P. 1
hidrologia

hidrologia

|Views: 1,445|Likes:
Published by Alberto Torres

More info:

Published by: Alberto Torres on Oct 16, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/05/2013

pdf

text

original

13

2. FUNDAMENTOS TEÓRICOS PARA EL CÁLCULO DE CAUDALES
MÁXIMOS

2.1 Introducción

Los fundamentos teóricos de las metodologías utilizadas para la determinación de caudales
máximos en este estudio, las cuales son algunas de las utilizadas en El Salvador; fueron
obtenidos de variada bibliografía, detallada en el apartado bibliográfico de este documento.

El objetivo de este capítulo es dar a conocer los fundamentos teóricos de las metodologías
utilizadas, que posteriormente se validarán, para la obtención de caudales máximos en El
Salvador, mejorando así su comprensión; además de servir como guía para posteriores
estudios relacionados con la temática abordada. Existen metodologías tanto
Hidrometeorológicas como Estadísticas para la determinación de caudales máximos. Las
metodologías Hidrometeorológicas tomadas en cuenta en este trabajo son: Método
Racional, Hidrogramas Unitarios Complejo y Sintéticos de Snyder, Triangular y SCS; y las
metodologías Estadísticas utilizadas son Puntuales y Regionales.

2.2 Fundamentos teóricos sobre Hidrometeorología

La hidrometeorología es el estudio de la meteorología aplicada a los parámetros hídricos.
La teoría hidrometeorológica en general, comprende la observación, procesamiento y
análisis del comportamiento de los elementos hídricos, fundamentalmente las descargas de
los ríos y los volúmenes almacenados en reservorios y lagunas; y de los elementos
meteorológicos, fundamentalmente la precipitación pluvial. [Segoviano, 1974: p.257]

Las teorías hidrometeorológicas para el cálculo de caudales máximos son las siguientes:
Método Racional, el cual comprende determinación de coeficiente de escurrimiento C,
Curvas de Intensidad-Frecuencia-Duración y cálculos de tiempos de concentración;
Hidrogramas Unitarios, los cuales se dividen en Sintéticos (Snyder, Triangular y SCS) y
Complejos.
14
2.2.1 Cálculo de caudales máximos utilizando el método de la Fórmula Racional

Este método, que la literatura inglesa atribuye a Lloyd-George en 1906, si bien los
principios del mismo fueron establecidos por Mulvaney en 1850, permite determinar el
caudal máximo que escurrirá por una determinada sección, bajo el supuesto que éste
acontecerá para una lluvia de intensidad máxima constante y uniforme en la cuenca
correspondiente a una duración D igual al tiempo de concentración de la sección.

Qmáx = CiA (Ec. 2.1)

En donde: Q
máx
: Caudal máximo en la sección de cálculo, C: Coeficiente de escorrentía
medio ponderado de la cuenca, A: Área total de la cuenca vertiente en la sección de cálculo,
i: Intensidad media máxima para una duración igual al tiempo de concentración, de la
sección de cálculo. A continuación se detallan los fundamentos teóricos para determinar
cada una de las variables mencionadas anteriormente. [Schmidth, 1986: p.356]

a) Determinación del Coeficiente de Escurrimiento C

El coeficiente de escurrimiento C representa la fracción de la lluvia que escurre en forma
directa y toma valores entre cero y uno, y varía apreciablemente entre una cuenca y otra, y
de una tormenta a otra, debido a las condiciones de humedad iniciales. Sin embargo, es
común tomar valores de C representativos de acuerdo con ciertas características de las
cuencas como la vegetación, pendientes del terreno y uso de suelos. [German Monsalve,
1999: p.179].

b) Cálculo de curvas de Intensidad-Frecuencia-Duración. [Aparicio, 2001: p.167]

El método utilizado relaciona simultáneamente las tres variables Intensidad- frecuencia-
Duración, en una familia de curvas cuya ecuación es:

15
n
m
c d
kT
i
) ( +
· (Ec. 2.2)

Donde k, m, n y c son constantes que se calculan mediante un análisis de correlación lineal
múltiple; T: Período de retorno en años, d: Duración en minutos e i: Intensidad en mm/h.

Si se toman logaritmos de la ecuación 2.2, se obtiene:

Log i = log k + m log T – n log (d + c) (Ec. 2.3)

O bien:

y = a
0
+ a
1
x
1
+ a
2
x
2
(Ec. 2.4)

Donde: y = log i, a
0
= log k, a
1
= m, x
1
= log T, a
2
= -n, x
2
= log (d + c).

La ecuación 2.4 es la de una familia de líneas rectas de pendientes a
2
, ordenada al origen a
0

y espaciamiento a
1
.

Si los datos registrados de i, d y T se dibujan en papel logarítmico, usualmente se agrupan
en torno a líneas rectas. A veces las curvas resultan ligeramente curvas, lo que se puede
corregir agregando a las duraciones un valor constante c, o bien, en algunos casos, cuando
la pendiente de las líneas varía mucho, dividiendo la línea para cada período de retorno en
dos rectas. Si los datos se agrupan lo suficiente en torno a líneas rectas, el valor de c puede
tomarse como cero.

Al hacer un ajuste de correlación lineal múltiple de una serie de tres tipos de datos, se
obtiene un sistema de ecuaciones como el siguiente:

? y = N a
0
+ a
1
? x
1
+ a
2
? x
2
(Ec. 2.5)

16
? (x
1
y) = a
0
? x
1
+ a
1
? (x
1
)
2
+ a
2
? (x
1
x
2
) (Ec. 2.6)

? (x
2
y) = a
0
? x
2
+ a
1
? (x
1
x
2
) + a
2
? (x
2
)
2
(Ec. 2.7)

Donde N es el número de datos y las incógnitas son a
0
, a
1
y a
2
; x
1
es el logaritmo del
período de retorno, x
2
es la duración (con el valor de c agregado de ser necesario) y y es la
intensidad, obtenidos de un registro de precipitación. El período de retorno se obtiene de la
siguiente ecuación:

T = (n + 1) / m (Ec. 2.8)

Donde m = número de orden en una lista de mayor a menor de los datos y n = número de
datos. (El inverso del período es la frecuencia).

Una vez calculados los coeficientes a
0
, a
1
y a
2
es posible evaluar los parámetros k, m y n
de la ecuación 2.1 y con ella, dibujar las curvas Intensidad – Frecuencia – Duración.

c) Determinación de Tiempos de Concentración t
c
.

El tiempo de concentración no es más que el tiempo que tardaría una gota de agua en
recorrer la longitud desde el punto más distante de la corriente de agua de una cuenca hasta
el lugar de medición. Los tiempos de concentración son calculados a partir de las
características físicas de la cuenca, las cuales son: las pendientes, longitudes, elevaciones
medias y el área de la cuenca. Es de notar que todas las fórmulas tienen factores de
corrección que aplican según la cobertura de la cuenca. [German Monsalve, 1999: p.180]

Tiempo de concentración a partir de la fórmula empírica de Kirpich

Desarrollada a partir de la información del SCS en siete cuencas rurales en Tennessee con
canales bien definidos y pendientes empinadas (de 3% a 10%)

17
385 . 0 77 . 0
0003245 . 0

· S L Tc (En horas) (Ec. 2.9)

L: Longitud máxima del canal o río desde aguas arriba hasta la salida, (en metros).
S: Pendiente del cauce o H/L (m/m) donde H es la diferencia de elevación entre el punto
más elevado y el punto de interés. [Enviromental Modeling System,
http://www.emsi.com/wmshelp/HydrologicModels/Calculators/Computing_Travel_Times/
Using_Basin_Data/Equations/Time_of_Concentration/Kirpich_Tc_Equation.htm. Abril de
2004].

Tiempo de concentración a partir de la fórmula de la Federal Aviation Administration
(FAA)

Desarrollada a partir de la información sobre el drenaje de aeropuertos, recopilada por el
cuerpo de ingenieros de Estados Unidos; el método tiene como finalidad el ser usado en
problema de drenaje de aeropuertos, pero ha sido frecuentemente usado para flujo
superficial en cuencas urbanas. [José Llamas, 1993: p. 96]

33 . 0 5 . 0
) 1 . 1 ( 7024 . 0

− · S L C Tc (En horas) (Ec. 2.10)

C: Coeficiente de escorrentía del Método Racional (adimensional).
L: Longitud de flujo superficial (en metros).
S: Pendiente de la superficie.

Tiempo de concentración a partir de la fórmula empírica de Giandotti

[ ] [ ] E L A Tc 8 . 0 / 5 . 1 4 + · (En horas) (Ec. 2.11)

A: Área de la cuenca (en kilómetros cuadrados).
L: Longitud promedio de flujo superficial (en kilómetros).
E: Elevación media de la cuenca. (en metros).
18
Tiempo de concentración a partir de la fórmula empírica del U.S. Bureau of Reclamation of
California

Conocida también como La fórmula de California Culverts Practice. Esencialmente es la
ecuación de Kirpich, desarrollada para pequeñas cuencas montañosas en California.[Ven Te
Chow, 1994: p. 96]

( )
385 . 0
3
/ 94788 . 0 H L Tc · (En horas) (Ec. 2.12)

L: Longitud de flujo superficial (en kilómetros).
H: Diferencia de nivel entre la divisoria de aguas y la salida (en metros).

d) Validación de fórmulas empíricas para la estimación de Tiempos de Concentración.

Cuando la lluvia cae sobre una cuenca y los niveles de infiltración y de evaporación son
iguales o inferiores a la intensidad del aguacero, comienza el fenómeno de escorrentía sobre
toda la superficie de la cuenca afectada por dicho aguacero.

El agua resbala, antes de alcanzar un río principal o secundario, bajo la forma de capas de
agua, de una cierta altura (según la intensidad de las precipitaciones y la pendiente de la
superficie de flujo) y una cierta velocidad, la cual se deno mina velocidad de la escorrentía.
[José Llamas, 1993: p. 375]

La velocidad de la escorrentía se utiliza para validar las fórmulas con que se obtienen los
tiempos de concentración, convirtiendo, estos últimos, a velocidades y comparándolas con
las velocidades de escorrentía. Ella depende en primer lugar, de la pendiente de la
superficie de flujo y después, de las características del suelo. A continuación se presenta
una fórmula empírica desarrollada para el cálculo de esta velocidad. En la ecuación, α es el
ángulo del terreno. [José Llamas, 1993: p. 375]

19
α
5 / 3
20sen v · (m/s) (Ec. 2.13)

v: Velocidad de escorrentía (m/s).

Anteriormente se detalló la metodología para la determinación de tiempos de concentración
de cuatro maneras distintas. Los tiempos de concentración se transforman a velocidad
dividiendo la longitud del cauce máximo, desde el nacimiento del cauce hasta el punto de
interés, de cada una de las subcuencas en estudio, entre los tiempos de concentración
obtenidos por cada metodología.

Existe un rango de mediciones de velocidades obtenidas por la Ing. Adriana Erazo del
Servicio Hidrológico Nacional en la cuenca del río Paz entre las estaciones hidrológicas de
La Hachadura y El Jobo, el cual fue utilizado como base de comparación (1-3m/s).

También existe un estudio realizado en cuencas de Zaragoza, España, el cual relacionó los
tiempos de concentración con las velocidades de escorrentía y obtuvo la siguiente ecuación:

v
L
S
L
T
C
6 . 3
3 / 2 3 / 1
3 . 0
76 . 0
4 / 1
+
]
]
]
]

,
`

.
|
· (Ec. 2.14)

Donde: L: Longitud del cauce principal (km) desde el punto de inicio del cauce hasta el
punto de medición, S: Pendiente media del cauce, T
C
: Tiempo de concentración (en horas)

En una de las conclusiones del estudio anterior, presentaron rangos de velocidades de
escorrentía en función de la pendiente media del cauce. Concluyeron que para pendientes
de 0 a 10% las velocidades de escorrentía estaban en el rango de 1 a 2 m/s como se muestra
en la tabla 2.1. [Documento sobre Condicionantes Físicos para el Ordenamiento de la Orla
Sudoeste de Suelo Urbanizable].


20
Pendiente media de la cuenca (%)
Velocidad de recorrido inicial (m/s)
Menor del 5 %
1 m/s
Del 5 a 10 %
1 - 2 m/s
Mayor del 10 %
2 m/s
Tabla 2.1. Velocidades de recorrido de tanteo, en función de la pendiente media de la cuenca.

Existe además, un estudio de "Sistematización por medio de terrazas de predios destinados
a la agricultura"; J.C. Molinelli; Dirección de Agronomía, Publ. Nº 93, 1948; Montevideo.
Citado por Ghiggia, R. 1981. En el que obtiene rangos de velocidades de escorrentía
específicos para la determinación de tiempos de concentración en función del tipo de
superficie o suelo en la que el agua escurría. Estos rangos se presentan en la siguiente tabla.

Promedio de velocidades de escurrimiento para calcular
el tiempo de concentración (m/s)
Condiciones de la superficie 0-3 % 4-7 % 8-11 % 12-15 %
Aguas no concentradas
Montes 0.3 0.61 0.9 1.07
Pasturas 0.45 0.91 1.22 1.37
Tierras cultivadas 0.61 1.22 1.52 1.83
Pavimentos 1.52 3.65 4.72 5.49
Nota: Las condiciones de la superficie se representan en porcentajes de pendientes.
Tabla 2.2. Promedio de velocidades de escurrimiento para calcular el tiempo de concentración.
[www.fagro.edu.uy, septiembre 2004].

Los estudios anteriores sirvieron como base de sustentación para los distintos tiempos de
concentración obtenidos en este documento [www.fagro.edu.uy, septiembre 2004].

Ven Te Chow también propone una tabla similar a la anterior, obtenida de datos
representativos al estado de Texas, Estados Unidos. .[Ven Te Chow, 1994: p. 169].




21
Velocidades promedio aproximadas en m / s del flujo de escorrentía para
calcular el tiempo de concentración.
Descripción del curso del
agua
Pendiente en porcentaje
0-3 4-7 8-11 > 12
No concentrado
Bosques 0-0.46 0.46-0.76 0.76-1.00 > 1.00
Pastizales 0-0.76 0.76-1.07 1.07-1.30 > 1.30
Cultivos 0-0.91 0.91-1.37 1.37-1.68 > 1.68
Pavimentos 0-2.59 2.59-4.11 4.11-5.18 > 5.18

Esta condición usualmente ocurre en las partes superiores de la cuenca antes de que el flujo superficial
se acumule en un canal.
Tabla 2.3. Velocidades promedio aproximadas de escorrentía para calcular el tiempo de concentración

2.2.2 Estimación de Hidrogramas Unitarios.

Para la estimación de caudales máximos utilizando hidrogramas unitarios, siempre es
necesario contar con al menos un hidrograma medido a la salida de la cuenca y con los
registros de precipitación que originaron el hidrograma.

La mayor parte de las cuencas, no solo en El Salvador, sino en todo el mundo, no cuentan
con una estación hidrométrica o bien con los registros pluviográficos necesarios. Por ello,
es conveniente contar con métodos con los que puedan obtenerse hidrogramas unitarios
usando únicamente datos de características generales de la cuenca. Los hidrogramas
unitarios así obtenidos se denominan sintéticos. Los hidrogramas unitarios sintéticos a
analizar son los siguientes: Snyder, Triangular y SCS. [Francisco Aparicio, 2001: p.228]

a) Estimación de Hidrogramas Unitarios Sintéticos

Fundamentos teóricos para la estimación del Hidrograma Unitario Sintético de Snyder.
[German Monsalve, 1999: p.219].

Este procedimiento tiene utilidad cuando no se cuenta con los datos necesarios conjuntos de
caudal y precipitación históricos para la deducción del hidrograma unitario de una cuenca.
22
La deducción de los parámetros para definir los hidrogramas unitarios sintéticos se basan
en las características geométricas y morfológicas de la cuenca hidrográfica. En la región de
los Montes Apalaches, en Los Estados Unidos, Snyder estableció que, para cuencas de 16 a
16,100 kilómetros cuadrados:

3 . 0
) ( 7517 . 0
c t p
LxL C t · (Ec. 2.15)

Donde:

t
p
: Tiempo de retardo de la cuenca (en horas)
Ct: Coeficiente adimensional variando entre 1.8 y 2.2, tomando los valores menores para
cuencas con grandes inclinaciones.
L: Longitud del río principal desde la divisoria de aguas hasta el punto en consideración (en
kilómetros).
L
c
: Longitud desde el punto del río principal más próximo al centro geométrico de la
cuenca hasta el punto en consideración (en kilómetros).

5 . 5 /
p r
t t · (Ec. 2.16)

Donde:

t
r
: Duración de la lluvia neta (en horas).

p
p
p
t
A C
q
275 . 0
· (Ec. 2.17)

Donde:

q
p
: Caudal pico del HU por milímetro de lluvia neta (m³/s/(mm)).
A: Área de drenaje de la cuenca (en km²).
23
C
p
: Coeficiente adimensional variable entre 0.56 y 0.69 tomando valores mayores para
cuencas con grandes inclinaciones.

El hidrograma unitario sintético obtenido corresponde a un milímetro de precipitación neta
sobre toda la cuenca.

8 / 3
p
t T + · (Ec. 2.18)

Donde:

T: Tiempo base de la escorrentía.

En la figura 2.1 se muestran los gráficos de los hidrogramas sintéticos de Snyder con la
simbología utilizada.


Figura 2.1. Hidrogramas Sintéticos de Snyder

Para otra lluvia neta de duración t
R
diferente a t
P
el tiempo de retardo correspondiente a t
pR

el caudal pico q
pR
y el caudal base T
R
según Linsley son:

24
4
r R
P pR
t T
t t

+ · (Ec. 2.19)
8
3
pR
R
t
T + · (Ec. 2.20)
pR
P
pR
t
A C
q
275 . 0
· (Ec. 2.21)

Adicionalmente:

08 . 1 '
75
10192 . 0
P
q
W · ó
08 . 1 '
75
10192 . 0
PR
R
q
W · (Ec. 2.22)
08 . 1 '
50
17836 . 0
P
q
W · ó
08 . 1 '
50
17835 . 0
PR
R
q
W · (Ec. 2.23)

Sea que se trabaje con una lluvia neta de duración t
r
o con una duración t
R
en donde:

W
75
: Ancho del HU, horas, correspondiente a un valor de las ordenadas igual al 75% del
caudal pico q
P
o q
PR
.

W
50
: Ancho del HU, horas, correspondiente a un valor de las ordenadas igual al 50% del
caudal pico q
P
o q
PR
.

,
`

.
|
·
2
3
´
) /( ) / (
km
mm s m
A
q
q
P
P (Ec. 2.24)

,
`

.
|
·
2
3
´
) /( ) / (
km
mm s m
A
q
q
PR
PR (Ec. 2.25)

El valor de t
P
, tiempo de retardo de la cuenca es igual al tiempo entre el centro geométrico
de la duración de la lluvia neta t
r
, y el pico del hidrograma unitario (en horas) con base en
las características t
P
, t
r
, q
P
, W
75
, W
50
y T (ó t
PR
, t
rR
, q
PR
, W
75R
, W
50R
, y T
R
). Se traza el
hidrograma unitario de escorrentía superficial. Se debe comprobar que:
25
mmxA xA P dt Q
n ES
1 · ·

(Ec. 2.26)

En caso contrario se debe ajustar el hidrograma (usualmente el tiempo base T o T
R
) hasta
lograr que se cumpla la anterior ecuación.

Fundamentos teóricos para la estimación del Hidrograma Unitario Sintético Triangular.
[Francisco Aparicio, 2001: p. 232]

Desarrollado por Mockus en 1957. Se busca un gasto pico Qp, en función del área de la
cuenca en km² y el tiempo base en horas:

( ) mm s m
t
A
Q
b
P
/ /
555 . 0
3
· (Ec. 2.27)

Del análisis de varios hidrogramas, Mockus concluye que el tiempo base y el tiempo pico
se relacionan mediante la expresión:

p b
t t 67 . 2 · (Ec. 2.28)

El tiempo pico se expresa:
r e p
t d t + · 2 / (Ec. 2.29)
En donde:

d
e
: Duración en exceso.
t
r
: Tiempo de retraso.

y:

c r
t t 6 . 0 · (en horas) (Ec. 2.30)

26
Donde:

t
c
: Tiempo de concentración.

Además la duración:

c e
t d 2 · Para cuencas grandes (en horas). (Ec. 2.31)

c e
t d · Para cuencas pequeñas (en horas). (Ec. 2.32)

Y se calculan las características del HU triangular.

Fundamentos teóricos para la estimación del Hidrograma Adimensional SCS. [Ven Te
Chow, 1994: p.236]

El hidrograma adimensional SCS es un hidrograma unitario sintético en el cual el caudal se
expresa por la relación del caudal q con respecto al caudal pico q
p
y el tiempo por la
relación del tiempo t con respecto al tiempo de ocurrencia del pico en el hidrograma
unitario T
p
. Dados el caudal pico y el tiempo de retardo para la duración de exceso de
precipitación, el hidrograma unitario puede estimarse a partir del hidrograma sintético
adimensional para la cuenca dada. La figura 2.2 muestra el hidrograma adimensional,
preparado utilizando los hidrogramas unitarios para una variedad de cuencas. Los valores
de q
p
y T
p
pueden estimarse usando un modelo simplificado de un hidrograma unitario
triangular, en donde el tiempo está dado en horas y el caudal en m
3
/s⋅cm.

27

Figura 2.2. Hidrogramas Sintéticos SCS y Triangular

Con base en la revisión de un gran número de hidrogramas unitarios, el Soil Conservation
Service sugiere que el tiempo de recesión puede aproximarse como 1.67T
p
. Como el área
bajo el hidrograma unitario debería ser igual a una escorrentía directa de 1 cm, puede
demostrarse que:

q
p
= CA/T
p
(Ec. 2.33)

Donde C = 2.08 y A es el área de drenaje en kilómetros cuadrados.

Adicionalmente, un estudio de los hidrogramas unitarios de muchas cuencas rurales
grandes y pequeñas indica que el tiempo de retardo t
p
≅ 0.6T
c
, donde T
c
es el tiempo de
concentración de la cuenca. Como se muestra en la figura 2.2, el tiempo de ocurrencia del
pico T
p
puede expresarse en términos del tiempo de retardo t
p
y de la duración de la lluvia
efectiva t
r
.

T
p
= t
r
/2 + t
p
(Ec. 2.34)


28
b) Estimación de Hidrogramas Unitarios Complejos

Construcción del Hidrograma de Caudal

Un hidrograma de caudal es una gráfica o una tabla que muestra la tasa de flujo como
función del tiempo en un lugar dado de la corriente. Se grafican los valores de caudales
máximos horarios para la tormenta a la que le corresponde el caudal máximo anual para
cada estación en estudio [Ven Te chow, 1994: p.135].

Separación del Caudal Base y el Caudal de Escurrimiento Directo mediante el método de la
Línea Recta

El método consiste en ubicar el punto donde empieza a crecer la gráfica (comienzo de
incremento de caudal) y luego se traza una línea hasta interceptar el comienzo de la curva
de agotamiento. El caudal por debajo de esa línea corresponde al aporte del agua
subterránea y el resto a la escorrentía superficial total. [German Monsalve, 1999: p.186]. El
cálculo del hidrograma de escorrentía directa consiste en restar el caudal base del caudal
observado para la tormenta en particular.

Cálculo de Hietograma de Exceso de Lluvia [Ven Te Chow, 1994: p.138-142]

Para calcular el hietograma de exceso de lluvia se debe calcular el volumen de
escurrimiento directo V
d
y la profundidad de escorrentía directa r
d
de la siguiente manera:


·
∆ ·
N
n
n d
t Q V
1
(Ec. 2.35)

Donde ?t es la longitud del intervalo de tiempo seleccionado para el análisis.

Ac V r
d d
/ · (Ec. 2.36)
Donde Ac es el área de la cuenca.
29
Como siguiente paso se procede a la estimación de la tasa de abstracciones de lluvia (φ) que
se originan por infiltración y almacenamiento superficial en la cuenca, así como el número
de pulsos o intervalos M de lluvia diferentes de cero de escorrentía en exceso, los cuales se
encuentran por método de ensayo y error de la siguiente manera; el valor de φ se calcula
seleccionando un intervalo de tiempo de longitud ?t, estimando el número de intervalos M
de lluvia que realmente contribuyen a la escorrentía directa, restando φ?t de la precipitación
que se observa en cada intervalo (R
m
) y ajustando los valores de φ y M tantas veces como
sea necesario para que las profundidades de escorrentía directa y de exceso de precipitación
sean iguales, así:


·
∆ − ·
M
m
m d
t R r
1
) ( φ (Ec. 2.37)

Las ordenadas del hietograma de exceso de precipitación se calculan sustrayendo φ?t de las
ordenadas del hietograma de precipitación observada, despreciando todos los intervalos en
las cuales la profundidad de precipitación observada es menor que φ?t.

Cálculo del Hidrograma Unitario Complejo [Ven Te Chow, 1994: p.233, 234]

La ecuación de convolución discreta que es la función respuesta de pulso discreto para un
sistema lineal, permite el cálculo de la escorrentía directa Q
n
dado un exceso de lluvia P
m
y
el hidrograma unitario U
n-m+1
, así:



·
+ −
·
M n
m
m n m n
U P Q
1
1
(Ec. 2.38)

El hidrograma unitario se deduce utilizando un proceso inverso llamado deconvolución,
dada una información de P
m
y Q
n
. Supóngase que existen M pulsos de exceso de lluvia y N
pulsos de escorrentía directa en la tormenta considerada; luego pueden escribirse N
ecuaciones para Q
n
, n = 1,2,…,N, en términos de N-M+1 valores desconocidos del
hidrograma unitario.
30
2.2.3 Cálculo de caudales máximos a través de los Hidrogramas Unitarios (Sintéticos y
Complejo)

a) Cálculo de Lluvia Neta a través del método SCS.

El procedimiento inicia estimando el número de curva CN de tablas, según el tipo de suelo
y utilizando factores de corrección según el caso. Una vez estimado el CN, se procede a
calcular la retención potencial máxima (S):

( )( ) cm
CN
S 54 . 2 10
1000

,
`

.
|
− · (Ec. 2.39)

Una vez estimada la retención potencial máxima, se procede a estimar la precipitación
efectiva o profundidad de escorrentía con los valores de precipitación total (P) y retención
potencial máxima (S):

( )
( ) cm
S P
S P
Pe ) 54 . 2 (
8 . 0
2 . 0
2
+

· (Ec. 2.40)

Siendo esta ecuación válida únicamente para valores de P> 0.2S. Cuando P<0.2S
Pe = 0.

b) Cálculo de caudales máximos a través del Hidrograma Sintético de Snyder
[http://www.geocities.com/awesome_quad/cap3/eyr3w.htm, septiembre de 2004]

De acuerdo con las investigaciones de F. Snyder en 1938 para la determinación de caudales
máximos a través del Hidrograma Sintético de Snyder para cuencas de 16 a 16,000 km
2
, la
fórmula empírica necesaria para la determinación de estos caudales es la siguiente:

Q
máx
= q
p
x I x t
c
(en m
3
/s)

(Ec. 2.41)

31
Donde t
c
es el tiempo de concentración en horas, I es la intensidad máxima en mm/h, y q
p

es el caudal pico del Hidrograma unitario de Snyder en m
3
/s/mm.

c) Cálculo de caudales máximos a través de los Hidrogramas Sintéticos Triangular,
SCS e Hidrograma Unitario Complejo

Para la determinación de caudales máximos por medio de Hidrogramas Unitarios
Complejos y Sintéticos se necesita de un hietograma de lluvia. Cuando no existe registro de
precipitación sobre la cuenca, es posible obtener dicho hietograma utilizando el método del
Bloque Alterno.

Método del Bloque Alterno para el cálulo de Hietogramas de precipitaciones de diseño

El método del bloque alterno es una forma simple para desarrollar un hietograma de diseño
utilizando una curva I-D-F. El hietograma de diseño producido por este método especifica
la profundidad de precipitación que ocurre en n intérvalos de tiempo sucesivos de duración
?t sobre una duración total de T
d
=n?t. Después de seleccionar el per íodo de retorno de
diseño, la intensidad es medida en una curva I-D-F para cada una de las duraciones 1?t,
2?t, 3?t,…, y la profundidad de precipitación correspondiente se encuentra al multiplicar la
intensidad y la duración. Tomando diferencias entre valo res sucesivos de profundidad de
precipitación, se encuentra la cantidad de precipitación que debe añadirse por cada unidad
adicional de tiempo ?t. Estos incrementos o bloques se reordenan en una secuencia
temporal de modo que la intensidad máxima ocurra en el centro de la duración requerida T
d

y que los demás bloques queden en orden descendente alternativamente hacia la derecha y
hacia la izquierda del bloque central para formar el hietograma de diseño.





32
2.3 Cálculo de caudales máximos utilizando el método Regional de Índice de Creciente
[Documento de Regionalización de Caudales Máximos y Medios en El Salvador
SNET, 2004: apartado 3.5]

Este método se basa en el uso simultáneo de los datos registrados en todas las estaciones
ubicadas dentro de una zona considerada hidrológicamente homogénea, con lo que la serie
resultante es mucho más larga que la de una estación en particular, además de que permite
el cálculo de caudales máximos en cualquier cuenca que no posea estación hidrométrica, ya
que establece relaciones entre las características fisiográficas de las cuencas y los caudales
máximos.

La regionalización de caudales máximos que se llevó a cabo en El Salvador, fue a través
del método del índice de creciente (Flood Index) el cual supone que los máximos anuales
dentro de la región hidrológicamente homogénea siguen una misma función de distribución
y lo que varía es un factor de escala de acuerdo a cada cuenca ubicada en dicha región. Para
cada región, se establece una serie que consiste en la suma de los caudales divididos por su
media en las estaciones que conforman la región.

Para aplicar el método Regional de Índice de Creciente, para la estimación de caudales
máximos en cualquier punto de El salvador, se hace lo siguiente:

Se ubica la región Hidrológicamente homogénea a la cual pertenece la cuenca a la cual se le
va a estimar los caudales máximos para diferentes períodos de retorno (mapa de regiones
Hidrológicamente homogéneas, (anexo A).

Se determina el caudal correspondiente al promedio de los caudales máximos (Q
2.33
) con
base en el área de la cuenca y a la región Hidrológicamente homogénea a la que pertenece
(tabla 2.4).



33
REGIÓN ECUACIÓN R
2
RANGO DE ÁREA (km
2
)
1 Q
2.33
=0.6839*A+72.986 0.9925 100-1991
2 Q
2.33
=2.1408*A-71.75 0.9946 55-110
2b Q
2.33
=0.9257*A-172.78 0.9275 187-430
3 Q
2.33
=0.5871*A+198.91 0.9931 100-1930
3b Q
2.33
=0.0701*A+122.32 0.7167 1640-2240
4 Q
2.33
=0.6758*A+53.357 0.9197 25-200
5 Q
2.33
=-0.0008*A
2
+1.6108*A+4.2165 0.991 45-120
6 Q2.33=0.3519*A+53.544 0.6362 45-845
7 Q
2.33
=0.4868*A
1.107
0.9882 13-560
8 Q
2.33
=-5E-06*A
2
+0.3154*A+205.28 0.9702 915-18200
Tabla 2.4. Ecuaciones de relación entre el valor medio de los caudales máximos Q2.33 y el área de la cuenca
[Documento de Regionalización de Caudales Máximos y Medios en El Salvador SNET, 2004: p. 3.5]

El Q
2.33
se multiplica por los factores de ajuste para los diferentes períodos de retorno (tabla
2.5), obteniendo así, el valor de caudal máximo para diferentes períodos de retorno.

PERÍODO REGIÓN
DE RETORNO 1 2 2b 3 3b 4 5 6 7 8
5 1.64 1.50 1.39 1.40 1.54 1.50 1.51 1.42 1.38 1.40
10 2.28 1.96 1.73 1.74 2.05 1.96 1.99 1.79 1.71 1.75
15 2.68 2.24 1.93 1.94 2.36 2.24 2.28 2.01 1.90 1.96
20 2.98 2.45 2.07 2.09 2.60 2.44 2.49 2.17 2.04 2.11
25 3.23 2.61 2.18 2.20 2.79 2.61 2.66 2.30 2.15 2.22
50 4.05 3.14 2.54 2.57 3.41 3.13 3.22 2.71 2.49 2.59
100 4.96 3.71 2.90 2.94 4.08 3.70 3.81 3.14 2.84 2.98
Tabla 2.5. Factores de ajuste para el cálculo de caudales máximos [Documento de Regionalización de
Caudales Máximos y Medios en El Salvador SNET, 2004: p. 3.5].

2.4 Fundamentos teóricos Estadísticos para la determinación de caudales máximos y
determinación de Función de mejor ajuste

El estudio de un fenómeno hidrológico requiere del análisis de datos o muestras históricas
recopiladas para poder comprender el comportamiento del mismo, así como para tomar
decisiones relativas a un proyecto de ingeniería que dependa en gran medida del fenómeno
en cuestión.
34
La determinación de caudales máximos a partir de datos históricos de estaciones
hidrométricas localizadas en las zonas hidrográficas B, C, D, E, F, G, H, I, J de El
Salvador, se pretende realizar mediante un análisis estadístico, por lo que es de vital
importancia el conocer de una manera formal las técnicas estadísticas más apropiadas para
así obtener la mejor información posible y para poder cuantificar el riesgo que representa la
generalización a partir de informaciones parciales. [Llamas, 1993: p. 87].

Algunos conceptos de probabilidad y estadística

Para estudiar las técnicas y recursos estadísticos es necesario tomar en cuenta algunos
conceptos básicos sobre probabilidad, debido a que ésta es el nexo entre Hidrología y
Estadística.

Cuando se va a realizar un experimento, sólo se presentan dos situaciones: se sabe con
certeza lo que va a ocurrir o no se sabe. En Hidrología esta semejanza es válida, y ocurre lo
que en el segundo caso: no se sabe con certeza lo que ocurrirá, aún bajo las mismas
condiciones, los fenómenos hidrológicos se "predicen" en base a "probabilidades".

Visto desde este punto, se dice que estamos en este caso frente a lo que se denomina
"experiencia aleatoria".

La teoría de la probabilidad estudia las experiencias aleatorias y las posibles formas en que
ocurren, llamadas sucesos o eventos.

La probabilidad es un número real, entre cero y uno, que se le adjudica a los sucesos como
una medida de su posible ocurrencia. Si un suceso no puede ocurrir jamás, como resultado
de la experiencia, se llama "suceso imposible" y tiene una probabilidad de cero. Si, por el
contrario, es evidente que siempre ocurrirá, se le llama "suceso seguro" y tiene una
probabilidad de uno.

35
Cualquier otro suceso diferente de los señalados tomará su valor de probabilidad en el
intervalo real abierto ]0, 1[. [Hernández, 2002: p. 11 y 12].

En este intervalo, como se dijo, cada suceso es relacionado con un número real llamado
"variable aleatoria", de un modo tal que la asignación de la probabilidad se realiza desde un
conjunto de números reales hacia el intervalo [0, 1], donde la suma de todos los valores de
probabilidad es igual a 1.

Las variables aleatorias numéricas se clasifican en discretas y continuas. Se llaman
discretas cuando toman valores puntuales; por lo general, números enteros. Se llaman
continuas cuando, real o teóricamente, pueden tomar cualquier valor dentro de un conjunto
bien definido de números reales. [Hernández, 2002, p.72].

Esta asignación de la probabilidad obliga a analizar la forma en que dicha probabilidad se
distribuye en cada una de las variables aleatorias. Cuando el número de observaciones se
incrementa, el tamaño de los intervalos decrece. Si los intervalos en los que ocurren los
sucesos u observaciones, es tan pequeño que tienden a cero, la distribución de
probabilidades se hace mediante una determinada función.

Funciones de probabilidad

Existen dos tipos de funciones de probabilidad:

Funciones discretas: cuando el número de valores x que puede tomar una variable aleatoria
X es finito, se dice que la variable aleatoria X es discreta (por ejemplo, el arrojar un dado).
Funciones continuas: cuando el número de valores x que puede tomar una variable aleatoria
X es infinito se dice que dicha variable aleatoria es continua.

Por su naturaleza, a la hidrología le interesa estudiar a las funciones continuas de
probabilidad, ya que los eventos ocurrentes no tienen un rango finito. (Por ejemplo los
volúmenes de escurrimiento mensual de un río).
36
Estimar a qué función de distribución pertenece un fenómeno hidrológico es un problema
complejo, puesto que sólo se tiene la muestra histórica disponible como herramienta, y un
análisis previo de la misma dará la pauta para elegir la función más adecuada. En el análisis
de dicha muestra pueden considerarse los siguientes criterios:

El tipo de fenómeno hidrológico: Se pueden elegir las funciones cuyos límites matemáticos
sean compatibles con los límites impuestos por la naturaleza del fenómeno. [Llamas, 1993:
p. 96].

Las características estadísticas de la muestra: La búsqueda de la función de distribución
debe limitarse a aquellas familias de funciones de simetría equivalente.

La longitud de la muestra: Cuando se cuenta con muestras cortas o de reducido número de
valores (50 o menos), sólo deben analizarse las funciones definidas por un número reducido
de parámetros (de 1 a 3). Si la muestra es larga o lo suficientemente grande se deben
utilizar funciones con mayor número de parámetros para dar mayor precisión debido a que
el riesgo de la extrapolación a partir de una muestra limitada, es inversamente proporcional
a la longitud de la muestra. [Llamas, 1993, p. 96].

Distribuciones de probabilidad

El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda
de Distribuciones de Probabilidad. La variable se designa por mayúscula y un valor
específico de ella por minúscula.
Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente
P(a ≤ x ≤ b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b). Si
conocemos la probabilidad P(a ≤ x ≤ b) para todos los valores de a y b, se dice que
conocemos la Distribución de Probabilidades de la variable x.



37









a b
Figura 2.3. Distribución de la función de probabilidad de la variable x

A dx x f b x a P
b
a
· · ≤ ≤

) ( ) ( (Ec. 2.42)

Si x es un número dado y consideramos la probabilidad P(X ≤ x):

F(x)= P(X ≤ x) (Probabilid ad de no excedencia). (Ec. 2.43)

y llamamos F(x) la función de distribución acumulada.

Cuando el número de observaciones se incrementa, el tamaño de los intervalos decrece.
f(x) es la llamada función de densidad de probabilidades y tiene las siguientes
características:
1 ) ( ·


∞ −
dx x f

(Ec. 2.44)

· ≤ ≤
b
a
dx x f b x a P ) ( ) ( (Ec. 2.45)
0 ) ( ·

b
a
dx x f (Ec. 2.46)
f (x)
38
Lo que implica que las probabilidades se definen sólo como áreas bajo la función de
densidad de probabilidad (FDP) entre límites finitos.

Momentos de las distribuciones

Las propiedades de las distribuciones pueden ser definidas completamente en términos de
los momentos. Los momentos en estadística son similares a los momentos en física
(rotación respecto al o


∞ −
· dx x f x M ) (
γ γ
para la variable continua (Ec. 2.47)

o respecto a la media (eje de rotación diferente al origen)



∞ −
− · dx x f x M ) ( ) (
γ γ
µ para la variable continua (Ec. 2.48)

Parámetros estadísticos

Los estadísticos extraen información de una muestra, indicando las características de la
población. Los principales estadísticos son los momentos de primer, segundo y tercer
orden correspondiente a la media, varianza, y asimetría respectivamente.
Media µ:

Es el valor esperado de la variable misma. Primer momento respecto al origen. Muestra la
tendencia central de la distribución



∞ −
· dx x xf ) ( µ (Ec. 2.49)

El valor estimado de la media a partir de la muestra es:
39


·
·
n
i
i
x
n
x
1
1
(Ec. 2.50)
Varianza σ²:

Mide la variabilidad de los datos. Es el segundo momento respecto a la media.



∞ −
− · dx x f x ) ( ) (
2 2
µ σ (Ec. 2.51)

El valor estimado de la varianza a partir de la muestra es:



·


·
n
i
i
x x
n
s
1
2 2
) (
1
1
(Ec. 2.52)

En el cual el divisor es n-1 en lugar de n para asegurar que la estadística de la muestra no
sea sesgada, es decir, que no tenga una tendencia, en promedio, a ser mayor o menor que
el valor verdadero. Las unidades de la varianza son la media al cuadrado, la desviación
estándar σ es una medida de la variabilidad que tiene las mismas dimensiones que la media
y simplemente es la raíz cuadrada de la varianza, se estima por s.

Coeficiente de variación.

es una medida adimensional de la variabilidad. Su estimado es:

x
C
δ
ν
· (Ec. 2.53)


40
Coeficiente de asimetría γ

La distribución de los valores de una distribución alrededor de la media se mide por la
asimetría. Se obtiene a partir del tercer momento alrededor de la media, dividiéndolo por el
cubo de la desviación estándar para que sea adimensional.

[ ]


∞ −
− · − dx x f x x E ) ( ) ( ) (
3 3
µ µ tercer momento respecto a la media (Ec. 2.54)

[ ]
3
3
) (
1
µ
σ
γ − · x E (Ec. 2.55)

Un estimativo del coeficiente de asimetría está dado por:

3
1
3
) 2 )( 1 (
) (
s n n
x x n
Cs
n
i
− −

·

·

(Ec. 2.56)

Período de Retorno

Cada espacio muestral tiene su propia función de distribución o de densidad de
probabilidad, que normalmente no se conoce a priori. Cuando de ese espacio se extrae un
grupo de datos (muestra) al azar, es razonable esperar que su función de distribución de
probabilidad sea similar a la del espacio completo, en particular si la muestra es grande.
Además, lo más razonable que se puede suponer en cuanto a la frecuencia de cada dato del
grupo es que ésta sea, dentro del espacio muestral, igual a la observada.

El período de retorno o intervalo de recurrencia, T, se define como el tiempo promedio en
el cual un evento de cierta magnitud va a ser igualado o superado por lo menos en una
ocasión. Por ejemplo, si se tiene un evento de diseño con una probabilidad de ocurrencia P
= 0.25 y tomando un proyecto con una vida útil de 100 años se tendría entonces que de los
100 años que dure el proyecto, en 25 se excedería el evento de diseño. Por lo tanto, el
41
tiempo promedio de recurrencia del evento es de 100/25 = 4 años. Si P es la probabilidad,
entonces:

T = 1/P (Ec. 2.57)

La probabilidad de que el evento no ocurra sería entonces:

F(x) = (1-P) = 1-1/T (Ec. 2.58)

La probabilidad de que no ocurra en n años de la vida útil del proyecto sería:

F(x) =
n
T) / 1 1 ( − (Ec. 2.59)

y la probabilidad de que ocurra el evento en n años o el riesgo de que se presente es:

F(x) = [ ] ) / 1 1 ( 1 T − −
n
(Ec. 2.60)

Cuando se tiene una lista de datos ordenados en forma decreciente con respecto al evento,
el período de retorno se puede calcular como:

T = (n+1)/m (Ec. 2.61)

Donde:
n = número de datos.
m = número consecutivo de la lista para dicho evento.
42
Una vez que se asigna un período de retorno al gasto de diseño de la obra que se está
analizando, es necesario hacer extrapolaciones a partir de los gastos máximos anuales que
se hayan registrado para conocer el gasto de diseño que correspondería al período de
retorno seleccionado. Esas extrapolaciones se logran mediante el uso de funciones de
distribución de probabilidad, aquellas que más se ajusten a los registros con los que se
cuenta.

De las las funciones de distribución de probabilidad más usadas en hidrología, estas son
algunas de ellas para la determinación de caudales máximos:

1. Normal
2. Log-normal
3. Pearson III
4. log-Pearson III
5. Gumbel

Para la estimación de caudales máximos en este documento se seleccionaron la función
Log-Normal porque es apropiada para variables aleatorias que cubren todo el rango de
valores de los resultados posibles del experimento bajo análisis (volúmenes de
escurrimiento mensual, por ejemplo); la función Gumbel debido que se desarrolló para el
análisis de los valores extremos de dichos resultados, como los gastos máximos o mínimos
anuales; y la función Log-Pearson III ya que ocupa un lugar intermedio. [Francisco
Aparicio, 2001: p. 253]

2.4.1 Distribuciones de Probabilidad más usadas en hidrología para variables
continuas.
Distribución normal

La distribución normal es una distribución simétrica en forma de campana, también
conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos
43
hidrológicos tiene amplia aplicación por ejemplo a los datos transformados que siguen la
distribución normal.

La función de densidad de probabilidad normal se define como:

2
2
1
2
1
) (

,
`

.
| −

Π
·
σ
µ
σ
x
e x F (Ec. 2.62)

y la función de distribución de probabilidad normal como:


∞ −

,
`

.
| −

Π
·
x
x
dx e x F
2
2
1
2
1
) (
σ
µ
σ
(Ec. 2.63)
Donde:

x = variable aleatoria.
µ = media de la población.
σ = desviación estándar de la población.

Para resolver esta función se recurren a métodos numéricos para evaluarla, y para hacer
esto más sencillo se ha asignado como variable estandarizada:

σ
µ −
·
x
z (Ec. 2.64)

Que está normalmente distribuida con media cero y desviación estándar unitaria. Así la
función principal queda como:

∞ −

Π
· ·
z
z
dz e z F x F
2
2
2
1
) ( ) ( (Ec. 2.65)

44
Hay dos maneras de estimar F(z), una es mediante una tabla que se ha publicado de dicha
ecuación. Y la segunda es mediante fórmulas aproximadas, la función de densidad f(z) se
aproxima como:

f(z) = (a
0
+

a
1
z
2
+ a
2
z
4
+ a
3
z
6
)
-1
(Ec. 2.66)

Donde:

a0 = 2.490895
a
1
= 1.466003
a
2
= -0.024393
a
3
= 0.178257

Y la función de distribución sería la siguiente:

F(z) = H(z), z > 0 (Ec. 2.67)

F(z) = 1- H(z), z< 0 (Ec. 2.68)

Donde:
) (
2
1
1 ) (
3
3
2
2 1
2
2
q b q b q b e z H
z
+ +
Π
− ·

(Ec. 2.69)
Siendo:
z b
q
0
1
1
+
· (Ec. 2.70)
b
0
= 0.33267
b
1
= 0.43618
b
2
= -0.12017
b
3
= 0.93730


45
Distribución Log-Normal

En esta función los logaritmos naturales de la variable aleatoria se distribuyen
normalmente.
2
ln
2
1
1
2
1
) (

,
`

.
| −

Π
·
β
α
β
e
x
x f (Ec. 2.71)

donde α y β son parámetros de la distribución, y por lo tanto son la media y la desviación
estándar de los logaritmos de la variable aleatoria. La función de distribución de
probabilidad es:

·
·
n
i
i
n
x
1
ln
α (Ec. 2.72)
2 / 1
1
2
) (ln
]
]
]


·

·
n
x
n
i
i
α
β (Ec. 2.73)

La distribución de probabilidad:

(Ec. 2.74)

Al igual que en la distribución normal, se le asigna a "z" los siguientes valores:

β
α −
·
x
z
ln
(Ec. 2.75)

A causa de su asimetría pronunciada, la función Log- Normal se usa bastante en hidrología,
sobre todo en el estudio de valores extremos.






,
`

.
| −

Π
·
x
dx e
x
x F
0
ln
2
1
2
1
2
1
) (
β
α
β
46



f(x)
f(x)

f(x)


Figura 2.4. Función de densidad Log-Normal

Distribución Pearson III

Esta distribución ha sido una de las más utilizadas en hidrología. Como la mayoría de las
variables hidrológicas son sesgadas, la función Gamma se utiliza para ajustar la
distribución de frecuencia de variables tales como crecientes máximas anuales, Caudales
mínimos, Volúmenes de flujo anuales y estacionales, valores de precipitaciones extremas y
volúmenes de lluvia de corta duración. La función de distribución Gamma tiene dos o tres
parámetros.

La función de densidad de probabilidad Pearson de tres parámetros (tipo III) se define
como:

1
1 1
1 .
1
1
1 1
) (
1
) (
α
δ β
α
δ
β α



¹
'
¹
¹
'
¹ −
Γ
·
x
e
x
x f (Ec. 2.76)




47
donde α
1,
β
1,
δ
1
son los parámetros de la función y Γ(β
1
) es la función de Gamma. Los
parámetros α
1,
β
1,
δ
1
se evalúan a partir de n datos medidos, mediante el siguiente sistema
de ecuaciones:

_
x = α1 β1 + δ1 (Ec. 2.77)

S
2
= α
1
2
β
1
(Ec. 2.78)

γ = 2 / (β
1
)
0.5
(Ec. 2.79)

donde
_
x es la media de los datos, S
2
su variancia y γ su coeficiente de sesgo, que se define
como:

·

·
n
i
i
S
n x x
1
3
3
/ ) (
γ (Ec. 2.80)

La función de distribución de probabilidad es:

dx
x
e x F
x
x 1
1
1
0 1 1
1
1
) (
1
) (

,
`

.
| −

,
`

.
| −
Γ
·

β
δ
δ
δ
δ
β α
(Ec. 2.81)

y sustituyendo
1
1
α
δ −
·
x
y (Ec. 2.82)
La ecuación quedaría

− −
Γ
·
y
y
dy e y y F
0
1
1
) (
1
) (
β
β
(Ec. 2.83)
Siendo la anterior una función ji cuadrada con
1
2β grados de libertad y y x 2
2
· :

) 2 2 ( ) ( ) (
1
2
2
β ν y F x F y F
x
· · (Ec. 2.84)
48
Esta función se usa solo cuando β
1
= n /2, donde n es un entero positivo cualquiera. Como
2β es no entero, puede tomarse como el entero más próximo o bien interpolar en la tabla del
anexo B. Cuando β < 0.3, se tendrá que acudir a tablas de la función de distribución de
Gamma de un parámetro. Cuando δ da valores extraños, como negativos o muy grandes, es
recomendable fijar dicho valor de d a ojo, estimándolo, como la ordenada al origen en una
gráfica de gasto contra periodo de retorno.
Distribución Log-Pearson III

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo III,
se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III. Esta
distribución es ampliamente usada en el mundo para el análisis de frecuencia de caudales
máximos. Esta se trabaja igual que para la Pearson Tipo III incluso el uso de la
distribución ji cuadrada, pero con X
y
y S
y
como la media y desviación estándar de los
logaritmos de la variable original X.
Distribución Gumbel

Supóngase que se tienen N muestras cada una con n eventos. Si se selecciona el máximo x
de los n eventos de cada muestra, es posible demostrar que, a medida que aumenta n, la
función de probabilidad de x (probabilidad de no excedencia) tiende a:

) (
) (
β α α − −

·
e
e x F = P (X= x) (Ec. 2.85)

La función de densidad de probabilidad es entonces:
[ ]
) (
) (
) (
β α
β α
α
− −
− − −
·
x
e x
e x f (Ec. 2.86)
y la probabilidad de excedencia es:

Pt =[ 1 - F(x) ] (Ec. 2.87)

49
Donde α y β son los parámetros de la función.

Los valores de α y β :

6 σ
π
α · (Ec. 2.88)

α γ µ β / − · (Ec. 2.89)

Donde ? es la constante de Euler y es igual a:

? = 0.577215 (Ec. 2.90)

2.4.2 Pruebas de bondad de ajuste

Para determinar que tan adecuado es el ajuste de los datos a una distribución de
probabilidades se han propuesto una serie de pruebas estadísticas que determinan si es
adecuado el ajuste. Estos son análisis estadísticos y como tal se deben entender, es decir,
no se puede ignorar el significado físico de los mismos.

En la teoría estadística, las pruebas de bondad del ajuste más conocidas son la Smirnov -
Kolmogorov y la Chi - Cuadrado, las cuales son las que se utilizarán en nuestro análisis y
que se describen a continuación:

Prueba Smirnov-Kolmogorov

La prueba de bondad de ajuste estadístico Smirnov - Kolmogorov considera la desviación
de la función de distribución de probabilidades de la muestra P(x) de la función de
probabilidades teórica, escogida Po(x) tal que:

)) ( ) ( max( x Po x P Dn − · (Ec. 2.91)
50
La prueba requiere que el valor D calculado con la expresión anterior sea menor que el
valor tabulado d
crit
para un nivel de probabilidad (significancia) requerido.

Esta prueba es fácil de realizar y comprende las siguientes etapas:

El valor estadístico D es la máxima diferencia entre la función de distribución acumulada
de la muestra y la función de distribución acumulada teórica escogida.

Se fija el nivel de probabilidad (nivel de significancia) α, valores de 0.05 y 0.01 son los
más usuales.

El valor crítico d
crit
de la prueba debe ser obtenido de la tabla 2.6, el cual está en función
de α y n , pues depende del nivel de significancia y del número de datos.
Si el valor calculado D es menor que el d
crit
, la distribución escogida se debe aceptar.

Por el contrario, si el valor calculado D es mayor que el d
crit
, la distribución escogida se
debe rechazar.

Tamaño de la muestra a = 0.10 a = 0.05 a = 0.01
5 0.51 0.56 0.67
10 0.37 0.41 0.49
15 0.30 0.34 0.40
20 0.26 0.29 0.35
25 0.24 0.26 0.32
30 0.22 0.24 0.29
40 0.19 0.21 0.25
n grande 1.22 / (n)
1/2
1.36 / (n)
1/2
1.63 / (n)
1/2
Tabla 2.6.Valores críticos d
crit
para la prueba Smirnov-Kolmogorov de Bondad de ajuste. [Aparicio, 1993, p.
289].


51
Prueba ji-Cuadrado

Una medida de las discrepancia entre las frecuencias observadas (f
o
) y las frecuencias
calculadas (f
c
) por medio de una distribución teórica esta dada por el estadístico x²



·

·
k
i c
c
f
f f
x
1
2
0
2
) (
(Ec. 2.92)
en donde



Si el estadístico x²=0 significa que las distribuciones teórica y empírica ajustan
exactamente, mientras que si el estadístico x²>0, ellas difieren. La distribución del
estadístico x² se puede asimilar a una distribución Chi-cuadrado con (k-1-m) grados de
libertad, donde k es el número de intervalos y m es el número de los parámetros de la
distribución teórica. La función x² se encuentra tabulada tal y como se mostró en la figura
2.6. Supóngase que una hipótesis Ho es aceptar que una distribución empírica se ajusta a
una distribución Normal. Si el valor calculado de x² por la ecuación anterior es mayor que
algún valor crítico de x², con niveles de significancia α de 0.05 y 0.01 (el nive l de
confianza es 1-α) se puede decir que las frecuencias observadas difieren significativamente
de las frecuencias esperadas (o calculadas) y entonces la hipótesis Ho se rechaza, si ocurre
lo contrario entonces se acepta.

2.4.3 Selección de la Función de Distribución de mejor ajuste.

Al aplicar cada una de las funciones de distribución a los datos de los registros de cada
estación es posible que se observen que existen diferencias que son apreciables entre las
mismas. Debido a esto es necesario seleccio nar con cuidado la función a utilizar, ya que
una mala selección de cualquiera de las funciones puede traducirse, para el ingeniero o
entidad que utilizará en el futuro esta información, en una estructura sobrediseñada y
costosa o subdiseñada y peligrosa [Aparicio, 2001, p. 270].

52
La selección de la función de mejor ajuste a utilizar, con el propósito de calcular los valores
de Caudales Máximos en cada una de las estaciones analizadas, se realiza de la siguiente
manera:

En primera instancia se aplican ambas pruebas de bondad de ajuste (ji-cuadrado y
Smirnov-Kolmogorov) a las distribuciones obtenidas de cada función para los registros de
cada estación.

Luego se calcula el valor del parámetro estadístico x
2
para la prueba ji-cuadrado,y el
parámetro D para Smirnov-Kolmogorov, para así compararlos con los valores estadísticos
críticos x
2
1-a , k-1-m
y d
crit
respectivamente, los cuales se encuentran en función del nivel de
significancia a usado. Para este último se seleccionó el valor de a = 0.05, es decir se acepta
una incertidumbre en el modelo de un 5 por ciento, o lo que es lo mismo se requiere de un
95 por ciento de certeza para aceptar el modelo o la hipótesis.

Ya comparados los parámetros calculados con los valores críticos se procede a concluir si
se acepta o se rechaza la función aplicada, y a escoger cual sería la preferible según las
pruebas aplicadas.

Para seleccionar finalmente la función a utilizar se tabulan los resultados de las pruebas
aplicadas, calificando las funciones según el orden de preferencia, otorgando un valor de 1
a la de "mejor" ajuste y creciendo este valor hasta la de "peor" ajuste, o definitivamente
rechazando la función.


2.2.1 Cálculo de caudales máximos utilizando el método de la Fórmula Racional

Este método, que la literatura inglesa atribuye a Lloyd-George en 1906, si bien los principios del mismo fueron establecidos por Mulvaney en 1850, permite determinar el caudal máximo que escurrirá por una determinada sección, bajo el supuesto que éste acontecerá para una lluvia de intensidad máxima constante y uniforme en la cuenca correspondiente a una duración D igual al tiempo de concentración de la sección.

Qmáx = CiA

(Ec. 2.1)

En donde: Qmáx : Caudal máximo en la sección de cálculo, C : Coeficiente de escorrentía medio ponderado de la cuenca, A: Área total de la cuenca vertiente en la sección de cálculo, i: Intensidad media máxima para una duración igual al tiempo de concentración, de la sección de cálculo. A continuación se detallan los fundamentos teóricos para determinar cada una de las variables mencionadas anteriormente. [Schmidth, 1986: p.356]

a) Determinación del Coeficiente de Escurrimiento C

El coeficiente de escurrimiento C representa la fracción de la lluvia que escurre en forma directa y toma valores entre cero y uno, y varía apreciablemente entre una cuenca y otra, y de una tormenta a otra, debido a las condiciones de humedad iniciales. Sin embargo, es común tomar valores de C representativos de acuerdo con ciertas características de las cuencas como la vegetación, pendientes del terreno y uso de suelos. [German Monsalve, 1999: p.179]. b) Cálculo de curvas de Intensidad-Frecuencia-Duración. [Aparicio, 2001: p.167]

El método utilizado relaciona simultáneamente las tres variables Intensidad- frecuenciaDuración, en una familia de curvas cuya ecuación es:

14

i=

kT m ( d + c) n

(Ec. 2.2)

Donde k, m, n y c son constantes que se calculan mediante un análisis de correlación lineal múltiple; T: Período de retorno en años, d: Duración en minutos e i: Intensidad en mm/h.

Si se toman logaritmos de la ecuación 2.2, se obtiene:

Log i = log k + m log T – n log (d + c)

(Ec. 2.3)

O bien :

y = a 0 + a1 x1 + a2 x2

(Ec. 2.4)

Donde: y = log i, a0 = log k, a1 = m, x 1 = log T, a2 = -n, x2 = log (d + c).

La ecuación 2.4 es la de una familia de líneas rectas de pendientes a2 , ordenada al origen a0 y espaciamiento a1 . Si los datos registrados de i, d y T se dibujan en papel logarítmico, usualmente se agrupan en torno a líneas rectas. A veces las curvas resultan ligeramente curvas, lo que se puede corregir agregando a las duraciones un valor constante c, o bien, en algunos casos, cuando la pendiente de las líneas varía mucho, dividiendo la línea para cada período de retorno en dos rectas. Si los datos se agrupan lo suficiente en torno a líneas rectas, el valor de c puede tomarse como cero.

Al hacer un ajuste de correlación lineal múltiple de una serie de tres tipos de datos, se obtiene un sistema de ecuaciones como el siguiente:

? y = N a0 + a1 ? x1 + a2 ? x2

(Ec. 2.5)

15

? (x 1 y) = a0 ? x1 + a1 ? (x1 )2 + a2 ? (x1 x 2 ) ? (x 2 y) = a0 ? x2 + a 1 ? (x1 x2) + a2 ? (x2 )2

(Ec. 2.6)

(Ec. 2.7)

Donde N es el número de datos y las incógnitas son a0 , a1 y a2; x1 es el logaritmo del período de retorno, x 2 es la duración (con el valor de c agregado de ser necesario) y y es la intensidad, obtenidos de un registro de precipitación. El período de retorno se obtiene de la siguiente ecuación:

T = (n + 1) / m

(Ec. 2.8)

Donde m = número de orden en una lista de mayor a menor de los datos y n = número de datos. (El inverso del período es la frecuencia).

Una vez calculados los coeficientes a0 , a1 y a2 es posible evaluar los parámetros k, m y n de la ecuación 2.1 y con ella, dibujar las curvas Intensidad – Frecuencia – Duración.

c) Determinación de Tiempos de Concentración tc. El tiempo de concentración no es más que el tie mpo que tardaría una gota de agua en recorrer la longitud desde el punto más distante de la corriente de agua de una cuenca hasta el lugar de medición. Los tiempos de concentración son calculados a partir de las características físicas de la cuenca, las cuales son: las pendientes, longitudes, elevaciones medias y el área de la cuenca. Es de notar que todas las fórmulas tienen factores de corrección que aplican según la cobertura de la cuenca. [German Monsalve, 1999: p.180]

Tiempo de concentración a partir de la fórmula empírica de Kirpich

Desarrollada a partir de la información del SCS en siete cuencas rurales en Tennessee con canales bien definidos y pendientes empinadas (de 3% a 10%)

16

1 − C ) L0 . S: Pendiente de la superficie. 96] Tc = 0.7024 (1. recopilada por el cuerpo de inge nieros de Estados Unidos. 33 (En horas) (Ec. (en metros).77 S −0. 17 .com/wmshelp/HydrologicModels/Calculators/Computing_Travel_Times/ Using_Basin_Data/Equations/Time_o f_Concentration/Kirpich_Tc_Equation. Abril de 2004]. E: Elevación media de la cuenca. 1993: p. L: Longitud de flujo superficial (en metros). L: Longitud promedio de flujo superficial (en kilómetros).5L / 0.emsi.Tc = 0 .11) A: Área de la cuenca (en kilómetros cuadrados). 2. http://www.8 E (En horas) [ ][ ] (Ec. Tiempo de concentración a partir de la fórmula empírica de Giandotti Tc = 4 A + 1. (en metros). 2. S: Pendiente del cauce o H/L (m/m) donde H es la diferencia de elevación entre el punto más elevado y el punto de interés.htm. 2. [Enviromental Modeling System.10) C: Coeficiente de escorrentía del Método Racional (adimensional). Tiempo de concentración a partir de la fórmula de la Federal Aviation Administration (FAA) Desarrollada a partir de la información sobre el drenaje de aeropuertos.0003245 L0 . pero ha sido frecuentemente usado para flujo superficial en cuencas urbanas. el método tiene como finalidad el ser usado en problema de drenaje de aeropuertos. [José Llamas.5 S −0.385 (En horas) (Ec.9) L: Longitud máxima del canal o río desde aguas arriba hasta la salida.

a velocidades y comparándolas con las velocidades de escorrentía. 1993: p. α es el ángulo del terreno. [José Llamas.S. 375] 18 . la cual se deno mina velocidad de la escorrentía. comienza el fenómeno de escorrentía sobre toda la superficie de la cuenca afectada por dicho aguacero.[Ven Te Chow. desarrollada para pequeñas cuencas montañosas en California. H: Diferencia de nivel entre la divisoria de aguas y la salida (en metros). de las características del suelo. convirtiendo. [José Llamas. bajo la forma de capas de agua. Cuando la lluvia cae sobre una cuenca y los niveles de infiltración y de evaporación son iguales o inferiores a la intensidad del aguacero. 2.385 (En horas) (Ec. 1994: p. 375] La velocidad de la escorrentía se utiliza para validar las fórmulas con que se obtienen los tiempos de concentración. de una cierta altura (según la intensidad de las precipitaciones y la pendiente de la superficie de flujo) y una cierta velocidad. Bureau of Reclamation of California Conocida también como La fórmula de California Culverts Practice.12) L: Longitud de flujo superficial (en kilómetros). de la pendiente de la superficie de flujo y después. Esencialmente es la ecuación de Kirpich. d) Validación de fórmulas empíricas para la estimación de Tiempos de Concentración. 1993: p.94788 L3 / H ( ) 0. antes de alcanzar un río principal o secundario. estos últimos. En la ecuación. A continuación se presenta una fórmula empírica desarrollada para el cálculo de esta velocidad. 96] Tc = 0.Tiempo de concentració n a partir de la fórmula empírica del U. El agua resbala. Ella depende en primer lugar.

Los tiempos de concentración se transforma n a velocidad dividiendo la longitud del cauce máximo. el cual fue utilizado como base de comparación (1-3m/s). España. el cual relacionó los tiempos de concentración con las velocidades de escorrentía y obtuvo la siguiente ecuación:  1 / 3L  0.1. TC : Tiempo de concentración (en horas) En una de las conclusiones del estudio anterior. de cada una de las subcuencas en estudio. Anteriormente se detalló la metodología para la determinación de tiempos de concentración de cuatro maneras distintas. 76  2 / 3L TC = 0. Adriana Erazo del Servicio Hidrológico Nacional en la cuenca del río Paz entre las estaciones hidrológicas de La Hachadura y El Jobo.13) v: Velocidad de escorrentía (m/s).3 1 / 4   +  S   3. También existe un estudio realizado en cuencas de Zaragoza. presentaron rangos de velocidades de escorrentía en función de la pendiente media del cauce.6v   (Ec. S: Pendiente media del cauce. [Documento sobre Condicionantes Físicos para el Ordenamiento de la Orla Sudoeste de Suelo Urbanizable]. entre los tiempos de concentración obtenidos por cada metodología. desde el nacimiento del cauce hasta el punto de interés. Concluyeron que para pendientes de 0 a 10% las velocidades de escorrentía estaban en el rango de 1 a 2 m/s como se muestra en la tabla 2. 19 . Existe un rango de mediciones de velocidades obtenidas por la Ing.14) Donde: L: Longitud del cauce principal (km) desde el punto de inicio del cauce hasta el punto de medición. 2.v = 20sen 3 / 5α (m/s) (Ec. 2.

Existe además.52 3. Promedio de velocidades de escurrimiento para calcular el tiempo de concentración (m/s) Condiciones de la superficie 0-3 % 4-7 % 8-11 % Aguas no concentradas Montes 0.[Ven Te Chow.49 Tabla 2. . Estos rangos se presentan en la siguiente tabla.2 m/s 2 m/s Tabla 2. Ven Te Chow también propone una tabla similar a la anterior.uy.Pendiente media de la cuenca (%) Velocidad de recorrido inicial (m/s) Menor del 5 % Del 5 a 10 % Mayor del 10 % 1 m/s 1 .fagro. Citado por Ghiggia. Los estudios anteriores sirvieron como base de sustentación para los distintos tiempos de concentración obtenidos en este documento [www. 1948.91 1. 1994: p. 169]. septiembre 2004].2.9 Pasturas 0. [www.72 Nota: Las condiciones de la superficie se representan en porcentajes de pendientes. R. Estados Unidos. J.edu.edu. 12-15 % 1.C. Nº 93. 1981. septiembre 2004].22 1.1.37 1. Publ.61 0. En el que obtiene rangos de velocidades de escorrentía específicos para la determinación de tiempos de concentración en función del tipo de superficie o suelo en la que el agua escurría.45 0. 20 .22 Tierras cultivadas 0.07 1.61 1.52 Pavimentos 1. Velocidades de recorrido de tanteo.3 0.83 5. Molinelli. Dirección de Agronomía. Promedio de velocidades de escurrimiento para calcular el tiempo de concentración.65 4.fagro. Montevideo. en función de la pendiente media de la cuenca.uy. obtenida de datos representativos al estado de Texas. un estudio de "Sistematización por medio de terrazas de predios destinados a la agricultura".

2001: p.00 > 1.59 2. Triangular y SCS.18 Esta condición usualmente ocurre en las partes superiores de la cuenca antes de que el flujo superficial se acumule en un canal.3. siempre es necesario contar con al menos un hidrograma medido a la salida de la cuenca y con los registros de precipitación que originaron el hidrograma.76-1.37 1. [German Monsalve. Descripción del curso del Pendiente en porcentaje agua 0-3 4-7 8-11 > 12 No concentrado Bosques 0-0. es conveniente contar con métodos con los que puedan obtenerse hidrogramas unitarios usando únicamente datos de características generales de la cuenca.Velocidades promedio aproximadas en m / s del flujo de escorrentía para calcular el tiempo de concentración.11 4.219]. no cuentan con una estación hidrométrica o bien con los registros pluviográficos necesarios.30 > 1.76-1.18 > 5. no solo en El Salvador. 1999: p.76 0. Para la estimación de caudales máximos utilizando hidrogramas unitarios.68 > 1.91 0.59-4. Los hidrogramas unitarios así obtenidos se denominan sintéticos.68 Pavimentos 0-2. sino en todo el mundo. Velocidades promedio aproximadas de escorrentía para calcular el tiempo de concentración 2.30 Cultivos 0-0.11-5. Este procedimiento tiene utilidad cuando no se cuenta con los datos necesarios conjuntos de caudal y precipitación históricos para la deducción del hidrograma unitario de una cuenca. [Francisco Aparicio. 21 . Por ello. La mayor parte de las cuencas.07 1.2 Estimación de Hidrogramas Unitarios. Los hidrogramas unitarios sintéticos a analizar son los siguientes: Snyder.46-0.46 0.91-1. Tabla 2.2.37-1.228] a) Estimación de Hidrogramas Unitarios Sintéticos Fundamentos teóricos para la estimación del Hidrograma Unitario Sintético de Snyder.76 0.07-1.00 Pastizales 0-0.

En la región de los Montes Apalaches.16) Donde: t r: Duración de la lluvia neta (en horas). Snyder estableció que. A: Área de drenaje de la cuenca (en km²).8 y 2. L: Longitud del río principal desde la divisoria de aguas hasta el punto en consideración (en kilómetros). 2. 3 Donde: (Ec. qp = 0.275C p A tp (Ec.17) Donde: qp: Caudal pico del HU por milímetro de lluvia neta (m³/s/(mm)). tomando los valores menores para cuencas con grandes inclinaciones.15) t p: Tiempo de retardo de la cuenca (en horas) Ct: Coeficiente adimensional variando entre 1.5 (Ec. en Los Estados Unidos. 2. 2. Lc: Longitud desde el punto del río principal más próximo al centro geométrico de la cuenca hasta el punto en consideración (en kilómetros). t r = t p / 5 .La deducción de los parámetros para definir los hidrogramas unitarios sintéticos se basan en las características geométricas y morfológicas de la cuenca hidrográfica. para cuencas de 16 a 16.100 kilómetros cuadrados: t p = 0.2. 22 .7517Ct ( LxLc ) 0.

T = 3 + tp /8 (Ec.56 y 0. Figura 2. Hidrogramas Sintéticos de Snyder Para otra lluvia neta de duración t R diferente a tP el tiempo de retardo correspondiente a t pR el caudal pico qpR y el caudal base TR según Linsley son: 23 . 2.18) Donde: T: Tiempo base de la escorrentía.1. En la figura 2. El hidrograma unitario sintético obtenido corresponde a un milímetro de precipitación neta sobre toda la cuenca.1 se muestran los gráficos de los hidrogramas sintéticos de Snyder con la simbología utilizada.69 tomando valores mayores para cuencas con grandes inclinaciones.Cp : Coeficiente adimensional variable entre 0.

2.08 0.t pR = t P + TR − t r 4 (Ec. Se debe comprobar que: 24 . W .21) TR = 3 + t pR 8 q pR = 0. q . y el pico del hidrograma unitario (en horas) con base en las características t P .24 ) q ´ PR q PR  (m 3 / s ) /(mm )     A  km2   (Ec. y TR ). 2.08 ó W75R = ó W50R = 0. q . horas. W y T (ó t PR .17836 '1 . 2.20) (Ec.25 ) El valor de t P . 2. correspondiente a un valor de las ordenadas igual al 75% del caudal pico qP o qPR . trR .10192 qP qP '1 .275C P A t pR Adicionalmente: W75 = W50 = 0. 2. W50R.17835 '1 .10192 q PR qPR '1 . W50 : Ancho del HU. Se traza el P 50 PR 75R hidrograma unitario de escorrentía superficial.08 (Ec. horas.19) (Ec. q ´P = = qP A  (m 3 / s) /( mm )      km2   (Ec. t r. tiempo de retardo de la cuenca es igual al tiempo entre el centro geométrico de la duración de la lluvia neta t r. W75 . correspondiente a un valor de las ordenadas igual al 50% del caudal pico qP o qPR .08 (Ec.22) 0. 2.23) Sea que se trabaje con una lluvia neta de duración t r o con una duración t R en donde: W75 : Ancho del HU. 2.

29) En donde: de: Duración en exceso.∫Q ES dt =Pn xA = 1mmxA (Ec.26 ) En caso contrario se debe ajustar el hidrograma (usualmente el tiempo base T o TR ) hasta lograr que se cumpla la anterior ecuación.28) El tiempo pico se expresa: t p = d e / 2 + tr (Ec.27 ) Del análisis de varios hidrogramas. 2. 2. t r: Tiempo de retraso.67 t p (Ec. Mockus concluye que el tiempo base y el tiempo pico se relacionan mediante la expresión: t b = 2. en función del área de la cuenca en km² y el tiempo base en horas: QP = 0. 232] Desarrollado por Mockus en 1957. Se busca un gasto pico Qp .30) 25 .555 A 3 m / s / mm tb ( ) (Ec. 2001: p. 2. 2. [Francisco Aparicio. 2.6t c (en horas) (Ec. Fundamentos teóricos para la estimación del Hidrograma Unitario Sintético Triangular. y: t r = 0.

Dados el caudal pico y el tiempo de retardo para la duración de exceso de precipitación. (Ec. (Ec. Fundamentos teóricos para la estimación del Hidrograma Adimensional SCS. [Ven Te Chow. el hidrograma unitario puede estimarse a partir del hidrograma sintético adimensional para la cuenca dada.2 muestra el hidrograma adimensional. Los valores de qp y Tp pueden estimarse usando un modelo simplificado de un hidrograma unitario triangular. Además la duración: d e = 2 t c Para cuencas grandes (en horas). preparado utilizando los hidrogramas unitarios para una variedad de cuencas.236] El hidrograma adimensional SCS es un hidrograma unitario sintético en el cual el caudal se expresa por la relación del caudal q con respecto al caudal pico qp y el tiempo por la relación del tiempo t con respecto al tiempo de ocurrencia del pico en el hidrograma unitario Tp . La figura 2.Donde: t c: Tiempo de concentración. 2. 1994: p. 26 .31) d e = t c Para cuencas pequeñas (en horas). 2. en donde el tiempo está dado en horas y el caudal en m3/s⋅cm.32) Y se calculan las características del HU triangular.

Figura 2. Como el área bajo el hidrograma unitario debería ser igual a una escorrentía directa de 1 cm. puede demostrarse que: qp = CA/Tp (Ec. el tiempo de ocurrencia del pico Tp puede expresarse en términos del tiempo de retardo t p y de la duración de la lluvia efectiva t r. Como se muestra en la figura 2. 2.33 ) Donde C = 2. el Soil Conservation Service sugiere que el tiempo de recesión puede aproximarse como 1. donde Tc es el tiempo de concentración de la cuenca. un estudio de los hidrogramas unitarios de muchas cuencas rurales grandes y pequeñas indica que el tiempo de retardo t p ≅ 0. 2. Tp = t r/2 + tp (Ec.34 ) 27 . Hidrogramas Sintéticos SCS y Triangular Con base en la revisión de un gran número de hidrogramas unitarios.08 y A es el área de drenaje en kilómetros cuadrados.2.2.67Tp.6Tc. Adicionalmente.

[German Monsalve.b) Estimación de Hidrogramas Unitarios Complejos Construcción del Hidrograma de Caudal Un hidrograma de caudal es una gráfica o una tabla que muestra la tasa de flujo como función del tiempo en un lugar dado de la corriente. Cálculo de Hietograma de Exceso de Lluvia [Ven Te Chow.138-142] Para calcular el hietograma de exceso de lluvia se debe calcular el volumen de escurrimiento directo V d y la profundid ad de escorrentía directa rd de la siguiente manera: Vd = ∑ Qn ∆t n =1 N (Ec. 2.186]. rd = Vd / Ac (Ec. 1994: p. 1994: p.36) Donde Ac es el área de la cuenca. El caudal por debajo de esa línea corresponde al aporte del agua subterránea y el resto a la escorrentía superficial total.35) Donde ?t es la longitud del intervalo de tiempo seleccionado para el análisis. Separación del Caudal Base y el Caudal de Escurrimiento Directo mediante el método de la Línea Recta El método consiste en ubicar el punto donde empieza a crecer la gráfica (comienzo de incremento de caudal) y luego se traza una línea hasta interceptar el comienzo de la curva de agotamiento. 2. Se grafican los valores de caudales máximos horarios para la tormenta a la que le corresponde el caudal máximo anual para cada estación en estudio [Ven Te chow. 1999: p. El cálculo del hidrograma de escorrentía directa consiste en restar el caudal base del caudal observado para la tormenta en particular. 28 .135].

restando φ?t de la precipitación que se observa en cada intervalo (Rm ) y ajustando los valores de φ y M tantas veces como sea necesario para que las profundidades de escorrentía directa y de exceso de precipitación sean iguales. en términos de N-M+1 valores desconocidos del hidrograma unitario.N.233.Como siguiente paso se procede a la estimación de la tasa de abstracciones de lluvia (φ) que se originan por infiltración y almacenamiento superficial en la cuenca. despreciando todos los intervalos en las cuales la profundidad de precipitación observada es menor que φ?t. 29 .38) El hidrograma unitario se deduce utilizando un proceso inverso llamado deconvolución.…. así: n ≤M Qn = ∑P U m m =1 n −m +1 (Ec. estimando el número de intervalos M de lluvia que realmente contribuyen a la escorrentía directa. permite el cálculo de la escorrentía directa Qn dado un exceso de lluvia P m y el hidrograma unitario U n-m+1 . 234] La ecuación de convolución discreta que es la función respuesta de pulso discreto para un sistema lineal. n = 1. el valor de φ se calcula seleccionando un intervalo de tiempo de longitud ?t. 2. los cuales se encuentran por método de ensayo y error de la siguiente manera. 1994: p. así como el número de pulsos o intervalos M de lluvia diferentes de cero de escorrentía en exceso. Cálculo del Hidrograma Unitario Complejo [Ven Te Chow. Supóngase que existen M pulsos de exceso de lluvia y N pulsos de escorrentía directa en la tormenta considerada. 2.37) Las ordenadas del hietograma de exceso de precipitación se calculan sustrayendo φ?t de las ordenadas del hietograma de precipitación observada. dada una información de Pm y Qn . luego pueden escribirse N ecuaciones para Qn .2. así: rd = ∑ ( R m − φ∆t ) m =1 M (Ec.

com/awesome_quad/cap3/eyr3w. Snyder en 1938 para la determinación de caudales máximos a través del Hidrograma Sintético de Snyder para cuencas de 16 a 16. septiembre de 2004] De acuerdo con las investigaciones de F. 2.54) (cm ) (Ec. se procede a calcular la retención potencial máxima (S):  1000  S = − 10(2. El procedimiento inicia estimando el número de curva CN de tablas. se procede a estimar la precipitación efectiva o profundidad de escorrentía con los valores de precipitación total (P) y retención potencial máxima (S): Pe = (P − 0.htm. Una vez estimado el CN.geocities.000 km2 .2.2S )2 P + 0 .2S.41) 30 .39)  CN  Una vez estimada la retención potencial máxima.8 S ( 2.2S Pe = 0. la fórmula empírica necesaria para la determinación de estos caudales es la siguiente: Qmáx = qp x I x t c (en m3 /s) (Ec. según el tipo de suelo y utilizando factores de corrección según el caso. 2.3 Cálculo de caudales máximos a través de los Hidrogramas Unitarios (Sintéticos y Complejo) a) Cálculo de Lluvia Neta a través del método SCS. 2.2. b) Cálculo de caudales máximos a través del Hidrograma Sintético de Snyder [http://www.54)(cm ) (Ec. Cuando P<0.40) Siendo esta ecuación válida únicamente para valores de P> 0.

y la profundidad de precipitación correspondiente se encuentra al multiplicar la intensidad y la duración.…. la intensidad es medida en una curva I-D-F para cada una de las duraciones 1?t.Donde t c es el tiempo de concentración en horas. El hietograma de diseño producido por este método especifica la profundidad de precipitación que ocurre en n intérvalos de tiempo sucesivos de duración ?t sobre una duración total de Td =n?t. Estos incrementos o bloques se reordenan en una secuencia temporal de modo que la intensidad máxima ocurra en el centro de la duración requerida Td y que los demás bloques queden en orden descendente alternativamente hacia la derecha y hacia la izquierda del bloque central para formar el hietograma de diseño. es posible obtener dicho hietograma utilizando el método del Bloque Alterno. se encuentra la cantidad de precipitación que debe añadirse por cada unidad adicional de tiempo ?t. I es la intensidad máxima en mm/h. Cuando no existe registro de precipitación sobre la cuenca. c) Cálculo de caudales máximos a través de los Hidrogramas Sintéticos Triangular. 2?t. SCS e Hidrograma Unitario Complejo Para la determinación de caudales máximos por medio de Hidrogramas Unitarios Complejos y Sintéticos se necesita de un hietograma de lluvia. 3?t. Método del Bloque Alterno para el cálulo de Hietogramas de precipitaciones de diseño El método del bloque alterno es una forma simple para desarrollar un hietograma de diseño utilizando una curva I-D-F. Después de seleccionar el per íodo de retorno de diseño. Tomando diferencias entre valo res sucesivos de profundidad de precipitación. y qp es el caudal pico del Hidrograma unitario de Snyder en m3 /s/mm. 31 .

con lo que la serie resultante es mucho más larga que la de una estación en particular.4).3 Cálculo de caudales máximos utilizando el método Regional de Índice de Creciente [Documento de Regionalización de Caudales Máximos y Medios en El Salvador SNET. Para cada región. Para aplicar el método Regional de Índice de Creciente. La regionalización de caudales máximos que se llevó a cabo en El Salvador.33) con base en el área de la cuenca y a la región Hidrológicamente homogénea a la que pertenece (tabla 2. además de que permite el cálculo de caudales máximos en cualquier cuenca que no posea estación hidrométrica. para la estimación de caudales máximos en cualquier punto de El salvador. 32 . Se determina el caudal correspondiente al promedio de los ca udales máximos (Q2. (anexo A). se establece una serie que consiste en la suma de los caudales divididos por su media en las estaciones que conforman la región. 2004: apartado 3. fue a través del método del índice de creciente (Flood Index) el cual supone que los máximos anuales dentro de la región hidrológicamente homogénea siguen una misma función de distribución y lo que varía es un factor de escala de acuerdo a cada cuenca ubicada en dicha región. se hace lo siguiente: Se ubica la región Hidrológicamente homogénea a la cual pertenece la cuenca a la cual se le va a estimar los caudales máximos para diferentes períodos de retorno (mapa de regiones Hidrológicamente homogéneas.5] Este método se basa en el uso simultáneo de los datos registrados en todas las estaciones ubicadas dentro de una zona considerada hidrológicamente homogénea. ya que establece relaciones entre las características fisiográficas de las cuencas y los caudales máximos.2.

33 =0.13 4.94 2.33 =0.24 2.44 2.4868*A1.9931 0.9257*A-172.75 2b Q2.70 5 1.60 2.15 2.41 3.07 2.28 2.33 =0.32 4 Q2.33 =0.544 7 Q 2.98 3.357 5 Q 2.9197 0.REGIÓN ECUACIÓN 1 Q2.71 1. el valor de caudal máximo para diferentes períodos de retorno.0701*A+122.61 3.107 8 Q 2.74 1.40 1.94 REGIÓN 3b 4 1.33 =-5E-06*A2 +0.96 2 1.14 3. PERÍODO DE RETORNO 5 10 15 20 25 50 100 1 1.73 1.0008*A2 +1.79 2.33 =0.91 3b Q2.81 6 1.11 2.22 2.33 y el área de la cuenca [Documento de Regionalización de Caudales Máximos y Medios en El Salvador SNET.54 2. así como para tomar decisiones relativas a un proyecto de ingeniería que dependa en gran medida del fenómeno en cuestión.6362 0.28 2.9946 0.9275 0.04 2.28 R2 0.96 2.9925 0.09 2. 2004: p.51 1.49 2.33=0.71 3.5).6108*A+4.05 4.38 1. 33 .23 4.75 1.33 =0.17 2. 3.14 7 1.20 2.2165 6 Q2. 2004: p. Factores de ajuste para el cálculo de caudales máximos [Documento de Regionalización de Caudales Máximos y Medios en El Salvador SNET.66 3.79 2.01 2.18 2.7167 0.33 =-0.6758*A+53.36 2.33 =2.9702 RANGO DE ÁREA (km2 ) 100-1991 55-110 187-430 100-1930 1640-2240 25-200 45-120 45-845 13-560 915-18200 Tabla 2.90 2.96 2.9882 0. 2.49 2.57 2.5] El Q2.39 1. 3.96 2.99 2.45 2.98 Tabla 2.3519*A+53.986 2 Q2.42 1.54 1.05 1.71 2b 1.5. Ecuaciones de relación entre el valor medio de los caudales máximos Q2.33 se multiplica por los factores de ajuste para los diferentes períodos de retorno (tabla 2.3154*A+205.991 0.5871*A+198.78 3 Q2.30 2.90 3 1.24 2.4 Fundamentos teóricos Estadísticos para la determinación de caudales máximos y determinación de Función de mejor ajuste El estudio de un fenómeno hidrológico requiere del análisis de datos o muestras históricas recopiladas para poder comprender el comportamiento del mismo.22 3.68 2.59 2.93 2.84 8 1.1408*A-71.4.50 1.61 3.6839*A+72.5]. obteniendo así.50 2.64 2.08 3.40 1.

87]. los fenómenos hidrológicos se "predicen" en base a "probabilidades". aún bajo las mismas condiciones. La probabilidad es un número real. En Hidrología esta semejanza es válida. E. 1993: p. I. es evidente que siempre ocurrirá. Algunos conceptos de probabilidad y estadística Para estudiar las técnicas y recursos estadísticos es necesario tomar en cuenta algunos conceptos básicos sobre probabilidad. Si. y ocurre lo que en el segundo caso: no se sabe con certeza lo que ocurrirá. como resultado de la experiencia. Cuando se va a realizar un experimento. [Llamas. entre cero y uno. Si un suceso no puede ocurrir jamás. 34 . G. debido a que ésta es el nexo entre Hidrología y Estadística. se le llama "suceso seguro" y tiene una probabilidad de uno.La determinación de caudales máximos a partir de datos históricos de estaciones hidrométricas localizadas en las zonas hidrográficas B. Visto desde este punto. F. llamadas sucesos o eventos. D. se pretende realizar mediante un análisis estadístico. por lo que es de vital importancia el conocer de una manera formal las técnicas estadísticas más apropiadas para así obtener la mejor información posible y para poder cuantificar el riesgo que representa la generalización a partir de informaciones parciales. que se le adjudica a los sucesos como una medida de su posible ocurrencia. La teoría de la probabilidad estudia las experiencias aleatorias y las posibles formas en que ocurren. C. sólo se presentan dos situaciones: se sabe con certeza lo que va a ocurrir o no se sabe. se llama "suceso imposible" y tiene una probabilidad de cero. J de El Salvador. se dice que estamos en este caso frente a lo que se denomina "experiencia aleatoria". por el contrario. H.

(Por ejemplo los volúmenes de escurrimiento mensual de un río). [Hernández.72]. 1[. 2002. por lo general. 11 y 12]. 2002: p. Si los intervalos en los que ocurren los sucesos u observaciones. de un modo tal que la asignación de la probabilidad se realiza desde un conjunto de números reales hacia el intervalo [0. como se dijo. Esta asignación de la probabilidad obliga a analizar la forma en que dicha probabilidad se distribuye en cada una de las variables aleatorias. cada suceso es relacionado con un número real llamado "variable aleatoria". Cuando el número de observaciones se incrementa. la distribución de probabilidades se hace mediante una determinada función. Por su naturaleza. 1]. números enteros. p. Se llaman continuas cuando. Se llaman discretas cuando toman valores puntuales. real o teóricamente. Funciones de probabilidad Existen dos tipos de funciones de probabilidad: Funciones discretas: cuando el número de valores x que puede tomar una variable aleatoria X es finito. pueden tomar cualquier valor dentro de un conjunto bien definido de números reales. 35 . Funciones continuas: cuando el número de valores x que puede tomar una variable aleatoria X es infinito se dice que dicha variable aleatoria es continua.Cualquier otro suceso diferente de los señalados tomará su valor de probabilidad en el intervalo real abierto ]0. el tamaño de los intervalos decrece. se dice que la variable aleatoria X es discreta (por ejemplo. el arrojar un dado). ya que los eventos ocurrentes no tienen un rango finito. Las variables aleatorias numéricas se clasifican en discretas y continuas. a la hidrología le interesa estudiar a las funciones continuas de probabilidad. donde la suma de todos los valores de probabilidad es igual a 1. es tan pequeño que tienden a cero. [Hernández. En este intervalo.

En el análisis de dicha muestra pueden considerarse los siguientes criterios: El tipo de fenómeno hidrológico: Se pueden elegir las funciones cuyos límites matemáticos sean compatibles con los límites impuestos por la naturaleza del fenómeno. La longitud de la muestra: Cuando se cuenta con muestras cortas o de reducido número de valores (50 o menos). similarmente P(a ≤ x ≤ b) denota la probabilidad de que un evento se encuentre en el intervalo (a. puesto que sólo se tiene la muestra histórica disponible como herramienta. Distribuciones de probabilidad El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda de Distribuciones de Probabilidad. Las características estadísticas de la muestra: La búsqueda de la función de distribución debe limitarse a aquellas familias de funciones de simetría equivalente. específico de ella por minúscula. 1993. es inversamente proporcional a la longitud de la muestra.b). sólo deben analizarse las funciones definidas por un número reducido de parámetros (de 1 a 3). [Llamas. se dice que conocemos la Distribución de Probabilidades de la variable x. Por P(x = a) se denota la probabilidad de que un evento asuma el valor a. p. Si la muestra es larga o lo suficientemente grande se deben utilizar funciones con mayor número de parámetros para dar mayor precisión debido a que el riesgo de la extrapolación a partir de una muestra limitada.Estimar a qué función de distribución pertenece un fenómeno hidrológico es un problema complejo. Si conocemos la probabilidad P(a ≤ x ≤ b) para todos los valores de a y b. y un análisis previo de la misma dará la pauta para elegir la función más adecuada. La variable se designa por mayúscula y un valor 36 . [Llamas. 96]. 1993: p. 96].

42) Si x es un número dado y consideramos la probabilidad P(X ≤ x): F(x)= P(X ≤ x) (Probabilid ad de no excedencia). f(x) es la llamada función de densidad de probabilidades y tiene las siguientes características: ∞ −∞ ∫ f ( x )dx = 1 b a (Ec.44) P (a ≤ x ≤ b) = ∫ f ( x )dx b (Ec. 2. 2.46) 37 .3. Distribución de la función de probabilidad de la variable x P(a ≤ x ≤ b) = ∫ f ( x) dx = A a b (Ec.45) ∫ f ( x )dx = 0 a (Ec. 2. Cuando el número de observaciones se incrementa. (Ec. 2.43) y llamamos F(x) la función de distribución acumulada. el tamaño de los intervalos decrece.f (x) a b Figura 2. 2.

Primer momento respecto al origen. 2. y asimetría respectivamente.Lo que implica que las probabilidades se definen sólo como áreas bajo la función de densidad de probabilidad (FDP) entre límites finitos.49) El valor estimado de la media a partir de la muestra es: 38 . 2.48) Parámetros estadísticos Los estadísticos extraen información de una muestra. Los principales estadísticos son los momentos de primer. Momentos de las distribuciones Las propiedades de las distribuciones pueden ser definidas completamente en términos de los momentos. varianza. 2.47) o respecto a la media (eje de rotación diferente al origen) M = ∫ ( x − µ ) γ f ( x) dx para la variable continua γ −∞ ∞ (Ec. Muestra la tendencia central de la distribución µ= ∞ −∞ ∫ xf ( x )dx (Ec. Media µ: Es el valor esperado de la variable misma. Los momentos en estadística son similares a los momentos en física (rotación respecto al o Mγ = ∞ −∞ ∫x γ f ( x) dx para la variable continua (Ec. segundo y tercer orden correspondiente a la media. indicando las características de la población.

50) Varianza σ²: Mide la variabilidad de los datos. Coeficiente de variación.52) En el cual el divisor es n-1 en lugar de n para asegurar que la estadística de la muestra no sea sesgada. Las unidades de la varianza son la media al cuadrado. que no tenga una tendencia. 2. σ = ∫ ( x − µ ) 2 f ( x) dx 2 −∞ ∞ (Ec. Es el segundo momento respecto a la media. 2. 2. es decir. la desviación estándar σ es una medida de la variabilidad que tiene las mismas dimensiones que la media y simplemente es la raíz cuadrada de la varianza. 2. a ser mayor o menor que el valor verdadero.x= 1 n ∑ xi n i =1 (Ec.53) x Cν = 39 .51) El valor estimado de la varianza a partir de la muestra es: s2 = 1 n ∑ ( xi − x ) 2 n − 1 i =1 (Ec. se estima por s. Su estimado es: δ (Ec. en promedio. es una medida adimensional de la variabilidad.

es razonable esperar que su función de distribuc ión de probabilidad sea similar a la del espacio completo.55) Un estimativo del coeficiente de asimetría está dado por: Cs = n∑ ( x − x ) 3 i =1 n ( n − 1)(n − 2) s 3 (Ec.56) Período de Retorno Cada espacio muestral tiene su propia función de distribución o de densidad de probabilidad. El período de retorno o intervalo de recurrencia. Cuando de ese espacio se extrae un grupo de datos (muestra) al azar. Además. el 40 . 2. Por ejemplo. en 25 se excedería el evento de diseño. si se tiene un evento de diseño con una probabilidad de ocurrencia P = 0. que normalmente no se conoce a priori. 2. Se obtiene a partir del tercer momento alrededor de la media. lo más razonable que se puede suponer en cuanto a la frecuencia de cada dato del grupo es que ésta sea. igual a la observada. en particular si la muestra es grande. T.54) γ= 1 E ( x − µ )3 σ3 [ ] (Ec. 2. dividiéndolo por el cubo de la desviación estándar para que sea adimensional. se define como el tiempo promedio en el cual un evento de cierta magnitud va a ser igualado o superado por lo menos en una ocasión. dentro del espacio muestral.25 y tomando un proyecto con una vida útil de 100 años se tendría entonces que de los 100 años que dure el proyecto.Coeficiente de asimetría γ La distribución de los valores de una distribución alrededor de la media se mide por la asimetría. E (x − µ )3 = [ ] ∫ (x − µ ) −∞ ∞ 3 f ( x) dx tercer momento respecto a la media (Ec. Por lo tanto.

2.57) La probabilidad de que el evento no ocurra sería entonces: F(x) = (1-P) = 1-1/T (Ec.60) Cuando se tiene una lista de datos ordenados en forma decreciente con respecto al evento. 2. Si P es la probabilidad.tiempo promedio de recurrencia del evento es de 100/25 = 4 años. 2.58) La probabilidad de que no ocurra en n años de la vida útil del proyecto sería: F(x) = (1 − 1/ T ) n (Ec. entonces: T = 1/P (Ec. m = número consecutivo de la lista para dicho evento.59) y la probabilidad de que ocurra el evento en n años o el riesgo de que se presente es: F(x) = [1 − (1 − 1 / T )] n (Ec. 2. 41 . 2. el período de retorno se puede calcular como: T = (n+1)/m (Ec.61) Donde: n = número de datos.

log-Pearson III 5.Una vez que se asigna un período de retorno al gasto de diseño de la obra que se está analizando. Normal 2. De las las funciones de distribución de probabilidad más usadas en hidrología. Gumbel Para la estimación de caudales máximos en este documento se seleccionaron la función Log-Normal porque es apropiada para variables aleatorias que cubren todo el rango de valores de los resultados posibles del experimento bajo análisis (volúmenes de escurrimiento mensual. 2001: p. Pearson III 4.1 Distribuciones de Probabilidad más usadas en hidrología para variables continuas. Esas extrapolaciones se logran mediante el uso de funciones de distribución de probabilidad. Distribución normal La distribución normal es una distribución simétrica en forma de campana. 253] 2. Aunque muchas veces no se ajusta a los datos 42 . también conocida como Campana de Gauss. la función Gumbel debido que se desarrolló para el análisis de los valores extremos de dichos resultados. es necesario hacer extrapolaciones a partir de los gastos máximos anuales que se hayan registrado para conocer el gasto de diseño que correspondería al período de retorno seleccionado. aquellas que más se ajusten a los registros con los que se cuenta. y la función Log-Pearson III ya que ocupa un lugar intermedio.4. estas son algunas de ellas para la determinación de caudales máximos: 1. [Francisco Aparicio. como los gastos máximos o mínimos anuales. por ejemplo). Log-normal 3.

µ = media de la población. 2.hidrológicos tiene amplia aplicación por ejemplo a los datos transformados que siguen la distribución normal. 2. Así la función principal queda como: F (x ) = F (z) = 1 −z 2 2 ∫ e dz −∞ 2 Π z (Ec.65) 43 .64) Que está normalmente distribuida con media cero y desviación estándar unitaria. Para resolver esta función se recurren a métodos numéricos para evaluarla. La función de densidad de probabilidad normal se define como: F (x ) = −  1 e 2 2Π σ 1  x −µ   σ  2 (Ec.62) y la función de distribución de probabilidad normal como: F (x ) = Donde: −∞ ∫ x −  1 e 2 2Π σ 1  x −µ   σ  2 dx (Ec. 2. y para hacer esto más sencillo se ha asignado como variable estandarizada: x−µ σ z= (Ec.63) x = variable aleatoria. 2. σ = desviación estándar de la población.

024393 a3 = 0. z>0 (Ec.43618 b2 = -0. 2. 2.66) a0 = 2. la función de densidad f(z) se aproxima como: f(z) = (a0 + a1 z2 + a2 z4 + a3 z6 )-1 Donde: (Ec.466003 a2 = -0. 2.H(z).178257 Y la función de distribución sería la siguiente: F(z) = H(z). z< 0 (Ec.490895 a1 = 1.68) Donde: 1 H (z) = 1 − e 2Π − z2 2 (b1 q + b2 q 2 + b3 q 3 ) (Ec. Y la segunda es mediante fórmulas aproximadas. 2.67) F(z) = 1.12017 b3 = 0.69) Siendo: q= 1 1 + b0 z (Ec.70) b0 = 0.33267 b1 = 0.Hay dos maneras de estimar F(z). una es mediante una tabla que se ha publicado de dicha ecuación. 2.93730 44 .

45 . y por lo tanto son la media y la desviación estándar de los logaritmos de la variable aleatoria.72)  n (ln xi − α ) 2  β = ∑ n  i =1  La distribución de probabilidad: (Ec.71) donde α y β son parámetros de la distribución.73)  1 1 −2  F ( x) = ∫ e  2 Π xβ 0 x 1  ln −α   β   2 dx (Ec. 2. La función de distribución de probabilidad es: α =∑ i =1 n ln xi n 1/ 2 (Ec.Normal se usa bastante en hidrología. sobre todo en el estudio de valores extremos. 2. 2.75) A causa de su asimetría pronunciada. la función Log. 2.74) Al igual que en la distrib ución normal. 2.Distribución Log-Normal En esta función los logaritmos naturales de la variable aleatoria se distribuyen normalmente. se le asigna a "z" los siguientes valores: z= ln x − α β (Ec. f ( x) =  1 1 − 2 e  2Π xβ 1  ln −α β     2 (Ec.

Volúmenes de flujo anuales y estacionales. Función de densidad Log-Normal Distribución Pearson III Esta distribución ha sido una de las más utilizadas en hidrología. Como la mayoría de las variables hidrológicas son sesgadas.4.−1 − e x− δ 1 α1 (Ec. Caudales mínimos. La función de densidad de probabilidad Pearson de tres parámetros (tipo III) se define como:  x −δ1  1 f ( x) =   α1Γ ( β 1 )  α 1  β1 . valores de precipitaciones extremas y volúmenes de lluvia de corta duración. La función de distribución Gamma tiene dos o tres parámetros. 2.76 ) 46 .f(x) f(x) f(x) Figura 2. la función Gamma se utiliza para ajustar la distribución de frecuencia de variables tales como crecientes máximas anuales.

5 (Ec. 2. 2. 2.80) La función de distribución de probabilidad es: −  1 F ( x) = e ∫ α1 Γ (β 1 ) 0 x  x−δ1 δ1      x − δ1    δ    1  β −1 dx (Ec. β 1. δ 1 son los parámetros de la función y Γ(β 1 ) es la función de Gamma. 2. Los parámetros α 1.83) Siendo la anterior una función ji cuadrada con 2β 1 grados de libertad y x 2 = 2 y : F ( y ) = F ( x 2 ν ) = Fx 2 ( 2 y 2β1 ) (Ec.81) y sustituyendo y= La ecuación quedaría F ( y) = x −δ1 α1 (Ec. 2. que se define como: γ =∑ ( xi − x) 3 / n S3 i =1 n _ (Ec. mediante el siguiente sistema de ecuaciones: x = α1 β 1 + δ 1 _ (Ec. δ1 se evalúan a partir de n datos medidos. 2.77) S2 = α1 2β 1 γ = 2 / (β 1 )0. 2.donde α 1.78) (Ec.79) donde x es la media de los datos.82) 1 β −1 − y ∫ y e dy Γ ( β1 ) 0 y (Ec. β1.84) 47 . S2 su variancia y γ su coeficiente de sesgo. 2.

Esta función se usa solo cuando β 1 = n /2. Si se selecciona el máximo x de los n eventos de cada muestra. Distribución Gumbel Supóngase que se tienen N muestras cada una con n eventos.86) Pt =[ 1 . estimándolo. es recomendable fijar dicho valor de d a ojo. donde n es un entero positivo cualquiera.3. la función de probabilidad de x (probabilidad de no excedencia) tiende a: − α (α − β ) F ( x) = e− e = P (X= x) (Ec. Esta se trabaja igual que para la Pearson Tipo III incluso el uso de la distribución ji cuadrada. puede tomarse como el entero más próximo o bien interpolar en la tabla del anexo B. Cuando δ da valores extraños. se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III.F(x) ] (Ec. se tendrá que acudir a tablas de la función de distribución de Gamma de un parámetro. como la ordenada al origen en una gráfica de gasto contra periodo de retorno. Como 2β es no entero. Cuando β < 0. 2. 2. a medida que aumenta n. Distribución Log-Pearson III Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo III.87) 48 . Esta distribución es ampliamente usada en el mundo para el análisis de frecuencia de caudales máximos. es posible demostrar que. pero con Xy y Sy como la media y desviación estándar de los logaritmos de la variable original X. como negativos o muy grandes.85) La función de densidad de probabilidad es entonces: f ( x) = αe[−α ( x − β )− e y la probabilidad de excedencia es: −α ( x − β ) ] (Ec. 2.

88) β = µ − γ /α (Ec. las cuales son las que se utilizarán en nuestro análisis y que se describen a continuación: Prueba Smirnov-Kolmogorov La prueba de bondad de ajuste estadístico Smirnov . 2. Los valores de α y β : α= π σ 6 (Ec. no se puede ignorar el significado físico de los mismos.Donde α y β son los parámetros de la función. En la teoría estadística.Cuadrado.577215 (Ec. 2.91) 49 . 2.90) 2. Estos son análisis estadísticos y como tal se deben entender.2 Pruebas de bondad de ajuste Para determinar que tan adecuado es el ajuste de los datos a una distribución de probabilidades se han propuesto una serie de pruebas estadísticas que determinan si es adecuado el ajuste. 2. es decir.89) Donde ? es la constante de Euler y es igual a: ? = 0.Kolmogorov considera la desviación de la función de distribución de probabilidades de la muestra P(x) de la función de probabilidades teórica. las pruebas de bondad del ajuste más conocidas son la Smirnov Kolmogorov y la Chi .4. escogida Po(x) tal que: Dn = max( P ( x) − Po ( x)) (Ec.

29 0. Esta prueba es fácil de realizar y comprende las siguientes etapas: El valor estadístico D es la máxima diferencia entre la función de distribución acumulada de la muestra y la función de distribución acumulada teórica escogida.21 1.22 / (n)1/2 a = 0. [Aparicio. la distribución escogida se debe rechazar.49 0. Por el contrario. 1993. El valor crítico dcrit de la prueba debe ser obtenido de la tabla 2.10 0. pues depende del nivel de significancia y del número de datos.24 0.40 0. 50 . p.25 1.6.30 0.01 0.67 0.36 / (n)1/2 a = 0.32 0.24 0.26 0.Valores críticos d crit para la prueba Smirnov-Kolmogorov de Bondad de ajuste.22 0.05 y 0.05 0.19 1. la distribución escogida se debe aceptar. Tamaño de la muestra 5 10 15 20 25 30 40 n grande a = 0.26 0. si el valor calculado D es mayor que el dcrit.34 0.63 / (n)1/2 Tabla 2.6. 289].51 0.41 0. Se fija el nivel de probabilidad (nivel de significancia) α.La prueba requiere que el valor D calculado con la expresión anterior sea menor que el valor tabulado dcrit para un nivel de probabilidad (significancia) requerido. valores de 0.35 0.29 0.37 0. Si el valor calculado D es menor que el dcrit.01 son los más usuales. el cual está en función de α y n .56 0.

51 . ya que una mala selección de cualquiera de las funciones puede traducirse.4. Si el valor calculado de x² por la ecuación anterior es mayor que algún valor crítico de x². La función x² se encuentra tabulada tal y como se mostró en la figura 2.01 (el nive l de confianza es 1-α) se puede decir que las frecuencias observadas difieren significativamente de las frecuencias esperadas (o calculadas) y entonces la hipótesis Ho se rechaza. 270].6.Prueba ji-Cuadrado Una medida de las discrepancia entre las frecuencias observadas (fo ) y las frecuencias calculadas (f c) por medio de una distribución teórica esta dada por el estadístico x² x2 = ∑ en donde ( f0 − fc )2 fc i =1 k (Ec.05 y 0. Al aplicar cada una de las funciones de distribución a los datos de los registros de cada estación es posible que se observen que existen diferencias que son apreciables entre las mismas. si ocurre lo contrario entonces se acepta. con niveles de significancia α de 0. p. donde k es el número de intervalos y m es el número de los parámetros de la distribución teórica. La distribución del estadístico x² se puede asimilar a una distribución Chi-cuadrado con (k-1-m) grados de libertad. Debido a esto es necesario seleccio nar con cuidado la función a utilizar. en una estructura sobrediseñada y costosa o subdiseñada y peligrosa [Aparicio.3 Selección de la Función de Distribución de mejor ajuste.92) Si el estadístico x²=0 significa que las distribuciones teórica y empírica ajustan exactamente. 2. 2001. mientras que si el estadístico x²>0. ellas difieren. Supóngase que una hipótesis Ho es aceptar que una distribución empírica se ajusta a una distribución Normal. 2. para el ingeniero o entidad que utilizará en el futuro esta información.

con el propósito de calcular los valores de Caudales Máximos en cada una de las estaciones analizadas. calificando las funciones según el orden de preferencia. Para este último se seleccionó el valor de a = 0. y a escoger cual sería la preferible según las pruebas aplicadas. k-1-m y dcrit respectivamente. o definitivamente rechazando la función. se realiza de la siguiente manera: En primera instancia se aplican ambas pruebas de bondad de ajuste ( i-cuadrado y j Smirnov-Kolmogorov) a las distribuciones obtenidas de cada función para los registros de cada estación. los cuales se encuentran en función del nivel de significancia a usado.05. es decir se acepta una incertidumbre en el modelo de un 5 por ciento. 52 . Luego se calcula el valor del parámetro estadístico x2 para la prueba ji-cuadrado.La selección de la función de mejor ajuste a utilizar. para así compararlos con los valores estadísticos críticos x 2 1-a . Para seleccionar finalmente la función a utilizar se tabulan los resultados de las pruebas aplicadas. otorgando un valor de 1 a la de "mejor" ajuste y creciendo este valor hasta la de "peor" ajuste. Ya comparados los parámetros calculados con los valores críticos se procede a concluir si se acepta o se rechaza la función aplicada. o lo que es lo mismo se requiere de un 95 por ciento de certeza para aceptar el modelo o la hipótesis.y el parámetro D para Smirnov-Kolmogorov.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->