Professional Documents
Culture Documents
FACULTAD DE INGENIERA
TEMA:
ASIGNATURA:Hidrologa
TURNO:Maana
INTEGRANTES:
Benites Vilchez Joao
Castro Marzal Gianfranco
ChumioqueBedn Katherine
Garcia Manrique Jos
Vsquez TorrealvaMilser
DOCENTE:Edgar GustavoSparrowAlamo
NUEVO CHIMBOTEPER
2017
1
INTRODUCCIN..3
NDICE
1. Conceptos de probabilidad y estadstica4
1.1. Funciones de probabilidad.5
1.1.1. Funciones discretas..5
1.1.2. Funciones continuas.5
1.2. Distribucin de probabilidad.5
1.2.1. Momentos de las distribuciones.6
1.2.2. Parmetros estadsticos7
1.2.2.1. Media...7
1.2.2.2. Varianza..7
1.2.2.3. Coeficiente de variacin..7
1.2.2.4. Coeficiente de asimetra..8
1.2.2.5. Periodo de retorno..8
1.2.3. Distribuciones de Probabilidad ms usadas en hidrologa para variables
continuas..10
1.2.3.1. Distribucin normal..10
1.2.3.2. Distribucin Pearson III..11
1.2.3.3. Distribucin Log-Pearson III ..12
1.2.3.4. Distribucin Gumbel12
1.3. Otros mtodos estadsticos.13
1.3.1. Mtodo de Nash..14
2
INTRODUCCIN
El objetivo de este captulo es dar a conocer los fundamentos tericos de las metodologas
utilizadas, que posteriormente se validar n, mejorando as su comprensin; adems de servir
como gua para posteriores estudios relacionados con la temtica abordada. Existen
metodologas tanto Hidrometeoro lgicas como Estadsticas para la determinacin de caudales
mximos. Las metodologas Estadsticas utilizadas son Gumbel, log Pearson III, Nash y
Lebediev.
3
El estudio de un fenmeno hidrolgico requiere del anlisis de datos o muestras histricas
recopiladas para poder comprender el comportamiento del mismo, as como para tomar
decisiones relativas a un proyecto de ingeniera que dependa en gran medida del fenmeno en
cuestin.
4
Esta asignacin de la probabilidad obliga a analizar la forma en que dicha probabilidad
se distribuye en cada una de las variables aleatorias. Cuando el nmero de
observaciones se incrementa, el tamao de los intervalos decrece. Si los intervalos en
los que ocurren los sucesos u observaciones, es tan pequeo que tienden a cero, la
distribucin de probabilidades se hace mediante una determinada funcin.
1.1. Funciones de probabilidad
Existen dos tipos de funciones de probabilidad:
1.1.1. Funciones discretas
Cuando el nmero 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).
1.1.2. Funciones continuas
Cuando el nmero de valores x que puede tomar una variable aleatoria X es
infinito se dice que dicha variable aleatoria es continua.
El tipo de fenmeno hidrolgico: Se pueden elegir las funciones cuyos lmites matemticos
sean compatibles con los lmites impuestos por la naturaleza del fenmeno. [Llamas, 1993: p.
96].
5
El comportamiento de las variables aleatorias discretas o continuas se describe con la
ayuda de Distribuciones de Probabilidad. La variable se designa por mayscula y un
valor especfico de ella por minscula.
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
Distribucin de
Probabilidades de la
variable x.
P(a x b) = () = (Ec. 2.42)
() = 1(Ec. 2.44)
( ) = ()(Ec. 2.45)
6
() = 0(Ec. 2.46)
Lo que implica que las probabilidades se definen slo como reas bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.
= () Parala variable continua (Ec. 2.47)
= ( ) () Para la variable continua (Ec. 2.48)
= () (Ec. 2.49)
1
= =1 (Ec. 2.50)
1.2.2.2. Varianza 2
Mide la variabilidad de los datos. Es el segundo momento respecto a la media.
2 = ( )2 () (Ec. 2.51)
1
2 = 1 =1(1 )2 (Ec. 2.52)
7
al cuadrado, la desviacin estndar s es una medida de la variabilidad que tiene
las mismas dimensiones que la media y simplemente es la raz cuadrada de la
varianza, se estima por s.
= (Ec. 2.53)
[( )3 ] = ( )3 () (Ec. 2.54)
1
= [( )3 ](Ec. 2.55)
3
1 ( )3
= (1)(2) 3 (Ec. 2.56)
8
100 aos se tendra entonces que de los 100 aos que dure el proyecto, en 25 se
excedera el evento de diseo. Por lo tanto, el tiempo promedio de recurrencia del
evento es de 100/25 = 4 aos. Si P es la probabilidad, entonces:
1
= (Ec. 2.57)
11
() = (1 ) =
(Ec. 2.58)
() = (1 1/ ) (Ec. 2.59)
Cuando se tiene una lista de datos ordenados en forma decreciente con respecto
al evento, el perodo de retorno se puede calcular como:
(+1)
=
(Ec. 2.61)
Una vez que se asigna un perodo de retorno al gasto de diseo de la obra que se
est analizando, es necesario hacer extrapolaciones a partir de los gastos
mximos anuales que se hayan registrado para conocer el gasto de diseo que
correspondera al perodo de retorno seleccionado. Esas extrapolaciones se logran
mediante el uso de funciones de distribucin de probabilidad, aquellas que ms se
ajusten a los registros con los que se cuenta.
1. Normal
2. Log-normal
3. Pearson III
9
4. log-Pearson III
5. Gumbel
1 2
1 ( )
() = 2 (Ec. 2.62)
2
1 2
1 ( )
() = 2 (Ec. 2.63)
2
Donde:
x = variable aleatoria.
= media de la poblacin.
Para resolver esta funcin se recurren a mtodos numricos para evaluarla, y para
hacer esto ms sencillo se ha asignado como variable estandarizada:
= (Ec. 2.64)
Que est normalmente distribuida con media cero y desviacin estndar unitaria.
As la funcin principal queda como:
10
1 2
() = () = 2 2 (Ec. 2.65)
Hay dos maneras de estimar F(z), una es mediante una tabla que se ha publicado
de dicha ecuacin. Y la segunda es mediante frmulas aproximadas, la funcin de
densidad f(z) se aproxima como:
() = (0 + 1 2 + 2 4 + 3 6 )1(Ec. 2.66)
Donde:
0 = 2.490895
1 = 1.466003
2 = 0.024393
3 = 0.178257
Y la funcin de distribucin sera la siguiente:
Donde:
2
1
() = 1 2 (
1 + 2 2 + 3 3 )(Ec. 2.69)
2
Siendo:
1
= 1+ (Ec. 2.70)
0 ||
0 = 0.33267
1 = 0.43618
2 = 0.12017
3 = 0.93730
1.2.3.2. Distribucin Log-Normal 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.
11
Funcin de densidad:
y = ln x
donde,
my : media de los logaritmos de la poblacin (parmetro escalar), estimado
sy : Desviacin estndar de los logaritmos de la poblacin, estimado sy
Estimacin de parmetros:
Factor de frecuencia:
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.
12
1.2.3.3. Distribucin Pearson III
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. La funcin de
densidad de probabilidad Pearson de tres parmetros (tipo III) se define como:
1 1 1 1 1
() = { } 1 (Ec. 2.76)
1 (1 ) 1
= 1 1 + 1 (Ec. 2.77)
2 = 1 2 1 (Ec. 2.78)
( )3 /
= =1 3
(Ec. 2.80)
1 ( 1 ) 1 1
() = 1 ( ) (Ec. 2.81)
1 (1 ) 0 1
Y sustituyendo
1
=( 1
)(Ec. 2.82)
La ecuacin quedara
1
() = ( ) 0 1 (Ec. 2.83)
1
13
() = ( 2 ) = 2 (221 ) (Ec. 2.84)
Esta funcin se usa solo cuando 1 = /2, donde es un entero positivo
cualquiera. Como 2 es no entero, puede tomarse como el entero ms prximo o
bien interpolar en la tabla del anexo B. Cuando < 0.3, se tendr que acudir a
tablas de la funcin de distribucin de Gamma de un parmetro. Cuando da
valores extraos, como negativos o muy grandes, es recomendable fijar dicho
valor de d a ojo, estimndolo, como la ordenada al origen en una grfica de gasto
contra periodo de retorno.
()
() = = ( = ) (Ec. 2.85)
() ]
() = [() (Ec. 2.86)
= [1 ()](Ec. 2.87)
Los valores de y :
= 6(Ec. 2.88)
= /(Ec. 2.89)
14
Donde? es la constante de Euler y es igual a:
? = 0.577215(Ec. 2.90)
Este mtodo est basado en suponer que los caudales mximos anuales son variables
aleatorias Pearson tipo III
15
16
Aplicaciones
Solucin:
n=30
x= 15 m3/s xy=2.655
s = 5 m3/s sy = 0.324
En el campo original
= 5/15 = 0.33
KT = 3.06
QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s
LnQTr100 = 3.40992
17
Limites de confianza
Ln (QTr) t(1-a) Se
d = 1.93
3.41 0.18095
[3.22905 3.59095]
3.22905
[e e3.59095]
[25.26 36.29] Intervalos de confianza para QTr100
Ln(42.5) = 3.75
t = (3.75 - 2.655)/0.324
18
DISTRIBUCIN DE GUMBEL
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
d = 3.93
Xt t(1-a) Se
19
DISTRIBUCION DE PEARSON TIPO 3
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
Intervalos de confianza
Xt t(1-a) Se
Se = 5133.56 pie3/s
20
21