You are on page 1of 32

OBJETIVOS

OBJETIVO GENERAL

Conocer los mtodos a utilizar para poder obtener un periodo de retorno adecuado, mediante el anlisis de frecuencia.

OBJETIVOS ESPECIFICOS

Dar a conocer el procedimiento de los diferentes mtodos de anlisis de frecuencia. Analizar cmo se obtiene un periodo de retorno adecuado atravez de los datos obtenidos de un mtodo de anlisis de frecuencias.

INTRODUCCION

Para toda obra civil hidrulica es necesario hacer muchos estudios para poder tener en cuenta todos los problemas y consecuencias que provoca el agua, factor importante que afecta las obras civiles. El agua es muy difcil de controlar aun de predecir ciertos eventos extremos, es por ello necesario hacer estructuras que resistan estos eventos extremos, y para ello, en el presente trabajo trataremos de dar una introduccin a una parte de estos estudios para estimar un periodo de retorno adecuado. El anlisis de frecuencia es una herramienta utilizada para, predecir el comportamiento futuro de los caudales en un sitio de inters, a partir de la informacin histrica de caudales. Es un mtodo basado en procedimientos estadsticos que permite calcular la magnitud del caudal asociado a un perodo de retorno. Para determinar la magnitud de eventos extremos cuando la distribucin de probabilidades no es una funcin fcilmente invertibles se requiere conocer la variacin de la variable respecto a la media. Y para obtener estos datos necesarios para estimar el tiempo de retorno existen varios mtodos, quiz habra que estudiar bien a fondo para escoger el mtodo adecuado y el ms preciso, aqu tambin expondremos ciertos mtodos. Con los datos obtenidos de estos mtodos podemos calcular un periodo de retorno necesario y adecuado para la estructura a disear.

ANALISIS DE FRECUENCIAS

Es un procedimiento para estimar la frecuencia o probabilidad de ocurrencia de ciertos eventos hidrolgicos. El anlisis de frecuencia es una herramienta utilizada para, predecir el comportamiento futuro de los caudales en un sitio de inters, a partir de la informacin histrica de caudales. Es un mtodo basado en procedimientos estadsticos que permite calcular la magnitud del caudal asociado a un perodo de retorno. Su confiabilidad depende de la longitud y calidad de la serie histrica, adems de la incertidumbre propia de la distribucin de probabilidades seleccionada. Cuando se pretende realizar extrapolaciones, perodo de retorno mayor que la longitud de la serie disponible, el error relativo asociado a la distribucin de probabilidades utilizada es ms importante, mientras que en interpolaciones la incertidumbre est asociada principalmente a la calidad de los datos a modelar; en ambos casos la incertidumbre es alta dependiendo de la cantidad de datos disponibles (Ashkar, et al. 1994). La extrapolacin de frecuencias extremas en una distribucin emprica de crecientes es extremadamente riesgosa (Garcon, 1994). Para determinar la magnitud de eventos extremos cuando la distribucin de probabilidades no es una funcin fcilmente invertibles se requiere conocer la variacin de la variable respecto a la media. Chow en 1951 propus determinar esta variacin a partir de un factor de frecuencia KT que puede ser expresado:

Y se puede estimar a partir de los datos

Para una distribucin dada, puede determinarse una relacin entre K y el perodo de retorno Tr. Esta relacin puede expresarse en trminos matemticos o por medio del uso de una tabla. El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de probabilidad y determinar con el factor de frecuencia la magnitud del evento para un perodo de retorno dado.

A continuacin se describen las principales distribuciones de probabilidad utilizadas en hidrologa, la forma de estimar sus parmetros, el factor de frecuencia y los lmites de confianza. Estos ltimos son indicadores de que tanta incertidumbre se tiene con las extrapolaciones, puesto que determinar el rango de valores donde realmente estara la variable, si el rango es muy grande la incertidumbre es muy alta y si es pequeo, por el contrario, habr mucha confianza en el valor estimado. El diseo y planificacin de obras hidrulicas estn siempre relacionadas con eventos hidrolgicos futuros; por ejemplo la avenida de diseo para el vertedero de una presa es un evento que tal vez no sea presentado jams, o al menos no en el periodo de datos disponible, pero que es necesario conocer para el diseo de la obra. En particular la probabilidad juega un papel de primer orden en el anlisis hidrolgico. El anlisis de frecuencia da informacin hidrolgica relaciona los eventos extremos con su frecuencia de ocurrencia mediante el uso de distribuciones de probabilidad. El anlisis de frecuencia, en general, se realiza ajustando el comportamiento de los datos observados a una distribucin terica de probabilidad, entre las cuales pueden mencionarse. Normal Log-normal Gumbell Tipo I Log-gumbell Pearson III Log-pearson III

De ahora en adelante, se considerara la distribucin de Gumbell Tipo I como la ms aceptada para anlisis que incluyan eventos extremos. GUMBELL En teora de probabilidad y estadstica la distribucin de Gumbel (llamada as en honor de Emil Julius Gumbel (1891-1966) es utilizada para modelar la distribucin del mximo (o el mnimo), por lo que se usa para calcular valores extremos. Por ejemplo, sera muy til para representar la distribucin del mximo nivel de un ro a partir de los datos de niveles mximos durante 10 aos. Es por esto que resulta muy til para predecir terremotos, inundaciones o cualquier otro desastre natural que pueda ocurrir.

La aplicabilidad potencial de la distribucin de Gumbel para representar los mximos se debe a la teora de valores extremos que indica que es probable que sea til si la muestra de datos tiene una distribucin normal o exponencial.

DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS DISTRIBUCION NORMAL La distribucin normal es una distribucin simtrica en forma de campana, tambin conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos hidrolgicos tiene amplia aplicacin por ejemplo a los datos transformados que siguen la distribucin normal. Funcin de densidad: La funcin de densidad est dada por

Los dos parmetros de la distribucin son la media m y desviacin estndar s para los cuales (media) y s (desviacin estndar) son derivados de los datos. Estimacin de parmetros:

Factor de frecuencia: 1. Si se trabaja con los X sin transformar el K se calcula como

Este factor es el mismo de la variable normal estndar Limites de confianza:

Donde a es el nivel de probabilidad es el cuantil de la distribucin normal estandarizada para una probabilidad acumulada de 1-a y Se es el error estndar

DISTRIBUCIN LOGNORMAL DE DOS PARMETROS Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que X se distribuye normalmente. Esta distribucin es muy usada para el clculo de valores extremos por ejemplo Qmax, Qmnimos, Pmax, Pmnima (excelentes resultados en Antioquia). Tiene la ventaja que X>0 y que la transformacin Log tiende a reducir la asimetra positiva ya que al sacar logaritmos se reducen en mayor proporcin los datos mayores que los menores. Limitaciones: tiene solamente dos parmetros, y requiere que los logaritmos de las variables estn centrados en la media Funcin de densidad:

y = ln x Donde, my : media

de

los

logaritmos de

la

poblacin

(parmetro

escalar),

estimado estimado sy.

sy : Desviacin estndar de los logaritmos de la poblacin,

Estimacin de parmetros:

Factor de frecuencia: Puede trabajarse en el campo original y en el campo transformado. 2. Campo transformado: Si se trabaja en el campo transformado se trabaja con la media y la desviacin estndar de los logaritmos, as: Ln(XTr) = xTr+KSy De donde, XTr = eln (xTr) Con K con variable normal estandarizada para el Tr dado, xy media de los logaritmos y Sy es la desviacin estndar de los logaritmos.

3.

Campo original: Si se trabaja con los X sin transformar el K se calcula como

K es la variable normal estandarizada para el Tr dado, es el coeficiente de variacin, x media de los datos originales y s desviacin estndar de los datos originales. Limites de confianza: En el campo transformado.

En donde, n nmero de datos, Se error estndar, KT variable normal estandarizada. EJEMPLO: En un ro se tienen 30 aos de registros de Qmximos instantneos anuales con x= 15 m3/s, S = 5 m3/s (media y desviacin estndar para los datos originales). xy=2.655, sy = 0.324 (media y desviacin estndar de los datos transformados). Encontrar el caudal para un periodo de retorno de 100 aos y los lmites de confianza para un a = 5%. Calcular la probabilidad de que un caudal de 42.5 m3/s no sea igualado o excedido P(Q 4.25). Solucin: n=30 x= 15 m3/s s = 5 m3/s En el campo original

xy=2.655 sy = 0.324

= 5/15 = 0.33 K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.99) De la tabla de la normal se obtiene KT=2.33

KT = 3.06

QTr = 15 + 5 * 3.028 QTr = 30.14 m3/s En el campo transformado se tiene que: LnQTr100 = 2.655 + 2.33*0.324 LnQTr100 = 3.40992 QTr100 = Exp (3.40992) Q Tr100 = 30.26 m3/s Lmites de confianza Ln (QTr) t(1-a) Se

d = 1.93

t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal) Ln(30.28) (1.645 ) (0.11) 3.41 0.18095 [3.22905 3.59095] 3.22905 [e e3.59095] [25.26 36.29]

Intervalos de confianza para QTr100

b) Calcular la probabilidad de que un caudal de 45 m3/s no se igualado o excedido P (Q 4.25). Ln(42.5) = 3.75 t = (3.75 - 2.655)/0.324 F (3.38) = 0.9996 Ledo de la tabla de la normal P (Q 4.25) = 99.9% DISTRIBUCION GUMBEL O EXTREMA TIPO I Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico es la distribucin general de valores extremos, la cual ha sido ampliamente utilizada para representar el comportamiento de crecientes y sequas (mximos y mnimos). Funcin de densidad:

En donde a y b son los parmetros de la distribucin.

Estimacin de parmetros

Donde

son la media y la desviacin estndar estimadas con la muestra.

Factor de frecuencia:

Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal para un perodo de retorno de 2.33 aos es igual a la media de los caudales mximos. Limites de confianza Xt t(1-a) Se

KT es el factor de frecuencia y t(1-a) es la variable normal estandarizada para una probabilidad de no excedencia de 1-a.

EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno y los intervalos de confianza. x= 15 m3/s, s = 5 m3/s QTr100 = x + KT s

KT = 3.14 QTr100 = 15 + 3.14*5 QTr100 = 30.7 m3/s Intervalos de confianza t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

d = 3.93

Xt t(1-a) Se 30.7 m3/s (1.64) (3.58) [24.83 m3/s 36.58 m3/s] Intervalo de confianza para QTr100

DISTRIBUCION GAMMA DE TRES PARMETROS O PEARSON TIPO 3 Esta distribucin ha sido una de las ms utilizadas en hidrologa. Como la mayora de las variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la distribucin de frecuencia de variables tales como crecientes mximas anuales, Caudales mnimos, Volmenes de flujo anuales y estacionales, valores de precipitaciones extremas y volmenes de lluvia de corta duracin. La funcin de distribucin Gamma tiene dos o tres parmetros. Funcin de densidad:

Donde, x0 x < a para a > 0 a < x x0 para a < 0 a y b son los parmetros de escala y forma, respectivamente , y x0 es el parmetro de localizacin.

Estimacin de parmetros:

Cs es el coeficiente de asimetra, la muestra respectivamente.

son la media y la desviacin estndar de

Factor de frecuencia:

Donde z es la variable normal estandarizada Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra. Intervalos de confianza: Xt t(1-a) Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y d se encuentra tabulado en funcin de Cs y Tr. EJEMPLO: Se tiene una estacin con 30 aos de registros de caudales mximos instantneos con Media de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el coeficiente de asimetra de los caudales es de 1.981 pie3/s cual es caudal para un periodo de retorno de 100 aos y su intervalo de confianza. QTr100 = X+ SK K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553 (2.0,100) = 3.605

QTr100 = 4144+ (3.595) (3311) QTr100 = 16050 pie3/s

Intervalos de confianza Xt t(1-a) Se

d = F(1.981,100)

de tablas se obtiene d =8.4922

(1.9,100) = 8.2196 (2.0,100) = 8.5562

Se = 5133.56 pie3/s t(1-a) = t(0.95) = 1.645 (Ledo de la tabla de la normal) 16050 (5133.56) (1.645) [7605.29 pie3/s QTr100 24494.71pie3/s] Intervalos de confianza para

DISTRIBUCIN LOG GAMMA O LOGPEARSON DE 3 PARMETROS Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin Pearson tipo III, se dice que la variable aleatoria X se ajusta a una distribucin Log Pearson Tipo III. Esta distribucin es ampliamente usada en el mundo para el anlisis de frecuencia de Caudales mximos. Esta se trabaja igual que para la Pearson Tipo III pero con Xy y Sy como la media y desviacin estndar de los logaritmos de la variable original X. Funcin de densidad:

Donde, y0 y < a para a > 0 a y y0 para a < 0 a y b son los parmetros de escala y forma, respectivamente , y y0 es el parmetro de localizacin.

Estimacin de parmetros:

Cs es el coeficiente de asimetra, son la media y la desviacin estndar de los logaritmos de la muestra respectivamente. Factor de frecuencia:

Donde z es la variable normal estandarizada Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra. Intervalos de confianza: Xt t(1-a) Se

Donde Sy es la desviacin estndar de los logaritmos de la muestra, n es el nmero de datos y d se encuentra tabulado en funcin de Cs y Tr.

AJUSTE DE DISTRIBUCIONES Para la modelacin de caudales mximos se utilizan, entre otras, las distribuciones Log - Normal, Gumbel y Log-Gumbel principalmente. Para seleccionar la distribucin de probabilidades de la serie histrica se deben tener en cuenta algunas consideraciones.

Cuando en la serie histrica se observan outliers es necesario verificar la sensibilidad del ajuste debido a la presencia de estos, (Ashkar, et al. 1994) Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y Log-Pearson se requiere transformar la variable al campo logartmico para modelarla, con lo que se disminuye la varianza muestral, pero tambin se filtran las variaciones reales de los datos. Las distribuciones de dos parmetros fijan el valor del coeficiente de asimetra, lo que en algunos casos puede no ser recomendable. La distribucin Log - Normal de dos parmetros slo es recomendable s el coeficiente de asimetra es cercano a cero. Las distribuciones Gumbel y Log Gumbel son recomendables si el coeficiente de asimetra de los eventos registrados es cercano a 1.13 Para ajustar distribuciones de tres parmetros (Log Normal III, Log Pearson) se requiere estimar el coeficiente de asimetra de la distribucin; para ello es necesario disponer de una serie con longitud de registros larga, mayor de 50 aos, (Kite, 1988). Las distribuciones de dos parmetros son usualmente preferidas cuando se dispone de pocos datos, porque reducen la varianza de la muestra, (Ashkar, et al. 1994). Para seleccionar la distribucin de probabilidades adecuada se debe tratar de utilizar informacin adicional del proceso hidrolgico que permita identificar la forma en que se distribuye la variable. Usualmente es muy difcil determinar las propiedades fsicas de los procesos hidrolgicos para identificar el tipo de distribucin de probabilidad que es aplicable.

Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cul es la distribucin que mejor se ajusta a los caudales mximos y recomiendan seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste grfico o basado en el comportamiento de las pruebas estadsticas de bondad del ajuste (por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von Mises) en las que se calcula un estimador y se compara con un valor tabulado para determinar si el ajuste es adecuado o no. En la prueba de ajuste grfica se dibujan los valores registrados en la serie contra la distribucin terica de probabilidades y de manera visual (subjetiva) se determina si el ajuste es adecuado o no.

Cuando la informacin es adecuada el anlisis de frecuencia es la metodologa ms recomendable para la evaluacin de eventos extremos, ya que la estimacin depende solamente de los caudales mximos anuales que han ocurrido en la cuenca y no da cuenta de los procesos de transformacin de la precipitacin en escorrenta. Obviamente tiene algunas limitaciones relacionadas con el comportamiento de la serie histrica y con el tamao y calidad de los datos de la muestra.

Cuando se presenten cambios o tendencias en la serie histrica se deben utilizar tcnicas estadsticas que permitan removerlos para poder realizar el anlisis de frecuencias (Kite, 1988; Mamdouh, 1993; Ashkar, et al. 1994). La seleccin inadecuada de la distribucin de probabilidades de la serie histrica arrojar resultados de confiabilidad dudosa, (Ashkar, et al. 1994). El tamao de la muestra influye directamente en la confiabilidad de los resultados, as a mayor perodo de retorno del estimativo mayor longitud de registros necesaria para mejor confiabilidad en los resultados.

El ajuste a distribuciones se puede hacer de dos tcnicas, con el factor de frecuencia como se refiri en el numeral 2 o hallando la distribucin emprica de los datos muestrales, por el mtodo de Plotting Position.

Plotting Position Trabaja con la probabilidad de excedencia asignada a cada valor de la muestra. Se han propuesto numerosos mtodos empricos. Si n es el total de valores y m es el rango de un valor en una lista ordenada de mayor a menor (m=1 para el valor

mximo) la probabilidad de excedencia se puede obtener por medio de las siguientes expresiones

California

Weibull

Hazen La expresin ms utilizada es la Weibull. Con las anteriores expresiones se halla lo que se conoce como la distribucin emprica de una muestra, esta luego se puede ajustar a una de las distribuciones tericas presentadas anteriormente. Los resultados pueden ser dibujados en el papel de probabilidad; este es diseado para que los datos se ajusten a una lnea recta y se puedan comparar los datos muestrales con la distribucin terica (lnea recta). Pruebas de Ajuste Para determinar qu tan adecuado es el ajuste de los datos a una distribucin de probabilidades se han propuesto una serie de pruebas estadsticas que determinan si es adecuado el ajuste. Estos son anlisis estadsticos y como tal se deben entender, es decir, no se puede ignorar el significado fsico de los ajustes. Prueba Smirnov Kolmogorov El estadstico Smirnov Kolmogorov D considera la desviacin de la funcin de distribucin de probabilidades de la muestra P(x) de la funcin de probabilidades terica, escogida Po(x) tal que .

La prueba requiere que el valor Dn calculado con la expresin anterior sea menor que el valor tabulado Dn para un nivel de probabilidad requerido. Esta prueba es fcil de realizar y comprende las siguientes etapas: El estadstico Dn es la mxima diferencia entre la funcin de distribucin acumulada de la muestra y la funcin de distribucin acumulada terica escogida.

Se fija el nivel de probabilidad a, valores de 0.05 y 0.01 son los ms usuales. El valor crtico Da de la prueba debe ser obtenido de tablas en funcin de a y n. Si el valor calculado Dn es mayor que el Da, la distribucin escogida se debe rechazar.

Prueba Chi Cuadrado Una medida de la discrepancia entre las frecuencias observadas (fo) y las frecuencias calculadas (fc) por medio de una distribucin terica est dada por el estadstico en donde Si el estadstico =0 significa que las distribuciones terica y emprica ajustan exactamente, mientras que si el estadstico >0, ellas difieren. La distribucin del estadstico se puede asimilar a una distribucin Chi-cuadrado con (k-n-1) grados de libertad, donde k es el nmero de intervalos y n es el nmero de los parmetros de la distribucin terica. La funcin se encuentra tabulada. Supongase que una hiptesis Ho es aceptar que una distribucin emprica se ajusta a una distribucin Normal. Si el valor calculado de por la ecuacin anterior es mayor que algn valor crtico de , con niveles de significancia a de 0.05 y 0.01 (el nivel de confianza es 1-a) se puede decir que las frecuencias observadas difieren significativamente de las frecuencias esperadas (o calculadas) y entonces la hiptesis Ho se rechaza, si ocurre lo contrario entonces se acepta. Aunque no existe una definicin generalmente aceptada, se puede entender como valores extremos, muy superiores a los dems registrados.

CURVAS IDF Las curvas de IntensidadDuracinFrecuencia (IDF) se construyen por medio puntos representativos de la intensidad media de precipitacin para diferentes duraciones, correspondientes todos ellos a una misma frecuencia o perodo de retorno (Tmez 1978). Mediante las curvas IDF es posible estimar la intensidad de tormentas intensas de distintas duraciones y para diferentes periodos de retorno.

La metodologa tradicional usada para el clculo de las curvas IDF consiste bsicamente en realizar un anlisis de frecuencia a cada una de las series de valores mximos de precipitacin obtenidas para cada duracin. La serie a la cual se le realiza el anlisis de frecuencias puede ser seleccionada de tres formas, a saber: Serie mximas anuales, es aquella serie que est conformada por cada uno de los valores mximos de precipitacin observados en cada uno de los aos de registro. Serie de duraciones parciales, en la cual la serie de datos est conformada por aquellos datos que sobrepasan un valor base predefinido. Serie de excedencias anuales, en la cual el valor base, de la serie anterior, es seleccionado de tal forma que el nmero de datos que conforman la serie sea igual al nmero de aos de registros. No existe un consenso entre los diferentes investigadores de cual tipo de serie de datos debera ser utilizada en los anlisis, sin embargo, algunos reportan que diferentes investigadores le han encontrado sentido terico al anlisis de series parciales (Bonacci 1984). Otros autores reportan que la utilizacin de cada uno de los tipos de series es determinada por cada proyecto especfico en el cual se vayan a utilizar los resultados del anlisis de los eventos extremos (Chow, 1964). Pese a lo anterior, en muchos de los casos prcticos se utilizan las series mximas anuales, ya que en este tipo de serie no es necesaria la separacin de la serie de registros continua en eventos o tormentas estadsticamente independientes, lo que eventualmente puede complicar un poco el anlisis. Chow muestra que existe una relacin entre las series de mximas anuales y las series de duraciones parciales (1964). Una vez seleccionada la serie de mximos el siguiente paso consiste en establecer el rango de duraciones para el cual se estimaran las curvas IDF. Algunos autores consideran que en un sitio especfico puede estimarse una sola familia de curvas para un amplio rango de duraciones, por ejemplo entre 5 minutos y 24 horas, mientras que la gran mayora consideran que para cada sitio especfico deben determinarse dos familias de curvas una para las duraciones ms cortas, entre 5 y 60 o 120 minutos y otra entre 60 o 120 minutos hasta 24 horas e incluso hasta varios das. A pesar de no tenerse ninguna demostracin rigurosa, diversos autores consideran que esta subdivisin debe realizarse ya que se tienen caractersticas fsicas muy diferentes en las lluvias de corta duracin, entre 0 y 1 o 2

horas, las cuales son debidas a fenmenos netamente convectivos, y las de larga duracin, mayores a dos horas (Bonacci 1984). Luego de escoger el rango de validez de las curvas IDF, a cada una de las series obtenidas para cada duracin se le ajusta una funcin de distribucin, normalmente la distribucin Gumbel. Con la funcin de distribucin ajustada a los datos observados se construyen familias de curvas en las cuales pueden estimarse las intensidades mximas (o precipitaciones) para diferentes duraciones para diferentes probabilidades de ocurrencia. Usualmente para evitar la representacin grfica de las curvas, y poder automatizar su clculo, stas son ajustadas a diferentes expresiones matemticas de varios tipos, entre las ms comunes se encuentran las siguientes (Froehlich 1995):

Donde I, es la intensidad de la lluvia a, b y n son parmetros de las ecuaciones que dependen del perodo de retorno y de la localizacin de la estacin y d es la duracin de la tormenta. Todas fueron propuestas empricamente por diversos investigadores en estudios especficos de precipitaciones mximas. Varios estudios han sido realizados acerca de la estimacin de las curvas I-D-F en Colombia a partir de las propiedades de escalamiento temporal de las tormentas de distinta duracin (Wilches 2001, Poveda y otros 2001, Pulgarn 2009). De todo lo anterior puede resaltarse, que en el estudio de las precipitaciones mximas (obtencin de curvas IDF), an se tienen gran cantidad de interrogantes que no han sido resueltos satisfactoriamente, a pesar de ser una herramienta de uso continuo en la ingeniera. Entre otros pueden mencionarse los siguientes: el tipo de serie a utilizar, separacin de los registros continuos en tormentas estadsticamente independientes, justificacin para la determinacin de los rangos de duracin, metodologas para el ajuste de los datos a una funcin de distribucin, estimacin de parmetros de la funcin de distribucin.

PERIODO DE RETORNO Es el tiempo promedio en que se vuelve a presentar un evento hidrolgico. El conocimiento inicial de este evento, el cual permite el diseo y la planificacin optima de la obra, depende de la extrapolacin a una secuencia de observaciones mximas, por ejemplo las series anuales de mximas precipitaciones diarias en Guayaquil, obtenidas del Anuario emitido por el INOCAR, cuyos valores se citan en la siguiente tabla.

Con estos datos usamos uno de los mtodos anteriores de Anlisis de Frecuencias, la q mejor se aplique a la muestra y procedemos al clculo del periodo de retorno.

El periodo de retorno de ocurrencia entre eventos se especifica segn alguna caracterstica que los seale especialmente y es inverso a la probabilidad media de excedencia por unidad de tiempo. La tasa de ocurrencia o frecuencia de ocurrencia por unidad de tiempo (l). Tr =1/l. La vida til de la obra est fijada por diferentes caractersticas de uso de los elementos que conforman una obra civil y est sujeta a patrones de diseo que son fijados por el proyectista, este concepto ha sido ampliado al uso de los estados lmites de desempeo. Es obligatorio por parte de los Diseadores explicar a los dueos el mtodo de diseo por desempeo y las condiciones lmites. El periodo de retorno siguiendo el modelo de Poisson est representado por la siguiente expresin:

Cuando son superados los ndices de daos, severidad y vulnerabilidad se tiene que hacer una evaluacin detallada. Para aquellas evaluaciones que no pasan a la evaluacin detallada, su informe primario puede revelar puntos crticos que deben ser pasados a los programas de mantenimiento integral. Definitivamente el problema es cmo est la construccin el da que ocurre el evento, es por esta razn que en las obras infieren los factores de diseo, la construccin y la estructura, el desarrollo del diario de obra y el reporte continuo de alguna situacin anormal, un monitoreo constante de la ejecucin de la obra y de su mantenimiento posterior. Para las instituciones pblicas de infraestructura y alcaldas se deben crear bancos de datos para puentes y edificios para la primera y catastros permanentes del valor de la tierra, de la construccin, del cambio de uso para la segunda.

Clculo del periodo de retorno Una vez seleccionada la funcin de distribucin que mejor se aplica a la muestra, la Pearson tipo III, procedemos a calcular el periodo de retorno. Este clculo consiste en determinar el factor de frecuencia a travs de ciertas expresiones matemticas las cuales relacionan las medidas descriptivas de una muestra con la probabilidad de ocurrencia de un evento extremo seleccionado [XT]. Cuyo valor corresponde a la precipitacin del 13 de diciembre de 1997 seleccionada por presentarse en uno de los fenmenos de El Nio con mejor registro pluviogrfico. Primero se determina el factor de frecuencia de la precipitacin travs de una aproximacin que relaciona la media y la desviacin estndar muestral. Asignacin de periodo de retorno Como se seal anteriormente, en estadstica no tiene sentido la asignacin de probabilidad de no excedencia a un proceso multivariado. De modo que la asignacin de periodo de retorno a una tormenta multidimensional definida en el espacio-tiempo tropieza de entrada con un problema puramente conceptual. Un evento de lluvia registrado por el SAIH da lugar a cientos miles de valores de intensidad de precipitacin en intervalos 5-minutales, y repartidos sobre una

extensin espacial importante. No es una variable aleatoria nica, sino ms bien un proceso multidimensional. Para un evento de lluvia sinttico, el problema es exactamente el mismo. La estrategia seguida aqu para la asignacin de un periodo de retorno T se basa en la reduccin de la tormenta, ya sea histrica sinttica, a un nico valor representativo de lluvia acumulada que denominamos precipitacin diaria equivalente puntual, D eq P (mm). Este valor puede entonces introducirse en la funcin de distribucin de extremos derivada del anlisis estadstico regional, y proporcionar la probabilidad de no-excedencia asociada. La formulacin propuesta se resume en las siguientes dos expresiones:

Previa a la aplicacin de la frmula, deben resolverse dos cuestiones relacionadas con la climatologa de la regin y las caractersticas de la cuenca. En primer lugar, el factor de reduccin areal ARF. En segundo lugar, el intervalo de tiempo x en horas que verifica

Donde Ix es la intensidad promedio mxima anual para un intervalo de duracin x, y PD es la mxima anual de precipitacin diaria. A falta de estudios especficos en la zona, pueden tomarse los valores propuestos por J.R. Temez: , siendo A el rea de la cuenca en km2.

En el caso de una tormenta histrica, ser necesario aplicar algn procedimiento adecuado de interpolacin espacial (interpolacin ptima, kriging, ponderacin inversa a la distancia al cuadrado). Para el caso de un evento sinttico de alta resolucin espacial como el del ejemplo (resolucin espacial 1 km x 1 km en el caso de esta aplicacin), no se hace necesaria la interpolacin espacial previa, y bastar con el clculo de la media aritmtica de las intensidades. A continuacin se extrae el intervalo de duracin x ms lluvioso, y la correspondiente intensidad promedio Ix (mm/h), obtenindose finalmente el valor PDeq con la frmula indicada.

Con ello, la totalidad de los eventos sintticos generados con el modelo estocstico representan escenarios posibles de lluvia espacio-temporal definida con elevada resolucin espacial y temporal. Y lo ms importante, quedan perfectamente encuadrados en un marco probabilstico riguroso y representativo, derivado del anlisis estadstico regional de mximas anuales de precipitacin diaria.

PUENTE EUREKA

Un tramo del puente "Eureka" que une el municipio de Soyapango con San Salvador colaps este medioda imposibilitando el paso vehicular sobre esta importante arteria capitalina. No se reportan prdidas humanas ni daos a vehculos. La estructura se ubica en el Bulevar del Ejrcito, en las cercanas del kilmetro 3, sobre el Ro Acelhuate, entre los lmites de ambos municipios. La va daada permita el paso del oriente al poniente. Sobre la otra parte del puente, que conduce de San Salvador al oriente del pas, tambin se reportan daos leves manifestados en grietas, por lo que este tramo de la va tambin permanecer cerrado.

Debido a lo transitado de la zona, desde el medioda se reportan congestionamientos, pese a que las autoridades policiales desvan el trfico por las vas alternas de Agua Caliente y Calle a Ciudadela Don Bosco.

Autoridades de la Polica y del Ministerio de Obras Pblicas (MOP) ya se hicieron presentes en el sitio para realizar inspecciones. Un informe preliminar de Obras Pblicas seala como causas del percance a una fuga de agua en una tubera de agua potable que se encuentra

bajo la estructura, adems de posibles daos que dejaron los terremotos del 2001. Se inform que se continuar con el diagnstico para determinar las causas precisas. Por la magnitud del dao, el MOP estima que tardarn "varios" das para reconstruir el puente. An no se calcula el monto de la infraestructura daada, tampoco se informa sobre cundo comenzarn las tareas de reconstruccin ni los costos de estas.

Autoridades de Obras Pblicas verifican los daos.

Son ms de 600 mil las personas que se vern afectadas.

CONCLUSION

En el anlisis de frecuencias existen varios mtodos con los cuales se puede trabajar pero atravez de la informacin proporcionada se ha podido observar cual es el mtodo quiz ms preciso. El mtodo ms preciso y usado en el anlisis de frecuencias es el mtodo de Gumbell Tipo I, ya que es un tanto preciso para poder dar en el diseo un periodo de retorno adecuado. Disear con un periodo de retorno adecuado garantiza la seguridad y la capacidad de una buena y capaz estructura hidrulica la cual pueda resistir todo tipo de eventos hidrolgicos extremos.

ANEXOS PERIODO DE RETORNO

CURVAS IDF