la frecuencia relativa esperada de dicho intervalo de clase de acuerdo a

Sea Qo el caudal que ocurre una vez en 100 aos entonces:

De la tabla de distribucin normal estndar, para F(Z) = 0.99, se tiene Z = 2.3263.

Y = (SY)Z + Y = 0.30395 (2.326) + 4.166 = 4.873

Qo = X = eY = e4.873 = 130.71 m3/s

El caudal correspondiente a un perodo de retorno de 100 aos de acuerdo a la

9.3.5. Distribucin Log Normal de Tres Parmetros

Esta difiere de la distribucin Log-normal de dos parmetros por la introduccin de un

La funcin de densidad de X es:

Los momentos de X pueden obtenerse de los correspondientes momentos de la

X = Variable aleatoria con distribucin log-normal de 3 parmetros

El coeficiente de asimetra, g, est dado por: g = (e Y 1)(e Y + 2) y de forma

aproximada puede ser: g 0.52 + 4.85 Y2