UNIVERSIDAD SAN PEDRO

HIDROLOGIA

RESUMEN
Mediante el presente informe se determinar el caudal de diseo mediante los
Mtodos Estadsticos, para lo cual teniendo la informacin de la estacin
hidrolgica de Recreta, se pueden realizar los clculos correspondientes para dicho
fin. Empezando por la completacin de la informacin y el anlisis de Consistencias
y Tendencias si es que el caso lo amerite ya que si se cuenta con los datos
completos de procede directamente a realizar las pruebas de Bondad y Ajuste
como

la prueba CHI

CUADRADO, para datos agrupados, y SMIRNOV-

KOLMOGOROV, para datos no agrupados, y as poder realizar las Distribuciones

Tericas como la Distribucin Normal, La Distribucin Log Normal 2 Parmetros y
la Distribucin Gumbel.

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

I. INTRODUCCION

Puede ser necesario determinar un gasto de diseo con periodo de retorno de

1000 aos a partir de 25 aos de registro. Si los gastos mximos anuales
registrados

se

dibujan

contra

sus

respectivos

periodos

de

retorno,

generalmente se observa alguna tendencia ms o menos definida. El problema

radica en cmo extender esta tendencia hasta el periodo de retorno deseado.
Una posibilidad es extrapolar los datos a ojo, es decir, grficamente. Aunque
este mtodo puede dar muy buenos resultados si se aplica por una persona con
experiencia, tiene la desventaja de la subjetividad; esto es, si veinte ingenieros
diferentes lo aplican, es probable que el resultado sean veinte grficas
diferentes.
Para eliminar esta subjetividad, se debe buscar entre las distintas funciones de
distribucin de probabilidad tericas la que se ajuste mejor a los datos
medidos, y usar esta funcin para la extrapolacin.

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

II. OBJETIVOS

2.1 Objetivos Generales

Calcular el Caudal de la Estacin Hidrolgica de Recreta mediante

Mtodos Estadsticos

2.2 Objetivos Especficos

Conocer la Informacin de la Estacin Hidrolgica con la cual se van a

realizar los clculos.
Completar la Informacin de la Estacin Hidrolgica
Realizar el Anlisis de Consistencias y Tendencias
Realizar las Pruebas de Bondad y Ajuste
o Anlisis de la Prueba CHI CUADRADO
o Anlisis de la Prueba SMIRNOV KOLMOGOROV
Realizar las Distribuciones Tericas
o Anlisis de la Distribucin Normal
o Anlisis de la Distribucin Log Normal 2 Parmetros
o Anlisis de la Distribucin Gumbel
Determinar el Caudal de Diseo para los meses de mayor precipitacin

III. REVISION BIBLIOGRAFICA

3.1

Mtodos Estadsticos
Segn Ing. Pedro Reyes:
Para el Calculo del Caudal Mximo se procede a realizar los siguientes pasos:

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

1. Analizar la informacin de una Estacin Hidrolgica

2. Completar la informacin si existieran datos faltantes
3. Realizar el anlisis de Consistencias y Tendencias
a. Mtodo Grfico
b. Anlisis de Tendencias
c. Anlisis de Consistencias
4. Realizar la Prueba de Bondad y Ajuste
a. Prueba Chi Cuadrado
b. Prueba Smirnov Kolmogorov
5. Realizar las Distribuciones Tericas
a. Distribucin Normal
b. Distribucin Log Normal
c. Distribucin Gumbell
3.2

Anlisis de Consistencias y Tendencias

3.2.1
Anlisis de Consistencias
Anlisis de consistencia a la Media
Segn Ing. Pedro Reyes:
Es el anlisis de las muestras mediante la media, donde nos
determinar si los datos calculados estn bien o necesitan ser
corregidos.

Anlisis de consistencia a la Desviacin Estndar

Segn Ing. Pedro Reyes:
Es el anlisis de las muestras mediante la Desviacin Estndar,
donde nos determinar si los datos calculados estn bien o
necesitan ser corregidos.

3.2.2

Anlisis de Tendencias
Segn Ing. Esp. Rubn Villodas:
Es aquel que se utiliza estadsticamente, observando datos
histricos de varios aos, con el fin de determinar patrones
significativos.

3.3

Pruebas de Bondad y Ajuste

Segn Ven Te Chow:

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

La Bondad del Ajuste de una distribucin de probabilidad puede probarse

comparando los valores tericos y muestrales de las funciones de
frecuencia relativa o de frecuencia acumulada. En el caso de la funcin de
frecuencia relativa se utiliza la prueba x 2. El valor muestral de la frecuencia
relativa del intervalo i es, de la ecuacin fi(xi) = ni/n; el valor terico es
p(xi) = F(xi) F (xi - 1). La prueba estadstica est dada por

Donde m es el nmero de intervalos

Segn Ing. Esp. Rubn Villodas:

Ambas pruebas caen en la categora de lo que en estadstica se denominan

pruebas de Bondad de Ajuste y miden, como el nombre lo indica, el grado
de ajuste que existe entre la distribucin obtenida a partir de la muestra y
la distribucin terica que se supone debe seguir esa muestra. Ambas
pruebas estn basadas en la hiptesis nula de que no hay diferencias
significativas entre la distribucin muestral y la terica. Ambas pruebas
estn basadas en las siguientes hiptesis:
H0: f(x,q) = f0(x,q)
H1: f(x,q) f0(x,q)
Donde f0(x,q) es la distribucin que se supone sigue la muestra aleatoria. La
hiptesis alternativa siempre se enuncia como que los datos no siguen la
distribucin supuesta. Si se desea examinar otra distribucin especfica,
deber realizarse de nuevo la otra prueba suponiendo que la hiptesis nula
es esta nueva distribucin. Al especificar la hiptesis nula, el conjunto de
parmetros definidos por q puede ser conocido o desconocido. En caso de

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

que los parmetros sean desconocidos, es necesario estimarlos mediante

alguno de los mtodos de estimacin analizados con anterioridad.
Para formular la hiptesis nula debern tenerse en cuenta los siguientes
aspectos o criterios:
a) La naturaleza de los datos a analizar. Por ejemplo, si tratamos de
investigar la distribucin que siguen los tiempos de falla de unos
componentes, podramos pensar en una distribucin exponencial, o una
distribucin gama o una distribucin Weibull, pero en principio no
consideraramos una distribucin normal. Si estamos analizando los caudales
de un ro en un determinado sitio, podramos pensar en una
distribucin logartmica normal, pero no en una distribucin normal.
b) Histograma. La forma que tome el histograma de frecuencia es quizs la
mejor indicacin del tipo de distribucin a considerar
3.3.1

Prueba CHI CUADRADO

Segn Francisco Javier Aparicio:
La prueba Chi Cuadrado es la ms popular. Fue propuesta por Karl
Pearson en 1900.
Para probar la hiptesis H0 F = F0 a partir de una muestra
aleatoria simple X1, . . . , Xn de F, Karl Pearson propuso el siguiente
procedimiento, que es en realidad una prueba de H0 Para cada uno
de los intervalos I de una particin finita P de R, se cumple F(I) =
F0(I), y, como consecuencia, una prueba aproximada de H0 en la
medida que la particin P sea suficientemente fina.

Llamemos p0 al vector de las probabilidades F0(I) correspondientes

a los intervalos de P, y p al de las probabilidades F(I). Entonces, H0

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

equivale a p = p0. Esta ultima es una hiptesis simple sobre el

parmetro p de la distribucin multinomial (n, p) del vector M cuyas
componentes son las frecuencias M(I) = nFn (I) = n i=1 1{XiI}, I
P.
Denotemos ahora P = {I1, . . . , Ik}, y p0,j = F0(Ij), Mj = M(Ij). El
estadstico de Pearson es:

Su distribucin bajo H0 depende de n y p0, y puede

obtenerse en cada caso mediante el clculo directo a partir de la
distribucin multinomial, o por simulacin. Su distribucin asinttica
para n es 2 con k 1 grados de libertad. En la seccin
siguiente se aportan argumentos basados en la utilizacin de la
distribucin normal asinttica de la multinomial, o bien en el
comportamiento asinttico del cociente de verosimilitudes, para
obtener la mencionada distribucin asinttica.
3.3.2

Prueba SMIRNOV KOLMOGOROV

Segn Francisco Javier Aparicio:
Esta prueba consiste en comparar el mximo valor absoluto de la
diferencia D entre la funcin de distribucin de probabilidad
observada Fa (xm) y la estimada F (xm)

Con un valor crtico d que depende del nmero de datos y el nivel de

significancia seleccionado. Si D < d, se acepta la hiptesis nula. Esta
prueba tiene la ventaja sobre la Chi Cuadrado de que compara los

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

datos con el modelo estadstico sin necesidad de agrupados. La

funcin de distribucin de probabilidad observada se calcula como:

Donde m es el nmero de orden del dato Xm en una lista de mayor a

menor y n es el nmero total de datos.

3.4

Distribucin Terica
3.4.1 Distribucin Normal
Segn Ven Te Chow:
La distribucin Normal surge del teorema del lmite central, el cual
establece que si una secuencia de variables aleatorias xi son
independientes y estn idnticamente distribuidas con media y
varianza, entonces la distribucin de la suma de n de estas variables
aleatorias, Y = Xi, tiende hacia la distribucin normal con media n y
n2 a mediad que n aumente. El punto importante es que esto es cierto
sin importar cual es la funcin de distribucin de probabilidad de X.
Las variables hidrolgicas, como la precipitacin anual calculadas
como

la

suma

la

suma

de

los

efectos

de

muchos

eventos

independientes tienden a seguir la distribucin normal.

Segn Francisco Javier Aparicio:

La funcin de densidad de probabilidad normal se define como:

Donde fJ, Ya son los parmetros de la distribucin. Estos parmetros

determinan la forma de la funcin/(x) y su posicin en el eje x.

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

Es posible demostrar que fJ, ya son, respectivamente, la media y la

desviacin estndar de la poblacin y pueden estimarse como la media
y desviacin estndar de los datos. La funcin de distribucin de
probabilidad normal es:

Hoy en da, no se conoce analticamente la integral de la ecuacin, por

lo que es necesario recurrir a mtodos numricos para evaluarla. Sin
embargo, para hacer esto se requerira una tabla para cada valor de
fJ, y a, por lo que se ha definido la variable estandarizada que est
normalmente distribuida con media cero y desviacin estndar
unitaria.

As, la funcin de distribucin de probabilidad se puede escribir como:

3.4.2 Distribucin Log Normal 2 Parmetros

Segn Ven Te Chow:

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

Si la variable aleatoria Y = log X est normalmente distribuida,

entonces de dice q X est distribuida en forma Lognormal. Se ha
encontrado que la distribucin log normal describe la distribucin de la
conductividad hidrulica en un medio poroso, la distribucin de
tamao de gotas de lluvia en una tormenta y otras variables
hidrolgicas. La distribucin log normal tiene las ventajas sobre la
distribucin normal de que esta limitada y de que la y transformacin
log tiende a reducir la asimetra positiva comnmente encontrada en
informacin hidrolgica, debido a que al tomar logaritmos se reducen
en una proporcin mayor los nmeros grandes que los nmeros
pequeos. Algunas limitaciones son por un lado, que tienen solamente 2
parmetros y por otro que requiere que los logaritmos de los datos
sean simtricos alrededor de su media.

Segn Francisco Javier Aparicio:

En esta funcin los logaritmos naturales de la variable aleatoria se
distribuyen normalmente. La funcin de densidad de probabilidad es:

donde y son los parmetros de la distribucin. En la figura se

muestra una grfica de la funcin de densidad de probabilidad para
diferentes valores de y . Como se observa, esta funcin no
necesariamente es simtrica.
Los valores de y se estiman a partir de n observaciones Xi, i = 1,
2, ... n, como:

3.4.3 Distribucin Gumbel

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

Segn Francisco Javier Aparicio:

Supngase que se tienen N muestras, cada una de las cuales contiene n
eventos. Si se selecciona el mximo x de los n eventos de cada
muestra, es posible demostrar que, a medida que n aumenta, la funcin
de distribucin de probabilidad de x tiende a:

La funcin de densidad de probabilidad es entonces

donde y son los parmetros de la funcin

Los parmetros y se estiman como:

Para muestras muy grandes

IV CALCULOS Y RESULTADOS

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

V CONCLUSIONES Y RECOMENDACIONES
DISTRIBUCION NORMAL

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

Las principales limitaciones en la descripcin de variables hidrolgicas son

que esta varia a lo largo de un rango continuo, mientras que la mayor parte
de las variables hidrolgicas no son negativas y por otro lado, que es
simetrice alrededor de la media, mientras que la informacin hidrolgica
tiende a ser asimtrica.
DISTRIBUCION LOG NORMAL
Esta distribucin se aplica a variables hidrolgicas formadas como
productos de otras variables, lo cual tiende a la distribucin normal para
valores grandes de n siempre y cuando los Xi sean independientes y estn
idnticamente distribuidos.
Las funciones normal y lognormal son generalmente apropiadas para variables
aleatorias que cubren todo el rango de valores de los resultados posibles
del experimento bajo anlisis, como por ejemplo los volmenes de
escurrimiento mensual en un ro.

DISTRIBUCION GUMBEL
se desarrollaron para
el anlisis de los valores extremos , como
los gastos mximos o mnimos anuales.

VI BIBLIOGRAFIA

UNIVERSIDAD SAN PEDRO

HIDROLOGIA

6.1

Hidrologa Aplicada. Ven Te Chow. McGRAW-HILL Interamericana S.A..

Santaf de Bogot Colombia 1994.

6.2

Hidrologa. Ing. Esp. Rubn Villodas. Universidad Nacional de Cuyo

Facultad de Ingeniera Civil

6.3

Docente del Curso. Ing. Pedro Reyes

6.4

Fundamentos de Hidrologa de Superficie. Francisco Javier Aparicio.

Cuarta adicin 1996. Editorial LIMUSA

VII ANEXOS