En el grafico acumulado leemos que el 90% de esa poblacién tiene tna estatura igual o menor que 181 ‘em, son las coordenadas de un punto de la curva, Para realizar la misina lectura en el grafico en campana 7) = DZgf (x) = 5/36 +4736 + 3/36 + 296 +136 = 15/36 8.7, PARAMETROS ESTADISTICOS Fl objetivo de los parimetros estadisticos consste en extrac de un conjunto muy grande de datos unos ppocos valores pero que sean representatives de las caracterstieas del conjumto. Estos valores se Ordenamiento cronolégico, o sea se colocan segii se van produciendo. is grifico", se puede hacer por medio de representaciones graficas siguiendo dos crtcrios: > Ordenamiento por magnitudes y frecuencias ) Estudio analitico", se realiza para describir la serie de datos o muestra en forma sintetizada, por medio de unos valores o funciones que la describan 0 sustituyan, es decir, en vez de trabajar todo el tiempo con un innumerable nimero de datos, se trabaja solamente con dichos valores o funciones, que nos permiten conocer, en forma clara y resumida el significado de la serie o muestra, 8.7.1. La estadistica descriptiva Laestadistica descriptive, trata de definir la serie de datos segin tres puntos de vista 0 “estadigrafos 4) Estadigrafos de posicién 0 valor central, : by Bstadigrafos de dispersion. «) Estadigrafos de distribucion o caracteristicas de Ia curva o leyes de dis ibuciéa, que determina el ‘comportamiento de una variable aleatoria. A continuacién, se efectuaré un andlisis de estos estadigrafos, que serén utilizados como variables, como los datos hidrolégicos y meteorolégicos . Estadigrafos de posicion Es el que determina, en primera aproximacién, tamafo del conjunto de observaciones 0 muestra, ‘comparar en forma resumida dos series de vatore S que a.un mismo periodo de observacién. Se tienen tres valores tipicos que representan esta caracteristica del conjunto de valores. 8) El médulo o promedio aritmético Donde = Promedio x; = Valor numerico variable n= Numero de variables Este estadigrafo tiene Ia ventaja de que en su célculo se consideran todos los valores, pero tiene el inconveniente, especialmente si la serie no es muy larga, que un valor disperso influye mucho en su. valor. 202) La mediana, que es un valor tal que el 50% de los valores son mayares y el otro 50% es menor. Tiene el inconveniente que si la muestra no es muy homoyénea en su conjunto, no lo representa bien, ©) La moda, denominindose asi al valor més frecuente, Presenta el mismo problems que el anterior, que puede estar my alejado de los valores centrales, sila distribucién es muy asimétrica, 87.1.2. ESTADIGRAFOS DE DISPERSION. Para conocer mejor uta serie que ha sido deserita por un valor central, es necesario saber su dispersion alrededor de ese valor, o sea conocer si se agrupan 0 no alrededor de ese valor, asi como Ia variabilidad <é'ta serie, ya que es importante conocer entre qué valores pueden variar los datos de la sere. Para ello se pueden utilizar varios estadigrafos de dispersién o procedimieatos que de menor a mayor complejidad son los siguientes: a) Intervalo de variaciOn, se define como la diferencia entre el mayor y el menor valor de la serie Ix=IMax-Imin b) Desviacién media absoluta", que es el promedio de las diferencias de cada valor respecto el promedio, en valor absotuto lay C) Desviacién media o tipica™, que es la raiz cuadrada del promedio del cuadrado de las diferencias de cada valor respecto al término medio Para la muestra s Para ta poblacién o= ‘Se hace Ia diferencia entre cl valor de la muestra y la poblacién porque, cuando esta es infinita, ta estra puede presentar alguns diferencia respecto, Jo que podriamos Hamar la realidad. La propiedad mas importante de la desviacién estindar es que: 203‘+ £168,27de jas observaciones 0 datos quedan dentro del interval to ‘© £194,45% queda dentro del intervalo F420 © £199,87% queda dentro del intervalo i380 4d) Varianza" que cs igual a a ‘es muy usado y cuya expresion es 2 coat z 8.7.1.3. Estadigrafos 0 Leyes de Distribucién Consideremos una serie de "n" variables discretas o muestra XY, Xo, XGpeeeeee Kise Ka Cuyo "intervalo de variaciOn" esth determinado por sus valores extremos. Si este intervalo lo dividimos en “intervalos parciales" 0 "clases", estos podrin definirse por sus limites superior ¢ inferior o por su valor medio que denominaremos "marca de clase”. Una vez determinadas las clases, se pueden clasificar las variables por intervalos. Si de las "a" variables 1, caen en la clase "i, tendremos que "n.” es la frecuencia absoluta con que una variable cae en la clase "i", Como este valor no indica nnucho respecto del total de fa muestra, se usa el término. Denominado frecuencia relativa. Este concepto se refiere a una muestra, pero si ésta representa a la poblacién, lo cual equivale a suponer "n™ muy grande 0 infinito, la frecuencia relativa tom el nombre de "probabilidad”, 0 sea p= fide 204Luego la probabilidad de un fenémeno elemental, es un nimero comprendido entre 0 y 1, atribuido a se fenémeno. En general, la frecuencia y la probabilidad se dan en porcentajc, os decir fi Ejemplo. Calcule la media de la muestra, la desviacién estindar de 1a muestra y el coeficiente de asimetria de la muestra de fa informacién de precipitacién anual Tabla (Cuadro N° 36: Datos de Precipitacion Anusl (1970 ~ 1979) Sotucién. Los valores de precipitacién anual desde 1970 hasta 1979 se muestras en Cuadro . Utilizando la ecuacién la media es: = 1g x =idSx, MEDIA: 4017 16 = 40.17 pug. Los cuadrados de las desviaciones de la media se muestran en el Cuadro, towalizando 1,0169 pul. = 113.0 Pulg? 205La desviacion estindar es: S = 13.0) 10.63 pulg. Los cubos de la desviaciin de la media se muestran en el Cuadro, totalizando 6,4803. Utilizando la ‘ecuacién de Coeficiente de Asimetria: C, aS 2 c= yon aS @ - Tyee c063 = 0.749 8.8. DISTRIBUCION DE FRECUENCIAS (REPRESENTACION GRAFICA) Los registros Hidrolégicos, muestra por lo general una larga secuencia de datos que requieren un ‘andlisis cualitativo y cuantitativo para su empleo posterior. Uno de estos andlisis imporanies es 1a determinaciOn del histograma de frecuencias relativas y absolutas, distribucién de frecuencias acumuladas, poligonos de frecuencia etc. Cuando se dispone de un gran miimero de datos. es necesario distribuirlos en clase o categorias y determinar el nianero de datos perteneciemtes a cada clase, que es la - frecuencia de clase. Una ordenacién tabular de los datos en clases y con las frecuencias correspondicnies aa cada una, se conoce como una tabla de distribucién de frecuencias. Para determinar un mimero conveniente de imtervalos de clase se tienen como referencia algunas consideraciones: vervalos de clase conveniente es de 5 a 20. > Spleget (1961), sugiere que un nimero dei > Steel y Torrie (1960), sugieven que el numero de Intervalos no debe ser menor que 1/4, ni mayor que 1/2 del valor de la desviacién estandar > Sturges (1925), recomienda para determinar el niimero de intervalos de ciase Ia siguiente formula: N* intervalos = 1+ 3.3 Ln N, donde N es el numero de datos observados.Fjemplo. Para los datos de caudales picos anuales mostrados a continuacién se pide: 2) Determinar la media y desviacién estindar, para datos sin agrupar en tabla de diswibucién de frecuencias. ») Determinar la media y desviaciin estAndar a partir de los datos agrupados en una tabla de distribucién de frecuencias. ©) Graficar el histograma, poligono de frecuencias y también la curva de distribucién de frecuencia acumulada, AKO] ~EAUBAL | —ANO—] CANAL] ARO] CAUDAL] ASO] CATA (nse) wien (arse) (wep) 1] 300 a Ba 7 170 wo oa 480 8 os | 61 780 wm Pa 1902 0 1952 oo 1982 300 wn 530 196 x0 1983 oy 1963 x0 ws S70 we | ato 1954 30 1904 90 iss 450 | ws 380 1955 800 sox 20 ws 650 86 «0 ase | 50 1966 so |. 1976 20 at 1s 1957 0 1961 a0 ir 620 wow | 20 1958 20 1968 390 i978 a0 way | sas 939 2 1968 36 1998 20 ‘Cuadro N° 37 Datos de Caudales anuates (1940 — 1979) Sotucién. a) Para datos que no estén agrupades en tabla de distribucién de frecuencias, jos pardmetros media y desviacién esténdar, se calculan con las formulas siguientes. > Media: pe EDL BSS. gg! > Desviacion estandar muestral: sm a= (SOS. soning 207b) Tabla de distribucién de frecuencias SERS TRTERVALO™ NARA" RECT | FRECUERGIA RELATIA | FREGTINGA[ FRECEERCIG me | bras | ve | fxn | sees elise etise | abate ‘Sane | EF) z z a z TBs ae] 75 us $ 7s > | mom [oss |e Bs oe 3 a 3] Sc | ee |S ni oh ‘ ae a ES oe % 3 & | gece | es | ot ie te 3 a Sf mim | ms | t se us * tee 5 ee ie ‘Tabla N* 0% Disribacion de Frecuenclas ¢) Caleulo dela media y desviacion estindar a partir de datos agrupados en una tabla de distibueién de frecuencias sowexone | rreavaio | mascasor | “aout | , woe | Grau | “are” | osmmane, | “°° oa , sae ~ Media muestra: ~Desviacién estindar muestral: s= [MGB FE ses a 9 = Media poblacional: naz ~ Desviacién estindar poblaciopal 1624 7 GRO. fFoseon koe Ela ye yo 208,8.9, ESTUDIO DE CAUDALES DE AVENIDAS Los caudales de avenidas son caudales excepcionales que se presentan en un rio en un determinado periodo de tiempo, a esto se le denomina periodo de retomo. 8.9.1, Periodo de retorno: T Es el mimero de aflos que debe transcurrir en promedio para que un determinado caudal sea igualado 0 excedido por lo menos una vez en promedio. T=5 Donde: T= Petiodo de retomo en aflos Probabilidad de que un caudal transportado por el sio sea mayor o igual a Qr Decir “El caudal de avenida en un rio para un periodo de retorno de 50 atios es 180 m°ss", es equivalente ‘a decir que en promedio un caudal de esa magnitud o mayor ser transportado por el rio una vez cada 50 afios. 89.2. RIESGO: R Se define como riesgo a la probabilidad que un caudal determinado ocurre una vez en “2” alos sucesives. Sea "p” la probabilidad de que ocurra un caudal determinado en un affo cualquiera, entonces: (py: Representa la probabilidad de que dicho caudal no ocurra ese af. 1a probabilidad de que dicho caudal no ocurra en “n” aos sucesivos seré (—py-p)... 1p -p)=(— py “a” factores Por lo tanto: También: n= Vida itil de la obraEjemplo Determinar el riesgo o probabilidad de fala de una estructura hidraulica que tendri una vida til de 25 atios si se disea considerandos caudales de avenidas con periodos de retomo de: 20af'os_b) 25 afios. 1) 50 afios d) 100 afios —e) 1000 afios Aplicando la ecuacién de riesgo considerando el periodo de retomo obtenemos: T (aitos) Re | 20 723 25 64.0 % ar in| ae iow [38 — mm) = 6% Si el riesgo de falla es de 64%6. se tiene wa probabilidad del,64% de que la obra falle durante su vida ‘ini. 810, Pruebas de Bondad de Ajuste Una vez que cl ingeniero, en base a su experiencia, escoge el modelo probabilistico que va a usar debe proceder a calcular los parimetros de su modelo y después revisar si este modelo es consistente con la realidad. Ambas cosas las hace con los datos observados (registo o muestra). Para determinar Jos caudales de avenidas en wna estacion se deberd establecer el modelo probabilistico que mejor represente al comportamiento hidrolégico de los caudales del rio, para ello se deberin realizar pruebas de bondad 4e ajuste considerando un conjunto de funciones probabilisticas. La funcién que mejor se ajuste al registro de caudales sera Ja que nos permita calcular 1a ocurrencia de un caudal méximo para un determinado periodo de retomo, Las pruebas de bondad de ajuste, nos permite establecer sila serie de caudales méximos analizados se ajustan a una determinada funcién de probabilidades Estas pruebas estadisticas tienen por objeto medir Ia certidumbre que se tiene al obtener resultados @ partir de suponer que una variable aleatoria (caudal) se distibuye segin una cierta funcién de prababilidad, aplicables para este caso 210Para la estimacion de los pardmetros hay disponibles dos métodos: ~ el método de los momentos, ~elmétodo de maxima verosimilitud Y para el estudio de la consistencia dos grupos de métodos: * métodos grificos * métodos cuantitatives: - test Chi cuadrado ~restW = test Student = test de Kolmogoroff. Sogiin se trate de variables discretas o continuas, se usarén modelos de distribucién probabilisticos iscrelos 0 continuos. Seran modelos discretos aquéllos cuya fumcién densidad de probabilidad y funcién de probabilidad acumuilada se encuentran definidas para determinados valores que puede tomar fa variable, Estudiaremos las pruebas de bondad de ajuste siguientes: > Chi Cuadrado > -Smirnov—Kolmogrov Las principales distribuciones + Distribucién binomial = Distribucién de Poisson Las principales distribuciones continuas son: 1. Distribucién normal 2. Distribucién log-nommal 3, Distribuciones de valores extremos ~ Distribucién Gumbel o Tipo J 0 tipo exponencial ~ Distribucién Pearson Tipo IIT = Distribucién Log Pearson ill au8.11, FACTOR DE CORRECCION DE FULLER (Fs) Es un factor que permite estimar el caudal méximo instantineo a partir del caudal méximno anual. 2.66 Balter Qu = Fy* Oma Donde: A= Area de la cuenca, Km? Qn Om Cauda! maximo instantaneo . Caudal maximo anual 8.12. PRUEBA DE BONDAD DE AJUSTE CHI CUADRADO (X*) La expresién general de Chi Cuadrado,vieue dada por: -4 Ke Valor calculado de Chi Cuadrado a partir del registro de caudales méximos instanténeos 6, = Numero de valores observados en intervalos de clase “i” e:=Numero de valores esperados en intervalos de clase “ K = Numero de intervalos de clase El valor te6rico de Chi Cusdrado (X,7) se obticne de la tabla de distribucién del mismo nombre considerando: > Nivel de significacion a, por lo general a = 5% > Grados de libertad: k—h~ 2, donde: ~h=2 Distribucién Normal, Log Normal y Gumbel - h=3 Distribucién Pearson Illy Log Pearson Ill 212Y Criterio de decision: > Si X.? = X/7: El regisuo de caudales se ajusta a la distribucion de probabilidades para cl nivel de significacién considerado. 2: El registro de caudales no se ajusta a la distribucién de probabilidades para el nivel de significacién considerado. Se debe probar con otra distribucién. v Ejemplo: Para el siguiente registro de caudales méximos anuales, en m”/s. registrado en una estacién cuya cuenca €s 250 km? se pide eplicar la prucba Chi Cuadrado y determinar si la informacién se ajusta a la Distribucién Normal para un nivel de significacién del 5%. RO ear Sa [RO OT oe a pa aires ws | mm | so | me | um | 200 | um ve | ses f mas | asce | omarn | ase | sree | nee ae | sonar ws | sca | ois | ase | ars | sone | see ws | soa0 ws | ns |e | ace | om | one | ae wn vo | ous | vo 0 | ae | asus | wo we | ie wa [wos | vm | vem | ise | ime | om poo | ers Cuadro NY 38: Datos de Caudales 1951 - 2000 Aplicando el Factor de Fuller al registro de caudales maximos anvales, determinamos los caudales ‘ximos instantineos, para un area de 250 km peeeer Bor Our = 151° Qua ‘Luego los caudales miximos instantineos serdmn los siguientes: 5 151 afa| Qe [Ato [Gu | Afo [Gm | ato | ow | Ato | Ge iss1] 23630 | asx] Goeio | 1972 [22000 | asex | 7860 |~—1901 | 275.0 1952 | 22120 | 1962 | ts150 | 1972 | 32030 | 1902 | 21930 | 1992 | 14000 ass | sso | 196s | 27539 | 1973 | 3239 | 1983 | 26260 | 1993 | 236.00 rssa| iazao | ase | iz1so | 197a | 20830 | 1958 | asx | 199¢ | 16800 1955 | 20630 | s6s | 23351 | 1975 | 20039 | ses | 4830 | 1995 | 22559 3956 | 327.40 | 3966 | 20720 | 1976 | 145.70 | 1906 | 237.90 | 1996 | 205.21 3ss7| 1489 | 1967 | 35730 | 3977 | 32830 | 1967 | 19399 | 1997 | 13930 x98 | 25800 | 1968 | 16290 | 1978 | 26280 | ase | 217.00 | 2998 | a88.0 aizso | 1969 | 11219 | 1979 | 23379 | 2a9 | iseor | 1999 | 270560 zorzi | 1970 | 21110 | 1080 | 197.21 | 1090 | 220.70 | 2000_| 226.70 ‘Cuadro N°39: Caudales Maximos Instantdneos 213‘Nuestro objetivo ¢s calcular X,? y compararlo con X,? ye xe > Calculo del numero de intervalos de clase:k Segin Yevjevich: k=14133LaN - N= Numero de datos de la muestra, en este caso N = 50 14133 La 50=620=6 > Calculo de la amplitud del intervalo de clase:AQ En este caso: Qnax® 377.39 m/s, 108.10 m*/s 3.86 m/s > Calculo del primer intervato de clase Limite inferior: Qua = AQ/2 Limite superior: Quio + AQ/2 > Remplazando: LLitnite inferior: 108.10 ~53.86/2 = 81.17 : 108.10 + 53,86/2 = 135.03, ‘Limite superi Podemos ahora calcular os 6 intervalos de clase, las marcas de clase, como el promedio de los limites superior € inferior de cada intervalo y el nimero de valores observados en cada intervalo de clase @: a4© To T= co 7 maT TE TRI s 2 13809 1889 16196 a“ 3 829 2275 asa » ‘ 227s 9661 2068 ‘ 3 661 ss047 aust ‘ ‘ ssoar | aot Bd 2 ‘Cuadro N° 40: Intervals de Clase y nimperos observados Para hallar el niumero de valores esperados en cada intervalo de clase (c) debemos aplicar la siguicmte relacién: e = NIF(S) - FG) Donde: F(S_) = Funcion de distribucién de probabitidad en el limite superior del intervalo de clase “i”, (4) = Funcion de distibucién de probabilidad en et Himite inferior det intervalo de clase “i” Para determinar la funcién de distribucién Normal de probabilidades debemos primero determinar la variable estandarizada (Z); % = Variable estandarizada para el caudal Q, Qn = Promedio de los valores agrupados $ = Desviacion estandar de los valores agrupados. [Sifax Qi — Om)? 6 on Ni Donde: Q; = Marca de clase de cada intervalo Qm = 211.51 8-66.05 Los célculos se muestran en la siguiente tabla: De la tabla de distribucién normal hallamos los valores dde F(Z) para los limites inferior y superior de cada intervalo de clase y completamnos los calculos: 215Liat | Loup | Meee] o Zap | Rdind | Fam] © | @r—ea¥/e: WaT | wees | T0aTo Tis BoR | eae | ae 00 13503 | 1sea9 | ro196 | 14 ass | one | ases | 1233 029 renga | 20275 | 21sa2 | 19] 03405 | o4rse | 0366 | oss | 15.80 oss 24a.75| 29661 | 26968 | 6 | 04730 | 12885 | assis | 0902 | 1097 23s acer | asoa7 | azasa | 4] aamus | 21040 | 092 | 0993 | 406 0.00 asoa7 | ansas | 37740 | 2 | 2100 | 20195 | 09823 | 9982 | oso 180 ‘Cundiro N°: Limites inferior y superior de cada Tntervalo de Clase 81 21151 % 6.05 -1.9735 Ingresando a la tabla de Ley de Gauss con 1.97 se obtiene F (Zinf) = 0.0242 ¢, = 50{(0.1234) ~ (0.0242)] = 4.96 Por ejemplo: (oacazsayt = 233 Remplazando 0-0) xeey Soe % ‘Sumando la ultima columns hallamos: X,? = 4.99 Dela tabla de distribucién Chi Cuadrado con: > Grados de Libertad: k—h— > Nivel de significacion: a = 5% -2 Obtenemos: X,? = 7.81 Coinparando vemos que: X_? < X;?, es decir: “El registro de caudales se ajusta a la distribucién normal de probabilidades con un nivel de significacion del 514" 2168.13, PRUEBA DE BONDAD DE AJUSTE: SMIRNOV - KOLMOGROV Esta prueba consiste en comparar el méximo valor absoluto de la diferencia entre la funcién de distribuciéa de probabilidad observada (A,), con un valor teérico (A.) que depende del niimero de datos yel nivel de significacion a, ~ Ac= max|F(Q) — P(Q)| Donde: A= Estadistico de Smirnov calculado F (Q)= Funcién de distribucién de probabitidad de ajuste P (Q) = Funcion de distribucién de probabilidad observada (probabilidad menor que) m Wei : Tiere az a ae ees [_ ook | eat | ames] omer] tor - ao] bese BRIO | OST | UIs | OSROT | DATE a | esses eaorsa | 02303 | a2es0s | o2ssee | 02829 a2 | csise cozosi7 | 022s | 024613 | 026173 | o2sov7 | o20s4s 3s | cuss o2oaes | o22e79 | 024332 | 025875 | 027778 | 029130 44 | oxsres o200se | 02226 | o2a0%0 | o28se7 | 02st | o2nxos 7 as | cise coves? | 022i | 022798 | 025306 | 027168 | oze95 46 | 013487 | axre6s | o19es | o2rsee | o2sses | o2s0se | o2ssso | 0.28150 a7 | 013285 | orraay 021748 | 025296 | 024776 | 026600 | 027596 ag | 015138 | arson ‘0214 | 0230s9 | 024825 | o.2sice | 027611 4 | ossser | oxrae | ossoce | 2am | o2zee2 | ozs | 02s | 027320 es so | G.ise4o | ot69s9 | o.reess | 0.21068 | 0.22604 | 0.24029 | 0.25809 | 0.27067 aT LOT | 122 12 | 16s | 173 | 185 ie i a : ‘Tabla N° 12: Valores de Oe Y Criterio de decision: % Sides Ae Bl significacién considerado, stro de caudales se ajusta ala distribucién de probabitidades para el nivel de ~ > SiA.> Ac: El registro de caudales no se ajusta.a la distribucién de probabilidades para el nivel - de significacién considenido. Se debe probar con otra distribucién. Esia prucba es aplicable a datos no agrupados, ¢s decir, no requiere hacer intervalos de clase y es aplicable cualquier distribucion de probabilidades, No es una prucba exacta, sino més bien aproximada, - 27Ejemplo: Para el registro de caudales del ejemplo anterior, se pide apticar a prueba de Smirnov ~ Kelmogrov para determinar sila informacién se ajusta a la distribuci6n Normal para un nivel de significacién del 5%. A panir del registo de caudales méximos instanténeos: ‘Afio] Qw | Afio | Qu |] Afio | Qw | Afto | Qu | Afio | Qu 1951 | 236.30| 1961 | 108.10] 1571 |22040| 1981 [174.60] 1992 | 275.80 1952 | 221.80) 1962 | 151.50] 1972 | 329.30| 1982 | 218.30} 1992 | 140.90 1953 | 161.30 | 1963 | 275.39 | 1973 | 377.39 | 1983 | 262.60| 1993 | 236.00 1954 | 183.40 | 1964 | 121.90] 1974 | 208.30 | 1984 | 115.11) 1994 | 164.00 1955 | 206.30 | 1965 | 233.51] 1975 | 284.39] 1985 |344.30/ 1995 | 225.59 1956 | 327.40 | 1966 | 207.20] 1976 | 145,70] 1986 | 237.90| 1996 | 206.21 1957 | 141.89 | 1967 | 357.30] 1977 |32930| 1987 | 183.99| 1997 | 139.10 19se | 258.00| 1968 | 162.90} 1978 | 262.80] 1988 | 217.00] 1998 | 188.80 1959 | 111.50 | 1969 | 112.19] 1979 | 233.79| 1989 | 158.01] 1999 | 174.60 1960 | 201.21] 1970 | 211.20 | 1980 | 197.21] 1990 | 220.70| 2000 | 226.70 ‘Cuadro N° 42: Caudales Maximos Instantineos Realizamos los siguientes cdleulos: > Columnas 1 y 2 se ordenan los caudales en forma descendente. > Columna 3 se calcula la probabilidad empirica de los caudales aplicando: P(Q) > Columna 4 se calcula la variable estandarizada (Z), como paso previo para el calculo de la funcién de distribucién Normal de probabilidades. Oe Om _ 774-215.78 2, = She = TE = 2483 218> Columna 5 de ta tabla se obtiene la funcién de distribucién Nonnal de probabilidades F(Z) Se ingresa com 2.453 y se obtiene 0.00714 este se resta de 1-0.00714 = 0.9928 > Columna 6 se calcula el estadistico de Smimov aplicando \= max|F(Q) - P(Q)} Es decir, el valor absoluto de ta diferencia de los resultados de las columnas 5 y 3 En el cuadro siguiente se muestran estos cdlculos . Donde: N=50. 13.78 m/s $= 66.70 mis De la columna 6, vemos que el valor maxime es 0.104, es decir: A,= 0.104 De la tabla, para N= 50 y a = 5%, hallamos: A= 0.390 Comparando vemos que Aes Ayes decir El registro de caudales se ajusta a la distribucién normal de probabilidades con un nivel de significacion del 5%, 218g iia] ase] a osets | 21m acer | i957 osns | im osm | im owas | 1708 ose | rose ous | 050, ome | om azar | os ant | asa onss | 0538 ant one 28 28 “ans ae 2455 ase 076 278 am A984 Shot Som “Loos one aan ass si 814, CALCULO DEL CAUDAL DE AVENIDA Para extraer conclusiones estadisticas a partir de series de datos de precipitacién o aforos, es necesario isponce de series histéricas de més de 25 afios, cuanto mayor sea la serie de datos, mayor serd la fiabilidad de las deducciones extrafdas. 20El tratamiento estadistico que veremos aqui esté encaminado a solucionar dos tipos de cuestiones: > [Valor + Probabilidad] Evahuar la probabilidad de que se presente en el futuro un caudal 0 precipitacién mayor o menor de un determinado valor. Por ¢jemplo: {Que probabilidad hay de que la aportaci6n anual del rio Cabanillas supere los 500 m’/seg? > [Probabilidad ~ Valor] Evaluar que caudal o precipitacién se superara un determinado % de tos afios. Por ejemplo: ;Que aportacién de un tio se superara el 10% de los aftos? Y- Utilizaremos dos tipos de datos que requieren distintos tratamientos: > Caudales medios, De una serie de ailos dispondremos del caudal medio de cada aio > Caudales extremos, De una serie de afios extraemos cl caudal del dia mas caudaloso de cada afio Ven Te Chow encontré que estos caudales pueden calcularse mediante la expresiGn: Or = Om + Kes Donde: Qr = Caudal de avenidas para un periodo de retorno Qm = Promedio de tos caudates maximos instantaneos Desviacién estdndar de los caudales maximos instanténeos Ky = Factor de frecuencia que depende de la distribucion de probabilidades que mejor ajusta al registro de caudales maximos instanténeos 8.14.1, Modelos probabilisticos o distribucion de probabilidades El modelo probabilistico explica el comportamiento del espacio muestral ya cada uno de los resultados (eventos) se asocia con una probabilidad de ocurrencia, mediante el uso de funciones de probabilided (Funcién masa de probabilidades o funcién de densidad de probabilidades). Existen dos tipos de modelos de probabilidad: modelos probabilisticos discretos y modelos probabilisticos continuos. qi El procedimiento més eficicate para la prediccién de ocurrencia de méximas avenidas es realizarla en base a los registros de caudales o precipitaciones. 2a