Puente sobre el río Huayllumayo

EXPEDIENTE TÉCNICO DEL PROYECTO:
“CREACION DEL PUENTE PASARELA SOBRE EL RIO HUAYLLUMAYO, EN LA

COMUNIDAD CAMPESINA DE HATUN AYRACCOLLANA DEL DISTRITO DE
COPORAQUE, ESPINAR-CUSCO”
INGENIERIA DEL PROYECTO-HIDROLOGÍA
PROYECTO: “CREACION DEL PUENTE PASARELA SOBRE EL RIO

HUAYLLUMAYO, EN LA COMUNIDAD CAMPESINA DE HATUN
AYRACCOLLANA DEL DISTRITO DE COPORAQUE, ESPINAR-CUSCO”
SETIEMBRE 2016
Pág.1
ÍNDICE
CAPÍTULO 1. ASPECTOS GENERALES .......................................................................................................... 6

1.1.1.1. Introducción ...................................................................................................................................................... 6
1.1.1.2. Objetivo General .............................................................................................................................................. 7
1.1.1.3. Objetivos Específicos ..................................................................................................................................... 7
CAPÍTULO 2. HIDROLOGÍA DE EVENTOS EXTREMOS ............................................................................... 8
2.1. DESCRIPCIÓN GENERAL DE LA CUENCA Y DEL CURSO PRINCIPAL DE LA FUENTE NATURAL ............. 8
2.1.1.1. Ubicación y delimitación del área de estudio ...................................................................................... 8
2.1.1.2. PARÁMETROS GEOMORFOLÓGICOS DE LA MICROCUENCA. ...................................................... 9
2.1.2. ANÁLISIS Y TRATAMIENTO DE LA INFORMACIÓN METEOROLÓGICA E
HIDROMÉTRICA ................................................................................................................................................. 14
2.1.2.1. Red de estaciones Meteorológicas ........................................................................................................ 14
2.2. EVENTOS EXTREMOS ......................................................................................................................................................... 15
2.2.1. Precipitación o agua de lluvia ...................................................................................................................... 15
2.2.2. Particularidades del modelo hidrologico a utilizar .............................................................................. 16
2.2.3. Registro de precipitaciones ........................................................................................................................... 17
2.2.4. Análisis de los datos pluviométricos.......................................................................................................... 18
2.2.4.1. Conceptos teóricos del análisis probabilístico................................................................................... 18
2.2.4.2. Periodos de retorno y análisis de riesgo de falla en diseño urbano......................................... 19
2.2.4.3. Análisis estadístico previo de los datos hidrológicos ..................................................................... 20
2.2.5. Predicciones con la distribución Normal (N). ....................................................................................... 20
2.2.5.1. Estimación de parámetros por el método de Máxima verosimilitud. ...................................... 21
2.2.5.2. Proceso de cálculo para la obtención de la FDA Normal. ............................................................. 21
2.2.5.3. Proceso de cálculo para la estimación de cuantiles. ....................................................................... 22
2.2.6. Predicciones con la distribución Log-Normal de 2 parámetros (LN2). ........................................ 23
2.2.6.2. Proceso de cálculo para la obtención de la FDA Log-Normal de 2 parámetros. ................ 24
2.2.7. Predicciones con la distribución Log-Normal de 3 parámetros (LN3). ........................................ 24
2.2.7.2. Proceso de cálculo para la obtención de la FDA Log-Normal de 3 parámetros. ................ 25
2.2.8. Predicciones con la Distribución Log-Pearson tipo III (LPIII). .......................................................... 26
2.2.8.1. Estimación de parámetros por el método de Momentos. ............................................................ 26
2.2.8.2. Proceso de cálculo para la obtención de la FDA Log-Pearson tipo III. .................................... 27
2.2.9. Distribución Gumbel o de Valores Extremos tipo I (EVI). .................................................................. 28
2.2.9.1. Estimación de parámetros por el método de Momentos. ............................................................ 28
2.2.9.2. Proceso de cálculo para la obtención de la FDA Gumbel. ............................................................ 29
Pág.2
ÍNDICE
2.2.10. Pruebas de bondad de ajuste....................................................................................................................... 30
2.2.10.1. Ajuste gráfico. ................................................................................................................................................. 30
2.2.10.2. Prueba Kolmogorov-Smirnov................................................................................................................... 30
2.2.11. Selección del modelo probabilístico apropiado ................................................................................... 31
2.2.12. CURVAS INTENSIDAD-DURACIÓN-FRECUENCIA (CURVAS I.D.F.) ................................................ 32
2.2.13. HIETOGRAMA DE DISEÑO ............................................................................................................................. 33
2.3. TRANSFORMACIÓN LLUVIA ESCORRENTIA ............................................................................................................. 34
2.3.1. Tiempo de concentración .............................................................................................................................. 34
2.3.2. Modelo del Número de Curva del SCS ..................................................................................................... 35
2.3.3. Hidrograma unitario de la SCS .................................................................................................................... 35
2.3.4. Caudal máximo de diseño ............................................................................................................................. 37
2.4. CONCLUSIONES Y RECOMENDACIONES .................................................................................................................. 38
Pág.3
ÍNDICE DE CUADROS
Cuadro 1: Características de la estación Pluviométrica. .................................................................................................... 15
Cuadro 2: Registro de precipitaciones Máximas de 24 Horas. ....................................................................................... 18

Tabla 3: Resultados del método de los bloques alternos. ................................................................................................ 34
Pág.4
ÍNDICE DE FIGURAS
Figura 1. Peligro potencial convertido en un desastre. ....................................................................................................... 6
Figura 2. Microcuenca Huayllumayu. Fuente: Propia. .......................................................................................................... 9

Figura 3. Pendiente del cauce por compensación de áreas. Fuente: Adaptado de [Villón, 2002]. .................. 13
Figura 4. Lecho del río en la zona de la Puente Huayllumayu. Fuente: [CONSULTOR]. ....................................... 14
Figura 5. Estaciones Meteorológicas más cercanas al proyecto. Fuente: [Google Earth]. ................................... 15
Figura 6. La cuenca como un sistema hidrológico. Fuente: [Chow et al.,1994] ....................................................... 16
Figura 7. Ajustes gráficos de la distribución teórica y Weibull ....................................................................................... 32

Figura 8. Contraste de las pruebas de bondad de ajuste. ................................................................................................ 32
Figura 9. Curvas Intensidad Duración Frecuencia representativas. ............................................................................... 33
Figura 10. Número de Curva representativo de la cuenca. .............................................................................................. 35

Figura 11. Hidrograma Unitario Fuente: [Chow]................................................................................................................... 36
Figura 12. Hidrograma Unitario de la SCS .............................................................................................................................. 37

Figura 13. Hietograma de precipitación efectiva. ................................................................................................................ 37
Figura 14. Hidrograma de diseño............................................................................................................................................... 38
Pág.5
CAPÍTULO 1. ASPECTOS GENERALES
1.1.1.1. Introducción
“Un fenómeno natural extraordinario no tiene que producir necesariamente un desastre, pues éste se
debe a la vulnerabilidad existente manifestada como deterioro ambiental, falta de previsión en el
planeamiento, diseño o construcción de las infraestructuras, al desconocimiento de la naturaleza, a la
irresponsabilidad, a la falta de educación y de organización o a la pobreza, pero nada de esto implica
que se trate necesariamente de un desastre natural…” (“El niño”: ¿Un desastre o un fenómeno?. Dr. Ing.
Arturo Rocha Felices. Artículo publicado en la revista Puente, del Colegio de Ingenieros del Perú, Año II,
N° 4, Marzo 2007.)
Los fenómenos naturales no tienen por qué convertirse en desastres naturales, si se fomenta una
cultura de prevención, si se realiza un adecuado análisis de los fenómenos que podrían afectar el
proyecto de inversión pública.
Para evaluar el proyecto se ha de requerir escenarios de probable ocurrencia de los peligros relevantes,
tanto de los existentes como de los que podrían generarse, entre otras razones, por las dinámicas de
ocupación y uso del territorio y el cambio climático. Se entiende como «escenario» el planteamiento
del momento en el cual podría ocurrir el peligro.
Es por ello que son necesarios estudios que sirvan de sustento técnico a los CONSULTORES, de tal
manera que se tomen mejores decisiones a fin de evitar que los fenómenos naturales se conviertan en
desastres naturales.
Figura 1. Peligro potencial convertido en un desastre.
Antes de empezar con el pleno desarrollo de este estudio es imperativo definir claramente las
limitaciones y alcances de la misma. Para ello es necesario establecer en primer lugar el concepto de
desastre y luego los conceptos de riesgo, peligro y vulnerabilidad.
Un desastre es la drástica interrupción del normal funcionamiento de una comunidad, ocasionado por
un peligro que puede ser de origen natural o inducido por acción del hombre, dentro de las
consecuencias directas de la ocurrencia de un desastre se pueden nombrar las siguientes: pérdida de
vidas humanas, cuantiosas pérdidas económicas en infraestructura y daños medioambientales. La
comunidad afectada no posee los medios suficientes para responder a los efectos del desastre, por lo
que se hace necesaria la ayuda externa [INDECI, 2006].
El riesgo es la probabilidad de que se produzcan pérdidas de vidas humanas, bienes materiales,
recursos económicos en determinado momento y en un área específica, debido a la ocurrencia de un
Pág.6
peligro [INDECI, 2006]. El riesgo depende de dos factores: el peligro y la vulnerabilidad, y puede ser
expresado en forma probabilística como el producto de ambos.
“El peligro, es la probabilidad de ocurrencia de un fenómeno natural o inducido por la actividad del
hombre, potencialmente dañino, de una magnitud dada, en una zona o localidad conocida, que puede
afectar un área poblada, infraestructura física y/o el medio ambiente” [INDECI, 2006]. En síntesis, el
peligro en determinado lugar existe independientemente de las construcciones que en él se ejecuten, y
su magnificación depende del grado de exposición a los fenómenos naturales de dicho lugar [Kuroiwa,
2002].
“La vulnerabilidad, es el grado de debilidad o exposición de un elemento o conjunto de elementos frente
a la ocurrencia de un peligro natural o antrópico de una magnitud dada. Es la facilidad como un
elemento (infraestructura, vivienda, actividades productivas, grado de organización, sistemas de alerta y
desarrollo políticoinstitucional, entre otros), pueda sufrir daños humanos y materiales. Se expresa en
términos de probabilidad, en porcentaje de 0 a 100” [INDECI, 2006].
Los términos antes descritos son propios de la terminología usada en la gestión del riesgo de desastres,
definida como “el conjunto de conocimientos, medidas, acciones y procedimientos que, conjuntamente
con el uso racional de recursos humanos y materiales, se orientan hacia la planificación de programas y
actividades para evitar o reducir los efectos de los desastres. La Gestión de Desastres, sinónimo de la
Prevención y Atención de Desastres, proporciona además todos los pasos necesarios que permitan a la
población afectada recuperar su nivel de funcionamiento, después de un impacto” [INDECI, 2006].
Según lo expuesto en el párrafo anterior, la Gestión del riesgo de desastres persigue dos objetivos
fundamentales: la minimización de los desastres y la recuperación de las condiciones normales previas
a un desastre. Para lograr tales objetivos, la metodología que se debe seguir consta de tres grandes
fases: la prevención (antes), la respuesta (durante) y la reconstrucción (después). Donde la fase de
prevención está comprendida por la estimación y reducción del riesgo; la fase de respuesta comprende
la atención durante le emergencia, la evaluación de daños y la rehabilitación; y la fase de
reconstrucción, que básicamente comprende la reparación general de todo tipo de daño originado por
el desastre [INDECI, 2006].
Conforme a lo expuesto líneas arriba, se sabe que la primera gran fase en la gestión del riesgo de
desastres es la prevención, cuyas componentes son la evaluación o estimación del riesgo y la reducción
del mismo. Así también, para la estimación del riesgo, tal como se explicó al inicio, son necesarios la
identificación del peligro y el análisis de vulnerabilidades.
Bajo este contexto, se efectúa el presente estudio hidrológico e hidráulico del Proyecto “CREACION
DEL PUENTE PASARELA SOBRE EL RIO HUAYLLUMAYO, EN LA COMUNIDAD CAMPESINA DE
HATUN AYRACCOLLANA DEL DISTRITO DE COPORAQUE, ESPINAR-CUSCO”.
1.1.1.2. Objetivo General
Efectuar el estudio hidrológico para el Proyecto “CREACION DEL PUENTE PASARELA SOBRE EL
RIO HUAYLLUMAYO, EN LA COMUNIDAD CAMPESINA DE HATUN AYRACCOLLANA DEL
DISTRITO DE COPORAQUE, ESPINAR-CUSCO”.
1.1.1.3. Objetivos Específicos
Evaluar la climatología, pluviometría e hidrometría de la Microcuenca del río Huayllumayo

(referencia Puente Huayllumayu) y de la microcuenca en estudio.
Determinar el hidrograma de diseño en el punto de interés Puente Huayllumayu.
Realizar la evaluación hidráulica en la zona de emplazamiento del puente pasarela Hauyllumayu
Pág.7
CAPÍTULO 2. HIDROLOGÍA DE EVENTOS EXTREMOS
2.1. DESCRIPCIÓN GENERAL DE LA CUENCA Y DEL CURSO PRINCIPAL DE LA FUENTE NATURAL
2.1.1.1. Ubicación y delimitación del área de estudio
El ámbito del área de estudio corresponde a la Microcuenca del río Huayllumayo (Puente
Huayllumayu).
La Microcuenca del río Huayllumayo, está ubicada en el extremo Sur-Este de la provincia de Espinar,
2
cuya superficie es de 126.14 km .
La Microcuenca del río Huayllumayo (Puente Huayllumayu) geográficamente se encuentra situada en
las coordenadas UTM E: 236,650, N: 8’353300; dichas coordenadas están referidas DATUM WGS-84
zona 19S.
Políticamente se localiza en:
Región : Cusco
Provincia : Espinar
Distrito : Coporaque
Comunidad : Hatun Ayraccollana
Hidrográficamente se encuentra ubicada en la parte alta de la cuenca del río Apurimac y vertiente del
Atlántico.
La Microcuenca del río Huayllumayo (Puente Huayllumayu), se han delimitado en base de la
información cartográfica (Carta Nacional de 1/50000) y Modelo Digital de Terreno (DEM).
La Microcuenca del río Huayllumayo (Puente Huayllumayu), tiene como fuente de recursos hídricos a
las precipitaciones que se producen estacionalmente, afloramiento de agua (manantiales) que se
alimentan de las precipitaciones y luego discurren por el río Huayllumayu.
El río Huayllumayu desde su naciente hasta la Puente Huayllumayu tiene una longitud de 20.8 km y
una pendiente media de 3.8%.
Pág.8
Figura 2. Microcuenca Huayllumayu. Fuente: Propia.
2.1.1.2. PARÁMETROS GEOMORFOLÓGICOS DE LA MICROCUENCA.
La subcuenca estudiada ofrece una topografía agresiva, con variaciones altimétricas de 5,000 a 3980
m.s.n.m. La cuenca está constituida por altas montañas, en su mayor parte cubiertas de diversa
vegetación de la zona alto andina.
En este acápite se detallan los parámetros geomorfológicos de la cuenca del río Huayllumayo.
a ) C o e f ic ie n t e d e C o m p a c id a d (k )
También conocido como Coeficiente de Compacidad. Kc, se define como la relación del perímetro de
la cuenca y la longitud de circunferencia de un círculo de igual área.
P 53.22
Kc = = = 1.33
A 126.14
2π 2π
π π
Donde:
1 ≤ Kc < ∞
Este coeficiente brinda algunas conjeturas sobre la forma de la cuenca. Un coeficiente de compacidad
igual a uno, indica que la cuenca es de forma circular; y cuando éste es mayor que uno, la cuenca tiene
una forma muy irregular o alargada. La hoya de forma circular es más propensa a respuestas rápidas,
en cambio una cuenca alargada tendrá una respuesta más lenta.
Para la microcuenca en estudio el índice de Gravelius es Kc=1.33, lo cual la clasifica como una cuenca
irregular alargada de respuesta lenta.
Pág.9
b ) P e n d ie n te m e d ia
La pendiente es una de las propiedades del relieve que determina la rapidez de respuesta de un
evento extremo. Este parámetro es de vital importancia pues da un índice de la velocidad media de
escorrentía, su poder de arrastre, de erosión y el tiempo de concentración de las aguas en
determinado punto del cauce [Villón, 2002]. Para su estimación se utiliza dos métodos Alvord y Horn.
MÉTODO DE ALVORD
El método de Alvord analiza la pendiente existente entre curvas de nivel, trabajando con la faja
definida por las líneas medias que pasan entre las curvas de nivel.
D⋅L 50 ⋅ 676380
Sc = = = 0.268
A 126.14 ⋅ 1000000
Siendo:
D : Desnivel constante entre curvas de nivel.
S c : Pendiente promedio de la cuenca.
L : Longitud total de las curvas de nivel dentro de la cuenca.
A: Área de la cuenca.
Para la microcuenca en estudio se ha determinado una pendiente promedio de 26.81%.
MÉTODO DE HORN
Este criterio fue desarrollado para la determinación de la pendiente a partir de una estructura espacial
matricial o raster [Olaya, 2004]; la pendiente se calcula como el cambio en la elevación para cada celda
en función de las celdas vecinas. A continuación se realiza una breve descripción del método (tomado
de la ayuda en inglés del Software ArcGIS 10.1).
Observe el siguiente arreglo:
El objetivo es calcular la máxima pendiente de la celda “e”, con este criterio se calcula la pendiente
teniendo en cuenta los valores de elevación de los ocho vecinos más próximos a la celda “e”, pero
teniendo mayor peso los vecinos más cercanos.
Pág.10
Dz
Por lo tanto, el ritmo de cambio de la superficie en la dirección horizontal , como en la vertical
Dx
Dz
del centro de las celdas, determinará su pendiente. El algoritmo básico utilizado para calcular la
Dy
pendiente se encuentra resumido en las siguientes ecuaciones:
 2 2 
  Dz   Dz  
a tan   + (en radianes)
  Dx   Dy  
 
 Dz 2  Dz   180
2
 
a tan   +    × (en grados)
  Dx   Dy   π
 
Donde:
Dz [(c + 2 f + i ) − (a + 2d + g )]
=
Dx 8 × Tamañode Celda
Dz [( g + 2h + i ) − (a + 2b + c )]
=
Dy 8 × Tamaño de Celda
Siendo a, b, c, d, f, g, h e i las cotas del centroide geométrico de cada celda.
Es importante indicar, que este moderno método no es el único en su clase, también existen otros
como Batson (1975), O'Neill y Marck (1987), Carter (1992), Sharpnack y Akin (1969), etc., según refieren
[Castillejo, Fernández, García-Ferrer y Sánchez]. Sin embargo, con el método de Horn se obtienen
resultados más confiables [Castillejo et al.] y además tiene la virtud de estar implementado en el
software ArcGIS.
De lo anterior se ha obtenido una pendiente máxima para cada celda del modelo raster, quedando por
hacer un trabajo estadístico que permita la determinación de la pendiente media de la cuenca, dicha
pendiente resultó ser 23.39%.
c ) D e n s id a d d e D r e n a je (Id )
La densidad de drenaje se calcula a partir de la longitud total de la red de drenaje natural (LT) y el área
total de la cuenca (AT), empleando la siguiente expresión:
LT 102.6
Dd = = = 0.81
AT 126.14
Para el caso de la cuenca del río Huayllumayu, el valor hallado corresponde a: 0.81 km/km2.
Podría decirse que de acuerdo con el valor indicado, que el relieve del Subcuenca del Huayllumayu
favorece una la retención del agua.
Pág.11
d ) F a c t o r d e f o r m a (F F )
El factor de forma es la relación entre el ancho medio y la longitud del cauce principal de la cuenca. El
ancho medio se obtiene dividiendo el área de la cuenca entre la longitud del cauce principal.
B A 126.14
FF = = = = 0.29
L L2 20.8 2
Para el caso del río Huayllumayu el factor de forma es de 0.29.
e ) P E N D IE N T E D E L C A U C E P R IN C IP A L
La pendiente del cauce es un factor muy importante, porque influye en la velocidad del flujo, la cual
determina el tiempo de respuesta de una cuenca. En general, la pendiente de un tramo del río se
puede considerar como el cociente que resulta de dividir el desnivel de los extremos del tramo, entre
la longitud horizontal de dicho tramo. Un cauce natural presenta un perfil longitudinal del eje
conformado por una serie ilimitada de tramos, que depende de la geología del lecho [Reyes, 1992].
Para la determinación de esta pendiente, en realidad existen varios métodos, los que se desarrollan a
continuación:
MÉTODO DE LA PENDIENTE UNIFORME.

Este método considera la pendiente del cauce, como la relación entre el desnivel que hay entre los
extremos del cauce y la proyección horizontal, es decir:
H
S=
L
Donde:
S: Pendiente.
H: Diferencia de cotas entre los extremos del cauce.
L: Longitud del cauce.

Generalmente este método debe ser usado en tramos cortos.
MÉTODO COMPENSACIÓN DE ÁREAS.

La manera más real de evaluar la pendiente de un cauce, es compensándola, es decir, elegir la
pendiente de una línea que se apoya en el extremo final del tramo por estudiar, y que tiene la
propiedad de contener la misma área (abajo y arriba), respecto al perfil del cauce [Villón, 2002].
Pág.12
A1= A2
Cota
pendiente
A1
A2
Distancia
Figura 3. Pendiente del cauce por compensación de áreas. Fuente: Adaptado de [Villón, 2002].
MÉTODO DE TAYLOR-SCHWARZ.
Según refiere Villón [2002] y Aparicio [1992], Taylor y Schwarz proponen la siguiente ecuación:
2
 n 
 ∑ Li 
S =  ni =1 
 Li 
 ∑ 1/ 2 
 i =1 S i 
Donde:
S : Pendiente media del cauce.

Li : Longitud del enésimo tramo.
S i : Pendiente del enésimo tramo.

Con los métodos antes mencionados se procedió a calcular la pendiente, y a su vez se realizó un
reconocimiento de campo, el cual tuvo como objetivo confirmar la distribución espacial de la
pendiente del cauce.
Del reconocimiento de campo se pudo observar que el cauce del río Huayllumayu está conformado
por pendientes y el comportamiento del río es de flujo supercrítico.
En la Fotografía mostrada en seguida se muestra el lecho del río en la zona del puente Huayllumayu.
Pág.13
Figura 4. Lecho del río en la zona de la Puente Huayllumayu. Fuente: [CONSULTOR].
Método Pendiente (%)
Pendiente uniforme 4.9%
Compensación de áreas 3.1%
Taylor-Schwarz 3.4%
Como se puede apreciar en el cuadro anterior los valores calculados con los diferentes métodos son
muy cercanos, por esa razón no haremos mayor análisis y tomaremos el promedio, por lo tanto la
pendiente representativa del cauce principal de la cuenca es 3.8%.
2.1.2. ANÁLISIS Y TRATAMIENTO DE LA INFORMACIÓN METEOROLÓGICA E HIDROMÉTRICA
2.1.2.1. Red de estaciones Meteorológicas
Dado el tamaño de la cuenca y estar clasificado como una microcuenca, se ha buscado las
estaciones más cercanas a dicha cuenca las que se muestran a continuación:
Pág.14
Figura 5. Estaciones Meteorológicas más cercanas al proyecto. Fuente: [Google Earth].
Según el SENAMHI cercanos al proyecto solo se encuentra la estación de Yauri, la otras estaciones
están muy lejos de la zona.
Es importante indicar que el manejo de las estaciones meteorológicas en el Perú es responsabilidad
del Senamhi. Ahora bien es importante indicar que dada la lejanía de las otras estaciones de la
cuenca, no tiene sentido hidrológico darle mayor importancia a la distribución espacial de la
precipitación dentro la cuenca en estudio, por lo tanto, se trabajara solo con la estación de Yauri la
cual será la representativa del ámbito de estudio.
2.2. EVENTOS EXTREMOS
2.2.1. Precipitación o agua de lluvia

“Se aplica el término precipitación al agua, ya sea en estado líquido o sólido, que llega a tierra procedente de la
atmósfera. Lo son, pues, la lluvia y la nieve, pero también el granizo, el rocío y la escarcha, aunque, en general, sólo las
dos primeras contribuyen significativamente a las cantidades totales de precipitación.” [Casas y Alarcón, 1999].
El génesis de las lluvias intensas en la zona del proyecto tiene su origen en el desplazamiento de la Alta de
Bolivia hacia los andes peruanos. Según Chereque [1989] y Chávez [1994], las nubes vienen cargadas de
vapor de agua de la Amazonía.
Para el desarrollo del presente proyecto se consideró la estación Yauri:
Cuadro 1: Características de la estación Pluviométrica.
Pág.15
Ahora bien, la información de la altura de precipitación está dada de forma puntual, sin embargo, para
trabajos de ingeniería es necesario determinar una altura de precipitación media o representativa de la
cuenca o zona de trabajo.
Para el proyecto en particular se tomara como precipitación representativa la precipitación registrada en la
estación de Yauri.
Esto es justificable, porque lo más probable es que se encuentre ausencia de datos de precipitación dentro
de la cuenca, además las estaciones periféricas se encuentran tan alejadas que no tiene sentido plantear
variaciones en la distribución espacial de la precipitación a partir de dichas estaciones [Martínez, 1999].
2.2.2. Particularidades del modelo hidrologico a utilizar

La mayoría de fenómenos hidrológicos requieren ser tratados como modelos matemáticos conceptuales,
debido a la complejidad de estos fenómenos [Ponce, 1989]. Según Chow et al. [1994] y Gómez [2004], si
consideramos la cuenca hidrológica objeto de estudio como un sistema hidrológico, el proceso que se
produce en ella sería: considerar a la lluvia como una señal de entrada que sufre una modificación debida a
las características de la cuenca (proceso lluvia–escorrentía), para luego transformarse en una señal de salida
como el hidrograma.
De acuerdo al párrafo anterior las entradas y salidas del sistema hidrológico son el hietograma de diseño
( I (t ) ) y el hidrograma resultante ( Q (t ) ), respectivamente.
Q (t ) = Ω I ( t )
En la ecuación anterior se puede observar la ecuación de transformación del sistema, donde el símbolo Ω
es la función de transferencia entre la entrada y salida.
Figura 6. La cuenca como un sistema hidrológico. Fuente: [Chow et al.,1994]
De acuerdo a la definición anterior es necesario determinar I (t ) . En este capítulo se busca determinar el

hietograma de diseño, necesario para posteriormente determinar el caudal de diseño.
El llamado hietograma de diseño es también conocido como tormenta de diseño, en realidad no es más que
la distribución temporal de la lluvia. Para ello, según Gómez [2004], en este tipo de análisis se puede
emplear información pluviométrica registrada u obtenida a partir de las curvas IDF:
• “Lluvias históricas registradas y que produjeron serias consecuencias desde el punto de vista de inundación
en la cuenca, y que dejaron además secuelas en la memoria histórica de la población. Se trataría de un proceso
de diseño de una infraestructura (encauzamiento, etc) cuyo objetivo final es que si se volviera a dar una
precipitación igual a la que se registró ese día, no se produjeran inundaciones. Este criterio no está basado en
consideraciones estadísticas de riesgo, sino que se asocia a un suceso concreto. Es fácilmente explicable a la
población, e incluso se puede ilustrar con documentación de los efectos producidos por la inundación
histórica, indicando que esos daños ya no se producirán con las nuevas actuaciones.”
Pág.16
• “Lluvias de proyecto, obtenidas a partir de información globalizada en forma de curvas Intensidad–

Duración–Frecuencia (IDF). Podemos definir a esta lluvia de proyecto como una lluvia tipo, o lluvia sintética
que se puede asociar a un cierto periodo de retorno, y se admite (a pesar de que no sea estrictamente cierto)
que el caudal de escorrentía calculado a partir de esta lluvia de proyecto tiene el mismo periodo de retorno.
Esta idea introduce un concepto de seguridad/riesgo, al asociar una noción de periodo de retorno al
hietograma de lluvia a utilizar, y por ende al caudal de diseño.”
El anterior párrafo se refiere a la llamada Lluvia de proyecto, obtenida a partir de información globalizada
en forma de curvas Intensidad–Duración–Frecuencia. Podemos definir a esta lluvia de proyecto como una
lluvia tipo, o lluvia sintética que se puede asociar a un cierto periodo de retorno, y se admite que el caudal
de escorrentía calculado a partir de esta lluvia de proyecto tiene el mismo periodo de retorno. Esta
alternativa, es uno de los métodos que más adeptos ha ganado dentro de los hidrólogos, por considerar
criterios de riesgo y falla
2.2.3. Registro de precipitaciones
N° Año Pmáx24h (mm)
1 1990 18.7
2 1991 14
3 1992 16.4
4 1993 22
5 1994 20.1
6 1995 10.5
7 1996 17.2
8 1997 35
9 1998 31.5
10 1999 32.8
11 2000 31.7
12 2001 53.8
13 2002 60.6
14 2003 19
15 2004 23.5
16 2005 29.5
17 2006 27
18 2007 15
19 2008 60
Pág.17
20 2009 18.6
21 2010 9.6
Cuadro 2: Registro de precipitaciones Máximas de 24 Horas.
2.2.4. Análisis de los datos pluviométricos
2.2.4.1. Conceptos teóricos del análisis probabilístico

“Los sistemas hidrológicos son afectados algunas veces por eventos extremos, tales como tormentas severas, crecientes
y sequías. La magnitud de un evento extremo está inversamente relacionada con su frecuencia de ocurrencia, es decir,
eventos muy severos ocurren con menor frecuencia que eventos más moderados. El objetivo del análisis de frecuencia
de información hidrológica es relacionar la magnitud de los eventos extremos con su frecuencia de ocurrencia mediante
el uso de distribuciones de probabilidad” [Chow et al., 1994].
El análisis de frecuencia de eventos extremos tiene muchas aplicaciones en ingeniería Civil, por ejemplo el
análisis de frecuencia de caudales máximos se puede usar para el diseño de presas, puentes, alcantarillas,
estructuras de control de crecientes y para delimitar áreas inundables [Chow et al., 1994]. Se puede hacer el
mismo análisis para determinar la velocidad máxima del viento a determinada probabilidad, que es de
interés para un ingeniero que desea diseñar un edificio alto seguro; o bien si se quiere determinar cierta
magnitud sísmica en determinada zona geográfica; podría también analizarse los niveles del mar o bien las
alturas máximas de las olas, para diseñar cierta estructura marítima [Kottegoda y Rosso, 2008].
El análisis de frecuencia puede ser clasificado en local y regional, esto desde el punto de vista de la
extensión espacial de la información. El análisis de frecuencia local es hecho sobre una única serie de
observaciones de cierta variable hidrometeorológica, en determinada estación. En cambio, el análisis de
frecuencia regional hace uso de la información de varias estaciones de una región geográfica, en el análisis
regional la información es agrupada en conjuntos que presentan semejanza fisiográfica, climática y/o
estadística [Naghettini y De Andrade, 2007].
En general, el procedimiento para el análisis de frecuencia local es el siguiente:
• Elegir por utilizar series anuales o series de duración parcial.
• Garantizar la calidad de las observaciones muestrales.
• Verificar las hipóproyecto básicas de todo análisis de frecuencia convencional: independencia,
homogeneidad, y estacionariedad de la serie de datos.
• Proponer ciertos modelos probabilísticos o distribuciones de probabilidad.
• Estimar los parámetros de los modelos propuestos.
• Realizar pruebas de bondad de ajuste de los modelos propuestos.
• Seleccionar el modelo probabilístico que describa mejor el comportamiento del fenómeno en
análisis.
• Estimar los cuantiles o eventos de diseño para determinados periodos de retorno.
En la estimación de cuantiles hay dos tipos de errores inherentes. El primero surge de suponer que los
datos observados siguen una distribución específica, este error puede ser revisado usando pruebas de
bondad de ajuste; el segundo tipo de error se debe a que los parámetros de la distribución elegida son
estimados a partir de muestras pequeñas, este error puede reducirse usando métodos de estimación de
parámetros con mínima varianza [Rao y Hamed, 2000].
Pág.18
2.2.4.2. Periodos de retorno y análisis de riesgo de falla en diseño urbano
“Es el intervalo promedio de tiempo en años, dentro del cual un evento de magnitud x puede ser igualado o
excedido, por lo menos una vez en promedio. Así, si un evento igual o mayor a x , ocurre una vez en Tr años,
su probabilidad de ocurrencia P , es igual a 1 en Tr casos” [Villón, 2005], es decir:
1
P (X ≥ x ) =
Tr
Y despejando el periodo de retorno:
1
Tr =
P(X ≥ x )
Si P( X ≥ x) es la probabilidad de excedencia, entonces la probabilidad de no excedencia es:

P( X < x ) = 1 − P( X ≥ x )
1
P( X < x) = 1−
Tr
En este acápite se lleva a cabo un análisis crítico de la determinación del periodo de retorno real, siguiendo
criterios de riesgo; el cual se basa en la determinación a priori del riesgo que se desea asumir, en caso
fallara la estructura dentro del tiempo de vida esperada. La ecuación que relaciona las variables antes
mencionadas es [Chow et al., 1994; McCuen, 1998; Monsalve, 1999; Villón, 2002].
n
 1
R = 1 − 1 − 
 Tr 
Donde:
R : Riesgo.
n : Vida esperada de la estructura o tiempo de exposición.
Tr : Periodo de retorno real.
El riesgo, llamado también “Riesgo de Falla”, “Riesgo Hidrológico Natural de Falla” [Chow et al., 1994] o
“Riesgo Permisible” [Monsalve, 1999], es definido “como la probabilidad de que sí se produzca alguna vez un
suceso de periodo de retorno Tr a lo largo de un periodo de n años” [Sánchez, 2004]. Sin duda la determinación
de este parámetro es muy complejo, se sabe que depende de factores económicos, sociales y técnicos [MTC,
2008].
Considerando que siempre es posible una falla hidráulica, obstrucción de los ríos por parte de la población
o que puedan darse circunstancias accidentales (hundimiento o falla estructural, bloqueo por arrastres de
materiales sólidos, etc.) que generen un desastre.
Cualquier diseño en el campo de la Ingeniería Hidráulica e Hidrológica asume una vida esperada de la
instalación, de manera que se espera que durante ese periodo de tiempo se cumplan las especificaciones y
criterios utilizados en su diseño; sin embargo, en instalaciones grandes, léase encauzamientos, grandes
conducciones, etc. este concepto de vida esperada no está tan claramente establecido [Gómez, 2004]. La
vida esperada de la estructura o tiempo de exposición.
Para el proyecto en particular asumiremos un riesgo Admisible de 30% y un tiempo de vida útil de 10 años,
con lo cual tenemos que:
Pág.19
10
 1 
0.3 = 1 − 1 − 
 Tr 
Finalmente obtenemos un periodo de retorno de 28.53 años. Por temas practicidad consideraremos un
periodo de retorno de 30 años, lo cual supone que en promedio existe un riesgo del 30 % de que algún
evento supere el evento de diseño durante los 10 años de exposición o vida útil de la estructura.
2.2.4.3. Análisis estadístico previo de los datos hidrológicos

Para que los resultados del análisis probabilístico de estimación de valores máximos asociados a una
determinada probabilidad de excedencia, sean teóricamente válidos.
En un contexto hidrológico aleatoriedad significa básicamente que las fluctuaciones de la variable son
originadas por causas naturales. Por ejemplo, las crecientes observadas aguas abajo de un embalse no
pueden ser consideradas aleatorias. En cambio, la independencia se refiere a que ningún dato de la serie
está influenciado por valores anteriores, o que él no influye en los subsecuentes.
Por otra parte, la homogeneidad implica que todos los datos de la serie proceden de una sola población;
entonces las series de crecientes en que éstas se originan por fusión de nieve y por lluvias, probablemente
son no homogéneas. Finalmente, la estacionalidad significa que, excluyendo las fluctuaciones aleatorias, la
serie de datos es invariante con respecto al tiempo. Lógicamente, la no estacionalidad incluye saltos,
tendencias y ciclos.
En las series de crecientes, los saltos se originan por cambios abruptos en la cuenca o en el río como es la
construcción de un embalse; las tendencias se pueden originar por cambios graduales en el uso del suelo, o
bien por la urbanización, y los ciclos generalmente se asocian a las fluctuaciones climáticas de largo plazo.
En cambio, en la series de lluvias máximas o intensidades los saltos se originan por cambios en la
ubicación, en el aparato o en el operador y las tendencias básicamente por la urbanización.
2.2.5. Predicciones con la distribución Normal (N).

La Función de Densidad de Probabilidad (FDP) de la distribución Normal está definida por la siguiente
expresión [Ponce, 1989; Aparicio, 1992; Rao y Hamed, 2000; Villón, 2005; Naghettini y De Andrade, 2007;
MTC, 2008; Wilks, 2011]:
2
1  x−µ 
1 −  
f ( x) = e 2 σ 
σ 2π
Con: −∞< x < +∞
Los parámetros de la distribución Normal son dos: el de posición (µ ) y el de escala (σ ) .
Si se realiza una transformación lineal de la variable aleatoria ( X ) , se obtiene la denominada variable

aleatoria estandarizada (z ) , así:
x−µ
z=
σ
Entonces la función de distribución que se obtiene al realizar tal transformación, es llamada Función de
Densidad de Probabilidad Normal estándar:
z2
1 −
f ( z) = e 2
2π
La Función de Distribución Acumulada (FDA) Normal se define por la expresión:
Pág.20
2
x 1  x−µ 
1 −  
F ( x) = ∫ e 2 σ 
dx
− ∞σ 2π
De forma similar para la FDA Normal estándar:
z z2
1 −2
F ( z) = ∫
−∞ 2π
e dz
Las dos restricciones más importantes de la distribución Normal son su rango de variación continuo, es
decir que está definida tanto para valores positivos de la variable aleatoria, como para valores negativos; y
la segunda limitación es que posee un sesgo o asimetría nula, contrario al comportamiento sesgado de la
mayoría de las variables hidrológicas [Chow et al., 1994].
2.2.5.1. Estimación de parámetros por el método de Máxima verosimilitud.
• Parámetro de posición:
1 n
µ= ∑ xi = x
n i =1
• Parámetro de escala:
∑ (x − µ )
i =1
i
2
σ= =Sx
n −1
El parámetro µ es estimado por la Media muestral y el parámetro σ por la Desviación estándar muestral.
2.2.5.2. Proceso de cálculo para la obtención de la FDA Normal.

El procedimiento que a continuación se describe corresponde al uso de una función de aproximación para
el cálculo de la FDA Normal estándar (F ( z ) ) , y por consiguiente para obtener F (x) , pues F ( x ) = F ( z ) .
−8
El error en el cálculo de F (z ) , usando la función de aproximación es menor a 7.5×10 .
1. Cálculo de la variable aleatoria estandarizada (z ) .

2. Cálculo de la FDP Normal estándar ( f ( z ) ).
3. Cálculo de la FDA Normal estándar (F ( z ) ) , a través de la siguiente aproximación numérica
[Abramowitz y Stegun, 1965]:
o Si 0 ≤ z < +∞ :
(
F ( z ) ≈ 1 − f ( z ) ⋅ b1 t + b 2 t 2 + b3 t 3 + b 4 t 4 + b5 t 5 )
Donde:
1
t=
1+ 0.2316419 z
b1 = 0 .319381530
b 2 = − 0 .356563782
Pág.21
b3 = 1.781477937
b 4 = − 1 .821255978
b5 = 1.330274429
o Si − ∞ < z < 0 :
F (− z ) = 1 − F ( z )
2.2.5.3. Proceso de cálculo para la estimación de cuantiles.

El procedimiento descrito a continuación corresponde también al uso de una función de aproximación para
el cálculo de la inversa de la FDA Normal estándar, es decir z . El error en el cálculo de z , usando la
−4
función de aproximación es menor a 4 .5×10 .
1. Cálculo de la variable aleatoria estandarizada ( z ) , a través de la siguiente aproximación numérica

[Abramowitz y Stegun, 1965]:
o Si 0 < F ( z ) ≤ 0.5 :
c0 + c1 w + c 2 w 2
z= −w
1+ d1 w + d 2 w 2 + d 3 w3
Donde:
 1 
w = ln  

 (F ( z ) )
2

c0 = 2.515517
c1 = 0 .802853
c 2 = 0 .010328
d 1 = 1 .432788
d 2 = 0 .189269
d 3 = 0.001308
o Si 0.5 < F ( z ) <1 :
c0 + c1 w+ c2 w2
z = w−
1+ d1w+ d 2 w2 + d 3 w3
Donde:
 1 
w = ln  

 (1− F ( z ) )
2

2. Cálculo del cuantil ( xTr ) :
Pág.22
xTr = µ + σ ⋅ z
2.2.6. Predicciones con la distribución Log-Normal de 2 parámetros (LN2).

La Función de Densidad de Probabilidad (FDP) de la distribución Log-Normal de 2 parámetros está
definida por la siguiente expresión [Rao y Hamed, 2000; Villón, 2005; Naghettini y De Andrade, 2007; MTC,
2008; Wilks, 2011]:
2
1  ln ( x )− µ y 
−  
1 2  σy 

f ( x) = e
xσ y 2π
Con: 0 < x < +∞

Los parámetros de la distribución LN2 son: el de escala (µ ) y el de forma (σ ) .
y y
Si los logaritmos naturales de la variable aleatoria siguen una distribución Normal, entonces se dice que la
variable aleatoria sigue una distribución Log-Normal. Siendo así, los parámetros µ y y σ y se calculan a
partir de y = ln(x ) .
La variable aleatoria estandarizada (z ) , entonces sería:
ln (x )− µ y y−µ y
z= =
σy σy
A partir de esta transformación se obtiene la FDP Normal estándar ( f ( z ) ).
La Función de Distribución Acumulada (FDA) Log-Normal de 2 parámetros se define por la expresión:
2
1  ln ( x )− µ y 
x −  
1 2  σy 
F ( x) = ∫ e 
dx
0 xσ y 2π
Así también para la FDA Normal estándar se tiene:
z z2
1 −2
F ( z) = ∫
−∞ 2π
e dz
La ventaja de la distribución Log-Normal de 2 parámetros sobre la distribución Normal es que está

definida para valores positivos de la variable aleatoria, además de que la transformación logarítmica
reduce el sesgo positivo generalmente encontrado en las series de información hidrológica; en contraparte a
esto, se requiere que los logaritmos de la variable aleatoria se distribuyan simétricamente [Chow et al.,
1994].
1 n 1 n
µy = ∑ i n∑
n i =1
ln ( x ) =
i =1
yi = y
• Parámetro de forma:
Pág.23
n n
∑ (ln (x )− µ )
i =1
i y
2
∑ (y − µ )
i =1
i y
2
σy= = =S y
n −1 n −1
Los parámetros µ y y σ y son estimados respectivamente por la Media y Desviación estándar muestral de
los logaritmos naturales de la variable aleatoria, es decir de y = ln(x ) .
2.2.6.2. Proceso de cálculo para la obtención de la FDA Log-Normal de 2 parámetros.

Se sigue el mismo procedimiento descrito para la obtención de la FDA Normal, pero considerando que
ahora la variable aleatoria estandarizada es:
ln (x )− µ y y−µ y
z= =
σy σy

El procedimiento de cálculo es el mismo que fue descrito para la distribución Normal, con la única
diferencia que el cálculo del cuantil ( xTr ) se realiza con la siguiente expresión:
(µ y + σ y ⋅ z )
xTr = e
2.2.7. Predicciones con la distribución Log-Normal de 3 parámetros (LN3).

La Función de Densidad de Probabilidad (FDP) de la distribución Log-Normal de 3 parámetros está
definida por la siguiente expresión [Rao y Hamed, 2000; Villón, 2005; Naghettini y De Andrade, 2007; MTC,
2008]:
2
1  ln ( x − x0 )− µ y 
−  
1 2  σy 

f ( x) = e
(x − x0 )σ y 2π
x 0 ≤ x < +∞
Con:
Los parámetros de la distribución LN3 son: el de posición (x0 ) , el de escala (µ y ) y el de forma (σ ) . El

y
cálculo de los parámetros se realiza a partir de y = ln (x − x0 )

La variable aleatoria estandarizada (z ) es:
ln ( x − x0 )− µ y y−µy
z= =
σy σy
A partir de esta transformación se obtiene la FDP Normal estándar ( f ( z ) ).
La Función de Distribución Acumulada (FDA) Log-Normal de 3 parámetros se define por la expresión:
2
1  ln ( x − x0 )− µ y 
x −  
1 2  σy 
F ( x) = ∫ (x − x )σ
x0 0 y 2π
e 
dx
De la misma manera para la FDA Normal estándar se tiene:
Pág.24
z z2
1 −2
F (z) = ∫
−∞ 2π
e dz
n σ y 2 − µ y n ln (xi − x0 )
∑
i =1 xi − x 0
+∑
i =1 xi − x 0
=0
Para el cálculo del parámetro x 0 es necesario un proceso iterativo; sin embargo Stedinger, Vogel y
Foufoula-Giorgiou [1993], sostienen que un estimador simple y eficiente de x 0 es:
2
x1 xn − xmed
x0 =
x1 + xn − 2 xmed
Donde:
x1 : Mínimo valor de la muestra.

x n : Máximo valor de la muestra.
x med : Mediana de la muestra.
Si x1 + x n − 2 x med > 0 , entonces x 0 representa el límite inferior, por lo que los parámetros µ y y
σ y se estiman a partir de y = ln ( x − x 0 ) .
Si x1 + x n − 2 x med < 0 , entonces x 0 representa el límite superior, por lo que los parámetros µy y
σ y se estiman a partir de y = ln ( x0 − x ) .
1 n 1 n
µy = ∑
n i=1
ln( xi − x0 )= ∑ yi = y
n i=1
o Parámetro de forma:
n n
∑ (ln (x − x )− µ )
i =1
i 0 y
2
∑ (y − µ )
i =1
i y
2
σy= = =S y
n −1 n −1
Los parámetros µ y y σ y son estimados respectivamente por la Media y Desviación estándar muestral de
y = ln ( x − x 0 ) .
2.2.7.2. Proceso de cálculo para la obtención de la FDA Log-Normal de 3 parámetros.

Se sigue el mismo procedimiento descrito para la obtención de la FDA Normal, pero considerando que la
variable aleatoria estandarizada es:
Pág.25
ln ( x − x0 )− µ y y−µ y
z= =
σy σy

El procedimiento de cálculo es el mismo que fue descrito para la distribución Normal, con la única
diferencia que el cálculo del cuantil ( xTr ) se realiza con la siguiente expresión:
(µ y +σ y ⋅ z )
xTr = x 0 + e
2.2.8. Predicciones con la Distribución Log-Pearson tipo III (LPIII).

La Función de Densidad de Probabilidad (FDP) de la distribución Log-Pearson tipo III está definida por la
siguiente expresión [Ponce, 1989; Rao y Hamed, 2000; Villón, 2005; Naghettini y De Andrade, 2007; MTC,
2008]:
(ln ( x )− x0 )
−
f ( x) =
(ln (x )− x0 ) γ −1
e β
xβ γ Γ (γ )
Con: x0 ≤ x < +∞ , − ∞ < x0 < +∞ , 0 < γ < +∞ y 0< β < +∞
Γ (γ ) es la función Gamma completa, la cual se define como sigue:
∞
Γ(γ ) = ∫ x γ −1e − x dx
0
Los parámetros de la distribución LPIII son: el de posición ( x0 ) , el de forma (γ ) y el de escala (β ) .
La variable aleatoria reducida ( y ) , sería:
ln (x )− x0 x '− x 0
y= =
β β
A partir de esta transformación se obtiene la FDP Gamma reducida ( g ( y )) .
La Función de Distribución Acumulada (FDA) Log-Pearson tipo III se define por la expresión:
(ln ( x )− x0 )
−
x
(ln (x ) − x0 ) γ −1
e β
F ( x) = ∫
x0
xβ γ Γ(γ )
dx
De forma similar para la FDA Gamma reducida:

y
y γ −1e − y
G( y) = ∫ dy
0
Γ(γ )
2.2.8.1. Estimación de parámetros por el método de Momentos.

2S x'
x 0 = x '−
Cs'
• Parámetro de forma:
Pág.26
4
γ= 2
Cs '
Cs ' S x'
β=
2
Los parámetros x 0 , γ y β son estimados a partir de la Media ( x ') , Desviación estándar (S x ' ) y
Coeficiente de asimetría muestral (C s ' ) de x '= ln ( x ) .
2.2.8.2. Proceso de cálculo para la obtención de la FDA Log-Pearson tipo III.

El procedimiento que a continuación se describe corresponde al cálculo de la FDA Gamma reducida
(G ( y ) ) por desarrollo de series, de ésta manera se obtiene la FDA Gamma, pues F ( x ) = G ( y ) .
1. Cálculo de la variable aleatoria reducida ( y ) .
2. Cálculo de la función Gamma completa Γ (γ ) de forma aproximada, usando la serie asintótica de
Stirling [Abramowitz y Stegun, 1965]:
2π  b c d e f g h 
Γ(γ )= γ γ e −γ ⋅ a + + 2 + 3 + 4 + 5 + 6 + 7 +L
γ  γ γ γ γ γ γ γ 
Donde:
a =1
1
b=
12
1
c=
288
139
d =−
51840
571
e=−
2488320
163879
f =
209018880
5246819
g=
7524679680 0
534703531
h=−
9029615616 00
3. Cálculo de la FDA Gamma reducida (G ( y ) ) , a través del desarrollo de la serie [Villón, 2005]:
e−y p y γ + i −1
G ( y) = ∑
Γ (γ ) i =1 k
∏ (γ + j − 1)
j =1
Pág.27
Donde:
ln (x )− x0 x '− x 0
y= =
β β

El procedimiento de cálculo es el mismo que fue descrito para la distribución Gamma de 2 parámetros, con
la única diferencia que el cálculo del cuantil ( xTr ) se realiza con la siguiente expresión:
 2 
 x0 + χ β 
 2 
 
xTr = e
2.2.9. Distribución Gumbel o de Valores Extremos tipo I (EVI).

La Función de Distribución Acumulada (FDA) de la distribución Gumbel está definida por la siguiente
expresión [Ponce, 1989; Rao y Hamed, 2000; Villón, 2005; Naghettini y De Andrade, 2007; MTC, 2008;
Wilks, 2011]:
 x−µ 
− 
 α 
F ( x ) = e −e
Con −∞ < x < +∞ , −∞ < µ < +∞ y 0 <α < +∞
Los parámetros de la distribución EVI son dos: el de posición (µ ) y el de escala (α ) .
Si se realiza una transformación de la variable aleatoria ( X ) , se obtiene la denominada variable aleatoria

reducida ( y ) , así:
x−µ
y=
α
Entonces la función de distribución que se obtiene al realizar tal transformación, es llamada Función de
Distribución Acumulada Gumbel reducida:
−y
G ( y ) = e −e
La Función de Densidad de Probabilidad (FDP) Gumbel se obtiene luego de derivar la FDA, entonces:
 x−µ 
 x−µ  −  α 

1 − −e
 α 
f ( x) = e
α
De forma similar para la FDP Gumbel reducida:
1 −y
g ( y ) = e − y −e
α
La gran limitación de la distribución Gumbel es que posee un coeficiente de asimetría fijo e igual a 1.14; lo
cual conllevaría a subestimaciones de los cuantiles, si la asimetría muestral fuera superior a 1.14, así
también se obtendrían sobreestimaciones de los cuantiles, si la asimetría muestral fuera inferior a 1.14 [De
Salas, 2004]. Se puede entonces afirmar que mientras más próximo a 1.14 esté el Coeficiente de asimetría
muestral, se obtendrá un mejor ajuste y por consiguiente serán mejores las estimas o predicciones.
2.2.9.1. Estimación de parámetros por el método de Momentos.
Pág.28
6
α= Sx
π
El parámetro α en su forma original fue definido como:
S
α= x
σy
Donde σ y corresponde a la Desviación estándar poblacional de los valores que toma la variable
aleatoria reducida ( y ) [Sánchez, 2004], es decir:
  m 
y = − ln(− ln(P( x) ))= − ln −ln  
  n +1  
σ y depende únicamente del tamaño de la muestra. Sin embargo, conforme el tamaño muestral sea
mucho más grande, es decir que n → +∞ , el valor de σ y tiende al valor π 6 [Ponce, 1989].
o Parámetro de posición:
µ = x − Cα
 1 1 1 1 
C = lim1 + + + + L + − ln(n )
n→∞
 2 3 4 n 
C = 0.57721566490153286061K
El parámetro µ en su forma original fue definido como:
µ = x − µ yα
Donde µ y corresponde a la Media poblacional de los valores que toma la variable aleatoria
reducida ( y ) [Sánchez, 2004].
µ y depende únicamente del tamaño de la muestra. Sin embargo, conforme el tamaño muestral
tienda al infinito, el valor de µ y tiende al valor 0.5772 , que es la denominada Constante de Euler
(C ) [Ponce, 1989].
Los parámetros α y µ son estimados a partir de la Media ( x ) y Desviación estándar muestral (S x ) de la
variable aleatoria.
2.2.9.2. Proceso de cálculo para la obtención de la FDA Gumbel.

El procedimiento para el cálculo de la FDA Gumbel es sencillo, puesto que ésta ha sido definida de manera
explícita. Sabiendo que F ( x ) = G ( y ) , se procede de la siguiente manera:
1. Cálculo de la variable aleatoria reducida ( y ) .

2. Cálculo de la FDA Gumbel reducida (G ( y ) ) .
1. Cálculo de la variable aleatoria reducida ( y ) :
Pág.29
y = − ln (− ln (F ( x ) ))
2. Cálculo del cuantil ( xTr ) :
x Tr = µ + α ⋅ y
2.2.10. Pruebas de bondad de ajuste

Las pruebas de bondad de ajuste tienen el objetivo de comprobar cuan bien describe un modelo teórico de
distribución de probabilidades, el comportamiento probabilístico de una variable aleatoria.
El método clásicamente utilizado en Hidrología es la prueba estadística de Kolmogorov-Smirnov, también
son útiles los controles visuales o ajustes gráficos, además de pruebas que miden el desempeño de los
modelos adoptados, como por ejemplo el Error Estándar de Ajuste o el Coeficiente de determinación.
2.2.10.1. Ajuste gráfico.

Es posible realizar un ajuste gráfico partiendo de la comparación de las FDP empíricas con las FDP teóricas,
o también comparando las FDA empíricas con las FDA teóricas, ésta última comparativa puede ser hecha
también en papeles probabilísticos especialmente preparados [Villón, 2005]. El ajuste gráfico sólo se utiliza
como una primera aproximación, es necesario verificar la bondad del ajuste a través del uso de métodos
estadísticos válidos o bien utilizando otros criterios cuantitativos bien sustentados.
En la presente proyecto se realizó el ajuste gráfico comparando las FDA empíricas y teóricas, este análisis se
realízó para todas las distribuciones teóricas planteadas (N, LN2, LN3, LPIII y EVI), siempre y cuando los
parámetros estimados de las funciones de distribución fueran consistentes.
Se muestra a continuación los ajustes gráficos de las distribuciones de probabilidad que mejor ajustaron en
cada estación pluviométrica considerada en el presente estudio.
2.2.10.2. Prueba Kolmogorov-Smirnov.

La prueba de bondad de ajuste Kolmogorov-Smirnov o prueba K-S mide la máxima diferencia absoluta
entre las probabilidades acumuladas teóricas y las probabilidades acumuladas empíricas, el estadístico que
define la prueba es entonces:
∆ = máx F ( x )− P ( x )
Donde:
F ( x ) : Probabilidad acumulada teórica.
P ( x ) : Probabilidad acumulada empírica.
F ( x ) es calculada a partir de la distribución de probabilidad adoptada, y P ( x ) se calcula con el uso de
alguna fórmula de posición de graficación.
Luego el estadístico ∆ se compara con cierto valor crítico del estadístico de prueba, designado como ∆0 .
El estadístico tiene una distribución que es independiente del modelo probabilístico propuesto, lo cual
conlleva a que la función de distribución de ∆ sea evaluada tan solo en función del tamaño muestral (n )
[Canavos, 1988]. Los valores críticos del estadístico ∆ corresponden a un nivel de significación α ,
típicamente se han usado niveles de significación (α ) de 10%, 5% y 1%, siendo más común el uso de
α =0.05 o α =5% [Aparicio, 1991; Chow et al., 1994].
Criterio de decisión:
Pág.30
Al comparar el estadístico de prueba con su respectivo valor crítico, se pueden tomar las siguientes
decisiones [Aparicio, 1991; Villón, 2005]:
• Si ∆ < ∆ 0 , entonces se acepta la hipóproyecto de que los datos se ajustan a la función de
distribución de probabilidad propuesta, con un nivel de significación α o una probabilidad o
nivel de confianza 1−α .
• Si ∆ ≥ ∆ 0 , entonces se rechaza la hipóproyecto de que los datos se ajustan a la función de
distribución de probabilidad propuesta, con un nivel de significación α o una probabilidad o
nivel de confianza 1−α .
La prueba K-S es en general superior a la prueba χ2 cuando se tratan variables aleatorias continuas,
puesto que no se necesita agrupar los datos, además esta prueba es aplicable también a muestras pequeñas
[Canavos, 1988].
El criterio que se sigue para preferir una distribución respecto de otra, luego de haber probado la adecuada
bondad de ajuste de ambos, es el de elegir a aquella distribución con el menor valor del estadístico de
prueba ∆ .
2.2.11. Selección del modelo probabilístico apropiado

Luego de haber evaluado cada una de las pruebas de bondad de ajuste expuestas en el acápite anterior,
vale decir: Ajuste gráfico y Kolmogorov-Smirnov, se determinaron las distribuciones de probabilidad o
modelos probabilísticos que mejor describían el comportamiento de la variable aleatoria, que en este caso es
la precipitación máxima de 24 horas (Pmáx24h). Los resultados de tales evaluaciones se muestran en los
siguientes cuadros y figuras, los cuales resumen el análisis de frecuencia practicado en la estación
pluviométrica de Yauri.
Ajuste de datos de Pmáx24h a la Función Ajuste de datos de Pmáx24h a la

de Distribución Normal - YAURI Función de Distribución Log-Normal
de 2 parámetros - YAURI
1.0
1.0
0.9
0.9
0.8
0.8
0.7
0.7
Probabilidad
0.6
Probabilidad
0.6
0.5
0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0.0 20.0 40.0 60.0 80.0 0.0 20.0 40.0 60.0 80.0
Variable aleatoria Variable aleatoria
Weibull F. D. Normal Weibull F. D. Log Normal 2P
Pág.31
Ajuste de datos de Pmáx24h a la Ajuste de datos de Pmáx24h a la

Función de Distribución Log-Pearson Función de Distribución Gumbel
Tipo 3 - YAURI (máximos) - YAURI
1.0 1.0
0.9 0.9
0.8 0.8
0.7 0.7
Probabilidad
Probabilidad
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0.0 20.0 40.0 60.0 80.0 0.0 20.0 40.0 60.0 80.0
Variable aleatoria Variable aleatoria
Weibull FD LOG-PEARSON TIPO 3 Weibull F. D. Gumbel
Figura 7. Ajustes gráficos de la distribución teórica y Weibull
Luego de haber realizado el análisis de frecuencia y evaluado la bondad de ajuste de cada una de las
distribuciones de probabilidad, se pudo finalmente elegir el modelo más adecuado para la serie
pluviométrica. Así, para la serie de Pmáx24h de la estación Yauri, se encontró que la distribución los
normal 2 parámetros es la que mejor se ajusta a los datos.
Contraste de las pruebas de bondad de ajuste, realizadas con las distintas

Funciones de Distribución de Probabilidades - YAURI
0.35 1.00
Delta de K-S y Error Estándar de Ajuste
0.30 0.9725 0.98

0.9817 0.9799
Coeficiente de determinación
0.25 0.96
0.20 0.94
0.15 0.1247 0.92
0.9109
0.10 0.90
0.1056
0.0864 0.0809 0.0841
0.05 0.88
0.0422 0.0480
0.0391
0.00 0.86
EVI
N
LN2
LPIII
Función de Distribución de Probabilidades
∆ ∆0 EEA R²
Figura 8. Contraste de las pruebas de bondad de ajuste.
Asimismo en la precipitación máxima de 24 horas asociado a un periodo de retorno de 30 años es de

62.8mm.
2.2.12. CURVAS INTENSIDAD-DURACIÓN-FRECUENCIA (CURVAS I.D.F.)

En el Perú la falta de registros pluviográficos que permitan determinar intensidades máximas inferiores a
24 horas, ha llevado al Servicio Nacional de Meteorología e Hidrología (SENAMHI), Universidad Nacional
de Ingeniería (UNI) e Instituto Ítalo Latino Americano (IILA), a realizar un trabajo conjunto para resolver
en parte este inconveniente; como resultado se tiene un estudio denominado Estudio de la Hidrología del Perú
[1983].
Pág.32
Posteriormente, Dick Peschke obtuvo la siguiente relación [Guevara, 1991; Villón, 2010]
0.25
 d 
Pd = Pmáx 24h 
 1440 
Donde:
Pmáx24h : Precipitación máxima en 24 horas (mm).

d : Duración (minutos).
Pd : Precipitación asociada a la duración d (mm).
Esta relación ha sido muy utilizada en todo el Perú, debido a su sencilla formulación; adoptada por el
Ministerio de Transportes y Comunicaciones (MTC) en su Manual de Hidrología, Hidráulica y Drenaje y por el
Ministerio de Agricultura en el planeamiento de eventos extremos; sin embargo, cabe mencionar la falta de
estudios recientes que le den más robustez a esta metodología.
Para la presente proyecto se ha seguido la metodología del modelo IILA-SENAMHI-UNI y Dick Peschke, el
cual consiste en determinar la precipitación total para diferentes duraciones en función de la precipitación
máxima de 24 horas para algún periodo de retorno, con el objetivo de determinar las curvas Intensidad
Duración Frecuencia (IDF).
Curva IDF Tr=30años
140.0
120.0
100.0
I (mm/h)
80.0
60.0
40.0
20.0
0.0
0 30 60 90 120 150 180
Duración (min)
Tr=30años
Figura 9. Curvas Intensidad Duración Frecuencia representativas.

Fuente: Elaboración propia.
Dado que el periodo de retorno que más se utilizara será de 30 años, se ha calculado la ecuación para este
periodo de retorno:
611.67
iTr =10 ños =
t 0.75
2.2.13. HIETOGRAMA DE DISEÑO

En este acápite se muestran los resultados obtenidos a partir de la metodología de los bloques alternados,
para un periodo de retorno de 30 años y un tiempo de duración de la tormenta Td = 120 min .
Pág.33
Hietograma de diseño
200.0
150.0
P (mm/hr)
100.0
50.0
0.0
10 20 30 40 50 60 70 80 90 100 110 120
T(min)
Tabla 3: Resultados del método de los bloques alternos.
Los bloques de lluvia mostrados en la cuarta columna de la tabla anterior se han distribuido de forma
alternada, centrando el bloque de lluvia de mayor intensidad; el segundo bloque de mayor intensidad ha
sido ubicado hacia la derecha del bloque central.
2.3. TRANSFORMACIÓN LLUVIA ESCORRENTIA
2.3.1. Tiempo de concentración

También denominado tiempo de respuesta o de equilibrio, Llamas (1993) lo define como el tiempo
requerido para que, durante un aguacero uniforme, se alcance el estado estacionario; es decir, el tiempo
necesario para que todo el sistema (toda la cuenca) contribuya eficazmente a la generación de flujo en el
desagüe. Se atribuye muy comúnmente el tiempo de concentración al tiempo que tarda una partícula de
agua caída en el punto de la cuenca más alejado (según el recorrido de drenaje) del desagüe en llegar a éste.
Esto no se corresponde con el fenómeno real, pues puede haber puntos de la cuenca en los que el agua
caída tarde más en llegar al desagüe que el más alejado. Además, debe tenerse claro que el tiempo de
concentración de una cuenca no es constante; depende de la intensidad del chubasco, aunque muy
ligeramente.
Existen diversas metodologías en la literatura bibliográfica, para este proyecto se ha considerado laFórmula
de Kirpich, desarrollada a partir de información del SCS (Soil Conservation Service) en siete cuencas
rurales de Tennessee, con canales bien definidos y pendientes de 3 a 10%; no se debe hacer ningún ajuste
para flujo superficial en suelo descubierto o para flujo en cunetas.
0.77
 L 
tc = 0.01947 ⋅  1 
 2 
S 
Dónde:
L =Longitud del cauce, m
S= Pendiente media de la cuenca, m/m
El tiempo de concentración es usado para encontrar en tiempo de retardo o recesión, el cual es necesario
para utilizar el Método del Hidrograma Unitario de la SCS.
Pág.34
0.77
 20800 
t c = 0.01947 ⋅   = 144.89 min
 1

 0.038 
2
2.3.2. Modelo del Número de Curva del SCS

El Soil Conservation Service (1972) desarrollo un método para calcular la escorrentía directa de una
precipitación. Para la lluvia como un todo, la profundidad de exceso de precipitación o escorrentía directa
Pe es siempre menor o igual a la profundidad de precipitación P; de manera similar, después de que la
escorrentía se inicia, la profundidad adicional del agua retenida Fa es menor o igual a alguna retención
potencial máxima S. Existe una cierta cantidad de precipitación Ia (abstracción inicial antes del
encharcamiento) para la cual no ocurrirá escorrentía, luego la escorrentía potencial es P – Ia. La hipótesis
del método del SCS consiste en que las relaciones de las dos cantidades reales y las dos cantidades
potenciales son iguales, encontrándose la siguiente relación para Pe:
Pe =
(P − Ia )2
P − Ia + S
La cual es la ecuación básica para el cálculo de la profundidad de exceso de precipitación o escorrentía

directa. La SCS al estudiar los resultados obtenidos para muchas cuencas experimentales desarrollo la
siguiente relación empírica.
Ia = 0.2 ⋅ S
Quedando finalmente:
Pe =
( P − 0.2 ⋅ S )
2
P + 0.8 ⋅ S
Al representar en graficas la información de P y Pe, se encontró la necesidad de estandarizarlas mediante
un número adimensional llamado Número de Curva (CN), el cual se relación con S de la siguiente manera:
25400
S= − 254
CN
Finalmente se tienen los siguientes valores del CN para las microcuencas en estudio:
Microcuenca CN
HUAYLLUNA 75
Figura 10. Número de Curva representativo de la cuenca.
2.3.3. Hidrograma unitario de la SCS

El proceso de transformar la lluvia neta en caudal se abordó en los albores de la Hidrología Urbana
mediante los mismos conceptos empleados en estudios hidrológicos de cuencas rurales. El método más
universalmente utilizado en dichos estudios es el Hidrograma Unitario y ese es el primero de los métodos
que se emplearon. El concepto existente propuesto por Sherman en los años treinta, es muy sencillo y fácil
de comprender: entendemos por hidrograma unitario la respuesta en caudal de la cuenca, ante una lluvia
unidad (1 mm) uniformemente repartida por toda la cuenca. Más tarde Nash y Dooge (1959) reformularían
el concepto, generalizando el concepto de hidrograma unitario como el hidrograma resultante de un
Pág.35
impulso de lluvia efectiva unitaria distribuido uniformemente sobre la cuenca y constante durante una
unidad de tiempo.
El hidrograma unitario instantáneo así definido considera que la transformación lluvia - caudales la de un
sistema lineal e invariable en el tiempo. En general, se suele referir a una duración cualquiera “D”, por lo
que tenemos un hidrograma como el indicado en la figura:
Figura 11. Hidrograma Unitario Fuente: [Chow].
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 retardo para la duración de exceso de precipitación, el hidrograma unitario puede estimarse a
partir del hidrograma sintético adimensional para la cuenca dada. El grafico anterior muestra uno de estos
hidrogramas adimensionales, preparado utilizando los hidrogramas unitarios para una variedad de
cuencas. Los valores de qp y Tp pueden estimarse utilizando un modelo simplificado de un hidrograma
unitario triangular tal como se muestra en la figura en donde el tiempo está dado en horas y el caudal en
m3/s.cm. 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 1.67 Tp. Como el área bajo el
hidrograma unitario debería ser igual a una escorrentía directa de 1 cm, puede demostrarse que:
CA
qp =
Tp
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
tp=0.6Tc, donde Tc es el tiempo de concentración de la cuenca. Como se muestra en El grafico anterior el
tiempo de ocurrencia del pico Tp puede expresarse en términos del tiempo de retardo tp y de la duración
de la lluvia efectiva tr.
tr
Tp = + tp
2
Pág.36
Figura 12. Hidrograma Unitario de la SCS
2.3.4. Caudal máximo de diseño

Finalmente para la determinación del hidrograma de diseño se siguen los siguientes pasos:
Determinar la precipitación efectiva con el método del número de curva.
Hallar el hidrograma unitario de la cuenca a partir hidrograma unitario sintético de la SCS.
Se determina el efecto que causa cada pulso de lluvia efectiva en la cuenca, multiplicando el
hidrograma unitario de la cuenca con dicho pulso de lluvia.
Finalmente por principio de superposición se suman los hidrogramas obtenidos en el paso anterior.
Hietograma (Tr=30 años, Td=120 min)
20
Precipitación (mm)
15
10
0
Tiempo (min)
Pe: Precipitación efectiva que produce escorrentía

A: Abstracciones totales
Figura 13. Hietograma de precipitación efectiva.
Pág.37
Hidrograma de diseño
Tr=30 años
60.0
50.0
40.0
Q (m3/s)
30.0
20.0
10.0
0.0
50.0 100.0 150.0 200.0 250.0 300.0 350.0
t (min)
Figura 14. Hidrograma de diseño.
De la figura anterior se pude observar que el Hidrograma de diseño arroja un caudal pico de 41.98m3/s
2.4. CONCLUSIONES Y RECOMENDACIONES

El caudal máximo de diseño para el punto de interés puente Huayllumayu es de 41.98m3/s
asociado a un periodo de retorno de 30 años.
El hidrograma de diseño es el siguiente:
T(min) Q(m3/s) T(min) Q(m3/s)

70.00 0.59 200.00 37.30
90.00 5.75 190.00 39.88
110.00 16.37 210.00 34.09
230.00 26.89
100.00 10.55
220.00 30.54
120.00 22.63
240.00 23.30
140.00 34.16
260.00 16.82
130.00 28.77 250.00 19.92
150.00 38.31 270.00 14.05
170.00 41.98 290.00 9.51
160.00 40.94 280.00 11.61
180.00 41.55 300.00 7.73
Pág.38
Pág.39
INFORME: ANALISIS PRELIMINAR DE DATOS
Ing. Jorge Hilario Quilla (RPC: 994604595)

DISTRIBUCIÓN DE FRECUENCIAS MUESTRAL - Yauri
1. Datos de entrada. 2. Distribución de Frecuencias.
Nº x Tamaño muestral: n = 21
2 14
3 16.4 Número de intervalos de clase, según Yevjevich:
4 22
5 20.1 NC = 1.33 ln( n) + 1
6 10.5
7 17.2 NC =5
8 35
9 31.5 Máximo valor de la muestra: x máx = 60.6
10 32.8
11 31.7 Mínimo valor de la muestra: x mín = 9.6
12 53.8
13 60.6 Rango de la muestra:
14 19 R = x máx − x mín
15 23.5
16 29.5 R = 51.0
17 27
18 15 Amplitud de los intervalos de clase:
19 60
20 18.6 R
21 9.6 ∆x =
NC − 1
∆x = 12.75
L.C.I. L.C.S. M.C. F.A.O. F.R. F.A. (1) (2)

0.00 0.00 0.00
3.23 15.98 9.60 4 0.19 0.19 38.40 1176.49
15.98 28.73 22.35 8 0.38 0.57 178.80 154.88
28.73 41.48 35.10 5 0.24 0.81 175.50 348.61
41.48 54.23 47.85 1 0.05 0.86 47.85 445.21
54.23 66.98 60.60 2 0.10 0.95 121.20 2291.65
66.98 79.73 73.35 0 0.00 0.95 0.00 0.00
86.10
Donde:
L.C.I.: Límite Inferior de Clase M.C. = xi
L.C.S.: Límite Superior de Clase
M.C.: Marca de Clase F.A.O. = fi
F.A.O.: Frecuencia Absoluta Observada
F.R.: Frecuencia Relativa (1) = xi f i
F.A.: Frecuencia Acumulada
(2) = ( x − x)2 fi
Media para datos muestrales agrupados:
1 NC
x= ∑ xi fi
n i =1
x = 26.75
Desviación estándar para datos muestrales agrupados:
NC
∑ (x
i =1
i − x ) fi
2
Sx =
n −1
Sx = 14.86
Gráficos:
Distribución de Frecuencias Distribución de Frecuencias

de la muestra - Yauri de la muestra - Yauri
1.0 0.4
0.9
0.4
0.8
Frecuencia Relativa
0.7 0.3
Probabilidad
0.6 0.3
0.5 0.2
0.4
0.2
0.3
0.2 0.1
0.1 0.1
0.0 0.0
0.00 20.00 40.00 60.00 80.00 100.00
0.00
9.60
22.35
35.10
47.85
60.60
73.35
86.10
Marca de Clase
Marca de Clase
Función Densidad Empírica
Histograma Polígono de Frecuencias
INFORME: HIDROLOGIA ESTADISTICA
Ing. Jorge Hilario Quilla (Cel: 994 604 595, 959 135 280)
RESUMEN DE RESULTADOS - YAURI
1. Resumen de predicciones realizadas para determinados Periodos de retorno.
Función de Distribución Periodo de retorno

de Probabilidades 10
Normal (N) 55.3
Log-Normal de 2 parámetros (LN2) 62.8
Log-Pearson Tipo 3 (LPIII) 65.3
Gumbel (EVI) 60.7
Contraste de predicciones de Pmáx24h, realizadas con las distintas Funciones de

Distribución de Probabilidades - YAURI
64.0
62.0
60.0
Pmáx24h (mm)
58.0
56.0
54.0
52.0
50.0
10
Periodo de retorno (años)
Normal (N) Log-Normal de 2 parámetros (LN2) Gumbel (EVI)
2. Resumen de las pruebas de bondad de ajuste realizadas.
Función de Prueba de bondad de ajuste

Distribución de Kolmogorov-Smirnov Coef. Determ. EEA
Probabilidades ∆ ∆0 R²
N 0.1247 0.3041 0.9109 0.0864
LN2 0.0809 0.3041 0.9817 0.0391
LPIII 0.1056 0.3041 0.9799 0.0422
EVI 0.0841 0.3041 0.9725 0.0480
Contraste de las pruebas de bondad de ajuste, realizadas con las distintas Funciones de
Distribución de Probabilidades - YAURI
0.35 1.00
Delta de K-S y Error Estándar de Ajuste
0.30 0.9725 0.98

Coeficiente de determinación
0.9817 0.9799
0.25 0.96
0.20 0.94
0.15 0.1247 0.92
0.10 0.9109 0.90

0.1056
0.0864 0.0809 0.0841
0.05 0.88
0.0422 0.0480
0.0391
0.00 0.86
LPIII
N
LN2
EVI
Función de Distribución de Probabilidades
∆ ∆0 EEA R²
3. Elección definitiva de la Función de Distribución de Probabilidades con el mejor ajuste.

La Función de Distribución de Probabilidades Log-Normal de 2 parámetros es la que mejor se ajusta a la
serie de datos de Precipitación máxima de 24 horas en la estación YAURI.
AJUSTE A LA FUNCIÓN DE DISTRIBUCIÓN NORMAL - YAURI
1. Datos de entrada. 2. Estimación de parámetros y proceso de cálculo.
Año Pmáx24h (mm) Nº x Weibull z f(z) t F(z)

1991 14.0 1 9.6 0.0476 -1.1697 0.2013 0.7868 0.1211
1992 16.4 2 10.5 0.0952 -1.1105 0.2153 0.7954 0.1334
1993 22.0 3 14.0 0.1429 -0.8804 0.2708 0.8306 0.1893
1994 20.1 4 15.0 0.1905 -0.8146 0.2863 0.8413 0.2076
1995 10.5 5 16.4 0.2381 -0.7226 0.3073 0.8566 0.2350
1996 17.2 6 17.2 0.2857 -0.6700 0.3187 0.8657 0.2514
1997 35.0 7 18.6 0.3333 -0.5779 0.3376 0.8819 0.2817
1998 31.5 8 19.0 0.3810 -0.5516 0.3426 0.8867 0.2906
1999 32.8 9 20.1 0.4286 -0.4793 0.3557 0.9001 0.3159
2000 31.7 10 22.0 0.4762 -0.3544 0.3747 0.9241 0.3615
2001 53.8 11 23.5 0.5238 -0.2558 0.3861 0.9441 0.3991
2002 60.6 12 27.0 0.5714 -0.0256 0.3988 0.9941 0.4898
2003 19.0 13 29.5 0.6190 0.1387 0.3951 0.9689 0.5552
2004 23.5 14 31.5 0.6667 0.2702 0.3846 0.9411 0.6065
2005 29.5 15 31.7 0.7143 0.2834 0.3832 0.9384 0.6116
2006 27.0 16 32.8 0.7619 0.3557 0.3745 0.9239 0.6390
2007 15.0 17 35.0 0.8095 0.5003 0.3520 0.8961 0.6916
2008 60.0 18 53.8 0.8571 1.7364 0.0883 0.7132 0.9588
2009 18.6 19 60.0 0.9048 2.1441 0.0401 0.6682 0.9840
2010 9.6 20 60.6 0.9524 2.1835 0.0368 0.6641 0.9855
Estimación de parámetros por el método de Máxima verosimilitud
Parámetro de posición:
1 n
x= ∑ xi
n i =1
x = 27.3900
Parámetro de escala:
∑ (x − x)
2
i
i =1
Sx =
n −1
Sx = 15.2094
Proceso de cálculo con una función de aproximación
Cálculo de la Probabilidad Empírica Acumulada por el método de Weibull:
m
P=
n +1
Cálculo de la variable aleatoria estandarizada z:
x−x
z=
Sx
Cálculo de la Función Densidad Normal Estándar:
z2
1 −
f ( z) = ⋅e 2
2π
Cálculo de la Función de Distribución Acumulada Normal Estándar
z z2
1 −
F ( z) = ∫
−∞ 2π
⋅ e 2 dz
Aproximación a la Función de Distribución Acumulada Normal Estándar [Abramowitz y Stegun, 1965]:
Este procedimiento corresponde al uso de una función de aproximación polinomial para el cálculo de
la Función de Distribución Acumulada Normal Estándar, donde el error es menor a 7.5x10-8.
(
F ( z ) ≈ 1 − f ( z ) ⋅ b1t + b2 t 2 + b3 t 3 + b4 t 4 + b5 t 5 )
b1 = 0.319381530 b2 = −0.356563782 b3 = 1.781477937
b4 = −1.821255978 b5 = 1.330274429
1
t= 0 ≤ z < +∞
1 + 0.2316419 z
Si : − ∞ < z < 0 ⇒ FDA = 1 − F ( z )
3. Ajuste gráfico.
Ajuste de datos de Pmáx24h a la Función de

Distribución Normal - YAURI
1.0
0.9
0.8
0.7
Probabilidad
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.0 20.0 40.0 60.0 80.0
Variable aleatoria
Weibull F. D. Normal
4. Predicción.
Periodo de retorno: Tr = 30 años
Probabilidad de excedencia: P( X ≥ x) = 0.0333

Probabilidad de no excedencia: P( X ≤ x) = 0.9667
F (z ) = 0.9667
Proceso de cálculo con una función de aproximación [Abramowitz y Stegun, 1965]
Este procedimiento corresponde al uso de una función de aproximación para la el cálculo de la inversa
de la Distribución Normal Estándar, donde el error es menor a 4.5x10-4.
Cálculo de w:
 1 
w= ln  
 si : 0 < F ( z ) ≤ 0.5
 ( F ( z))
2

 1 
w= ln  
 si : 0.5 < F ( z ) < 1
 (1 − F ( z ) )
2

w = 2.6081
2.515517 + 0.802853w + 0.010328w 2

z= −w si : 0 < F ( z ) ≤ 0.5
1 + 1.432788w + 0.189269 w 2 + 0.001308w 3
2.515517 + 0.802853w + 0.010328w 2
z = w− si : 0.5 < F ( z ) < 1
1 + 1.432788w + 0.189269 w 2 + 0.001308w 3
z = 1.8343
Predicción de la variable aleatoria, correspondiente al Periodo de retorno solicitado:
xTr = 55.29
5. Resultados.
Resultados encontrados:
Tr = 30 años
Pmáx24h (mm) = 55.29
BONDAD DE AJUSTE CON LA PRUEBA KOLMOGOROV-SMIRNOV - SANTO TOMAS
1. Cálculo del estadístico de Kolmogorov-Smirnov.
Nº x Weibull z f(z) t F(z) |F(z)-P(x)|

1 9.6 0.0476 -1.1697 0.2013 0.7868 0.1211 0.0734
2 10.5 0.0952 -1.1105 0.2153 0.7954 0.1334 0.0382
3 14.0 0.1429 -0.8804 0.2708 0.8306 0.1893 0.0465
4 15.0 0.1905 -0.8146 0.2863 0.8413 0.2076 0.0172
5 16.4 0.2381 -0.7226 0.3073 0.8566 0.2350 0.0031
6 17.2 0.2857 -0.6700 0.3187 0.8657 0.2514 0.0343
7 18.6 0.3333 -0.5779 0.3376 0.8819 0.2817 0.0517
8 19.0 0.3810 -0.5516 0.3426 0.8867 0.2906 0.0904
9 20.1 0.4286 -0.4793 0.3557 0.9001 0.3159 0.1127
10 22.0 0.4762 -0.3544 0.3747 0.9241 0.3615 0.1147
11 23.5 0.5238 -0.2558 0.3861 0.9441 0.3991 0.1247
12 27.0 0.5714 -0.0256 0.3988 0.9941 0.4898 0.0817
13 29.5 0.6190 0.1387 0.3951 0.9689 0.5552 0.0639
14 31.5 0.6667 0.2702 0.3846 0.9411 0.6065 0.0602
15 31.7 0.7143 0.2834 0.3832 0.9384 0.6116 0.1027
16 32.8 0.7619 0.3557 0.3745 0.9239 0.6390 0.1229
17 35.0 0.8095 0.5003 0.3520 0.8961 0.6916 0.1179
18 53.8 0.8571 1.7364 0.0883 0.7132 0.9588 0.1016
19 60.0 0.9048 2.1441 0.0401 0.6682 0.9840 0.0792
20 60.6 0.9524 2.1835 0.0368 0.6641 0.9855 0.0331
∆ = máx F (z ) − P( x )
∆ = 0.1247
2. Cálculo del valor crítico del estadístico de Kolmogorov-Smirnov.
Nivel de significación: α = 0.05
Tamaño muestral: n = 20
Valor crítico del estadístico:
Si : α = 0.20 Si : α = 0.10 Si : α = 0.05 Si : α = 0.01

1.07 1.22 1.36 1.63
∆0 = ∆0 = ∆0 = ∆0 =
n n n n
Delta = 0.3041
3. Criterio de decisión.
0.1247 = ∆ < ∆0 = 0.3041
Los datos se ajustan a la Función de Distribución Normal

con un nivel de significación de 5% o una probabilidad de 95%
BONDAD DE AJUSTE EVALUANDO CRITERIOS DE DESEMPEÑO - SANTO TOMAS
1. Cálculo del Coeficiente de determinación (R²) o Criterio de Eficiencia (CE).
Nº P(x) : Weibull F(x) (P(x)-F(x))² (P(x)-Pm(x))²

1 0.0476 0.1211 0.0054 0.2046
2 0.0952 0.1334 0.0015 0.1638
3 0.1429 0.1893 0.0022 0.1276
4 0.1905 0.2076 0.0003 0.0958
5 0.2381 0.2350 0.0000 0.0686
6 0.2857 0.2514 0.0012 0.0459
7 0.3333 0.2817 0.0027 0.0278
8 0.3810 0.2906 0.0082 0.0142
9 0.4286 0.3159 0.0127 0.0051
10 0.4762 0.3615 0.0131 0.0006
11 0.5238 0.3991 0.0156 0.0006
12 0.5714 0.4898 0.0067 0.0051
13 0.6190 0.5552 0.0041 0.0142
14 0.6667 0.6065 0.0036 0.0278
15 0.7143 0.6116 0.0106 0.0459
16 0.7619 0.6390 0.0151 0.0686
17 0.8095 0.6916 0.0139 0.0958
18 0.8571 0.9588 0.0103 0.1276
19 0.9048 0.9840 0.0063 0.1638
20 0.9524 0.9855 0.0011 0.2046
∑ (P ( x ) − F ( x) i )
2
i
2 i =1
R = 1− n
∑ (P( x) − P( x) i )
2
i
i =1
P ( x) i = 0.5000
∑ (P( x )
i =1
i − F ( x) i )
2
= 0.1344
∑ (P( x) − P ( x ) i ) = 1.5079
2
i
i =1
Coeficiente de determinación: R2 = 0.9109
2. Cálculo del Error Estándar de Ajuste (EEA) [Kite, 1977].
∑ (P( x) − F ( x) i )
2
i
i =1
EEA =
n− p
n
∑ (P( x ) − F ( x ) i ) = 0.1344
2
i
i =1
Número de parámetros de la F.D. N: p =2
Error Estándar de Ajuste: EEA = 0.0864

AJUSTE A LA FUNCIÓN DE DISTRIBUCIÓN LOG-NORMAL DE 2 PARÁMETROS - YAURI
Año Pmáx24h (mm) Nº x y = ln(x) Weibull z f(z) t F(z)

1991 14.0 1 9.6 2.3 0.0476 -1.7413 0.0876 0.7126 0.0408
1992 16.4 2 10.5 2.4 0.0952 -1.5707 0.1162 0.7332 0.0581
1993 22.0 3 14.0 2.6 0.1429 -1.0233 0.2363 0.8084 0.1531
1994 20.1 4 15.0 2.7 0.1905 -0.8920 0.2680 0.8288 0.1862
1995 10.5 5 16.4 2.8 0.2381 -0.7222 0.3074 0.8567 0.2351
1996 17.2 6 17.2 2.8 0.2857 -0.6315 0.3268 0.8724 0.2639
1997 35.0 7 18.6 2.9 0.3333 -0.4826 0.3551 0.8995 0.3147
1998 31.5 8 19.0 2.9 0.3810 -0.4421 0.3618 0.9071 0.3292
1999 32.8 9 20.1 3.0 0.4286 -0.3350 0.3772 0.9280 0.3688
2000 31.7 10 22.0 3.1 0.4762 -0.1631 0.3937 0.9636 0.4352
2001 53.8 11 23.5 3.2 0.5238 -0.0376 0.3987 0.9914 0.4850
2002 60.6 12 27.0 3.3 0.5714 0.2266 0.3888 0.9501 0.5896
2003 19.0 13 29.5 3.4 0.6190 0.3952 0.3690 0.9161 0.6536
2004 23.5 14 31.5 3.4 0.6667 0.5200 0.3485 0.8925 0.6985
2005 29.5 15 31.7 3.5 0.7143 0.5320 0.3463 0.8903 0.7026
2006 27.0 16 32.8 3.5 0.7619 0.5969 0.3338 0.8785 0.7247
2007 15.0 17 35.0 3.6 0.8095 0.7205 0.3077 0.8570 0.7644
2008 60.0 18 53.8 4.0 0.8571 1.5387 0.1221 0.7372 0.9381
2009 18.6 19 60.0 4.1 0.9048 1.7462 0.0868 0.7120 0.9596
2010 9.6 20 60.6 4.1 0.9524 1.7652 0.0840 0.7098 0.9612
Estimación de parámetros por el método de Máxima verosimilitud
Parámetro de escala:
1 n
y= ∑ yi
n i =1
y = 3.1768
Parámetro de forma:
∑ (y − y)
2
i
i =1
Sy =
n −1
S y = 0.5255
m
P=
n +1
y− y
z=
Sy
Cálculo de la Función Densidad Normal Estándar:
z2
1 −
f ( z) = ⋅e 2
2π
Cálculo de la Función de Distribución Acumulada Normal Estándar
z z2
1 −
F ( z) = ∫
−∞ 2π
⋅ e 2 dz
Aproximación a la Función de Distribución Acumulada Normal Estándar [Abramowitz y Stegun, 1965]:
Este procedimiento corresponde al uso de una función de aproximación polinomial para el cálculo de
la Función de Distribución Acumulada Normal Estándar, donde el error es menor a 7.5x10-8.
(
F ( z ) ≈ 1 − f ( z ) ⋅ b1t + b2 t 2 + b3 t 3 + b4 t 4 + b5 t 5 )
b1 = 0.319381530 b2 = −0.356563782 b3 = 1.781477937
b4 = −1.821255978 b5 = 1.330274429
1
t= 0 ≤ z < +∞
1 + 0.2316419 z
Si : − ∞ < z < 0 ⇒ FDA = 1 − F ( z )
3. Ajuste gráfico.
Ajuste de datos de Pmáx24h a la Función

de Distribución Log-Normal
de 2 parámetros - YAURI
1.0
0.9
0.8
0.7
Probabilidad
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.0 20.0 40.0 60.0 80.0
Variable aleatoria
Weibull F. D. Log Normal 2P

4. Predicción.
Probabilidad de excedencia: P ( X ≥ x ) = 0.0333

Probabilidad de no excedencia: P ( X ≤ x ) = 0.9667
F (z ) = 0.9667
Proceso de cálculo con una función de aproximación [Abramowitz y Stegun, 1965]
Este procedimiento corresponde al uso de una función de aproximación para la el cálculo de la inversa
de la Distribución Normal Estándar, donde el error es menor a 4.5x10-4.
Cálculo de w:
 1 
w= ln  
 si : 0 < F ( z ) ≤ 0.5
 ( F ( z))
2

 1 
w= ln  
 si : 0.5 < F ( z ) < 1
 (1 − F ( z ) )
2

w = 2.6081
2.515517 + 0.802853w + 0.010328w 2

z= −w si : 0 < F ( z ) ≤ 0.5
1 + 1.432788w + 0.189269 w 2 + 0.001308w 3
2.515517 + 0.802853w + 0.010328w 2
z = w− si : 0.5 < F ( z ) < 1
1 + 1.432788w + 0.189269 w 2 + 0.001308w 3
z = 1.8343
y = 4.14
xTr = 62.84
5. Resultados.
Tr = 30 años
Pmáx24h (mm) = 62.84
BONDAD DE AJUSTE CON LA PRUEBA KOLMOGOROV-SMIRNOV - YAURI
Nº x Weibull z f(z) t F(z) |F(z)-P(x)|

1 2.3 0.0476 -1.7413 0.0876 0.7126 0.0408 0.0068
2 2.4 0.0952 -1.5707 0.1162 0.7332 0.0581 0.0371
3 2.6 0.1429 -1.0233 0.2363 0.8084 0.1531 0.0102
4 2.7 0.1905 -0.8920 0.2680 0.8288 0.1862 0.0043
5 2.8 0.2381 -0.7222 0.3074 0.8567 0.2351 0.0030
6 2.8 0.2857 -0.6315 0.3268 0.8724 0.2639 0.0219
7 2.9 0.3333 -0.4826 0.3551 0.8995 0.3147 0.0186
8 2.9 0.3810 -0.4421 0.3618 0.9071 0.3292 0.0517
9 3.0 0.4286 -0.3350 0.3772 0.9280 0.3688 0.0598
10 3.1 0.4762 -0.1631 0.3937 0.9636 0.4352 0.0410
11 3.2 0.5238 -0.0376 0.3987 0.9914 0.4850 0.0388
12 3.3 0.5714 0.2266 0.3888 0.9501 0.5896 0.0182
13 3.4 0.6190 0.3952 0.3690 0.9161 0.6536 0.0346
14 3.4 0.6667 0.5200 0.3485 0.8925 0.6985 0.0318
15 3.5 0.7143 0.5320 0.3463 0.8903 0.7026 0.0116
16 3.5 0.7619 0.5969 0.3338 0.8785 0.7247 0.0372
17 3.6 0.8095 0.7205 0.3077 0.8570 0.7644 0.0451
18 4.0 0.8571 1.5387 0.1221 0.7372 0.9381 0.0809
19 4.1 0.9048 1.7462 0.0868 0.7120 0.9596 0.0549
20 4.1 0.9524 1.7652 0.0840 0.7098 0.9612 0.0089
∆ = máx F (z ) − P( x )
∆ = 0.0809
Si : α = 0.20 Si : α = 0.10 Si : α = 0.05 Si : α = 0.01

1.07 1.22 1.36 1.63
∆0 = ∆0 = ∆0 = ∆0 =
n n n n
Delta = 0.3041
0.0809 = ∆ < ∆ 0 = 0.3041
Los datos se ajustan a la Función de Distribución Log-Normal de 2 parámetros

BONDAD DE AJUSTE EVALUANDO CRITERIOS DE DESEMPEÑO - YAURI

1 0.0476 0.0408 0.0000 0.2046
2 0.0952 0.0581 0.0014 0.1638
3 0.1429 0.1531 0.0001 0.1276
4 0.1905 0.1862 0.0000 0.0958
5 0.2381 0.2351 0.0000 0.0686
6 0.2857 0.2639 0.0005 0.0459
7 0.3333 0.3147 0.0003 0.0278
8 0.3810 0.3292 0.0027 0.0142
9 0.4286 0.3688 0.0036 0.0051
10 0.4762 0.4352 0.0017 0.0006
11 0.5238 0.4850 0.0015 0.0006
12 0.5714 0.5896 0.0003 0.0051
13 0.6190 0.6536 0.0012 0.0142
14 0.6667 0.6985 0.0010 0.0278
15 0.7143 0.7026 0.0001 0.0459
16 0.7619 0.7247 0.0014 0.0686
17 0.8095 0.7644 0.0020 0.0958
18 0.8571 0.9381 0.0065 0.1276
19 0.9048 0.9596 0.0030 0.1638
20 0.9524 0.9612 0.0001 0.2046
∑ (P ( x ) − F ( x) i )
2
i
2 i =1
R = 1− n
∑ (P( x) − P( x) i )
2
i
i =1
P ( x) i = 0.5000
∑ (P( x )
i =1
i − F ( x) i )
2
= 0.0275
∑ (P( x) − P ( x ) i ) = 1.5079
2
i
i =1
∑ (P( x) − F ( x) i )
2
i
i =1
EEA =
n− p
n
∑ (P ( x ) − F ( x ) i ) = 0.0275
2
i
i =1
Número de parámetros de la F.D. LN2: p =2

AJUSTE A LA FUNCIÓN DE DISTRIBUCIÓN LOG-PEARSON TIPO 3 - YAURI
Año Pmáx24h (mm) Nº x x' = ln(x) Weibull y G(y)

1991 14.0 1 9.6 2.3 0.0476 73.0927 0.0340
1992 16.4 2 10.5 2.4 0.0952 74.7068 0.0514
1993 22.0 3 14.0 2.6 0.1429 79.8882 0.1522
1994 20.1 4 15.0 2.7 0.1905 81.1309 0.1877
1995 10.5 5 16.4 2.8 0.2381 82.7380 0.2400
1996 17.2 6 17.2 2.8 0.2857 83.5959 0.2706
1997 35.0 7 18.6 2.9 0.3333 85.0053 0.3241
1998 31.5 8 19.0 2.9 0.3810 85.3885 0.3392
1999 32.8 9 20.1 3.0 0.4286 86.4022 0.3803
2000 31.7 10 22.0 3.1 0.4762 88.0290 0.4480
2001 53.8 11 23.5 3.2 0.5238 89.2170 0.4978
2002 60.6 12 27.0 3.3 0.5714 91.7176 0.5996
2003 19.0 13 29.5 3.4 0.6190 93.3125 0.6595
2004 23.5 14 31.5 3.4 0.6667 94.4940 0.7002
2005 29.5 15 31.7 3.5 0.7143 94.6080 0.7039
2006 27.0 16 32.8 3.5 0.7619 95.2224 0.7234
2007 15.0 17 35.0 3.6 0.8095 96.3917 0.7573
2008 60.0 18 53.8 4.0 0.8571 104.1351 0.8588
2009 18.6 19 60.0 4.1 0.9048 106.0996 0.8484
2010 9.6 20 60.6 4.1 0.9524 106.2788 0.8467
Estimación de parámetros por el método de Momentos
Parámetro de forma: 0 < γ < +∞

4
γ = 2
Cs'
Cs' = 0.2113
γ = 89.5727 ==> Valor consistente
Parámetro de escala: 0 < β < +∞

Cs' S x'
β=
2
S x' = 0.5255
β = 0.0555 ==> Valor consistente
Parámetro de posición: − ∞ < x 0 < +∞

2S x '
x0 = x '−
Cs'
x ' = 3.1768
x0 = -1.7964 ==> Valor consistente
m
P=
n +1
Cálculo de la variable aleatoria reducida y:
x '− x 0
y=
β
Cálculo de la Función de Distribución Acumulada reducida:
y
y γ −1e − y
G( y) = ∫
0
Γ(γ )
dy
Cálculo de la Función de Distribución Acumulada reducida mediante la serie:
e− y p y γ +i −1
G( y) = ∑
Γ(γ ) i =1 k
∏ (γ + j − 1)
j =1
Tomando los 30 primeros términos de la anterior expresión se tiene una buena aproximación.
La función Gamma puede ser aproximada por la serie asintótica de Stirling [Abramowitz y Stegun, 1965]:
2π  b c d e f g h 
Γ(γ ) = γ γ e −γ ⋅  a + + 2 + 3 + 4 + 5 + 6 + 7 + L
γ  γ γ γ γ γ γ γ 
1 1 139 571 163879

a =1 , b = , c= , d =− , e=− , f =
12 288 51840 2488320 209018880
5246819 534703531
g= , h=−
75246796800 902961561600
Γ (γ ) 2.4E+135
3. Ajuste gráfico.

de Distribución Log-Pearson
Tipo 3 - YAURI
1.0
0.9
0.8
0.7
Probabilidad
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.0 20.0 40.0 60.0 80.0
Variable aleatoria
Weibull FD LOG-PEARSON TIPO 3

4. Predicción.

Proceso de cálculo con el uso de tablas preparadas
Este procedimiento corresponde al uso de tablas especialmente preparadas, en las cuales se ha tabulado la
Función de Distribución Acumulada Gamma. En estas tablas se ingresa con los valores de la Probabilidad de
excedencia (1-F(x)) y los Grados de libertad, la magnitud que se obtiene corresponde al valor de Chi cuadrado.
Cálculo de los grados de libertad:
ν = 2γ
ν = 179
Obtención de Chi cuadrado:
2( x '− x 0 )
χ2 =
β
2
χ = 215.2
χ 2β
x' = x0 +
2
x' = 4.18
xTr = 65.27
5. Resultados.
Tr = 30 años
Pmáx24h (mm) = 65.27
Nº x Weibull y G(y) |G(y)-P(x)|

1 2.3 0.0476 73.0927 0.0340 0.0137
2 2.4 0.0952 74.7068 0.0514 0.0438
3 2.6 0.1429 79.8882 0.1522 0.0093
4 2.7 0.1905 81.1309 0.1877 0.0027
5 2.8 0.2381 82.7380 0.2400 0.0019
6 2.8 0.2857 83.5959 0.2706 0.0151
7 2.9 0.3333 85.0053 0.3241 0.0093
8 2.9 0.3810 85.3885 0.3392 0.0417
9 3.0 0.4286 86.4022 0.3803 0.0483
10 3.1 0.4762 88.0290 0.4480 0.0282
11 3.2 0.5238 89.2170 0.4978 0.0260
12 3.3 0.5714 91.7176 0.5996 0.0281
13 3.4 0.6190 93.3125 0.6595 0.0405
14 3.4 0.6667 94.4940 0.7002 0.0335
15 3.5 0.7143 94.6080 0.7039 0.0104
16 3.5 0.7619 95.2224 0.7234 0.0385
17 3.6 0.8095 96.3917 0.7573 0.0522
18 4.0 0.8571 104.1351 0.8588 0.0017
19 4.1 0.9048 106.0996 0.8484 0.0564
20 4.1 0.9524 106.2788 0.8467 0.1056
∆ = máx G ( y ) − P( x )
∆ = 0.1056
Si : α = 0.20 Si : α = 0.10 Si : α = 0.05 Si : α = 0.01

1.07 1.22 1.36 1.63
∆0 = ∆0 = ∆0 = ∆0 =
n n n n
Delta = 0.3041
0.1056 = ∆ < ∆0 = 0.3041
Los datos se ajustan a la Función de Distribución Log-Pearson Tipo 3


1 0.0476 0.0340 0.0002 0.2046
2 0.0952 0.0514 0.0019 0.1638
3 0.1429 0.1522 0.0001 0.1276
4 0.1905 0.1877 0.0000 0.0958
5 0.2381 0.2400 0.0000 0.0686
6 0.2857 0.2706 0.0002 0.0459
7 0.3333 0.3241 0.0001 0.0278
8 0.3810 0.3392 0.0017 0.0142
9 0.4286 0.3803 0.0023 0.0051
10 0.4762 0.4480 0.0008 0.0006
11 0.5238 0.4978 0.0007 0.0006
12 0.5714 0.5996 0.0008 0.0051
13 0.6190 0.6595 0.0016 0.0142
14 0.6667 0.7002 0.0011 0.0278
15 0.7143 0.7039 0.0001 0.0459
16 0.7619 0.7234 0.0015 0.0686
17 0.8095 0.7573 0.0027 0.0958
18 0.8571 0.8588 0.0000 0.1276
19 0.9048 0.8484 0.0032 0.1638
20 0.9524 0.8467 0.0112 0.2046
∑ (P ( x ) − F ( x) i )
2
i
i =1
R2 = 1− n
∑ (P( x) − P( x) i )
2
i
i =1
P ( x) i = 0.5000
∑ (P( x ) − F ( x ) i ) = 0.0303
2
i
i =1
n
∑ (P( x) − P( x) i )
2
i = 1.5079
i =1
∑ (P( x)
i =1
i − F ( x) i )
2
EEA =
n− p
n
∑ (P ( x )
i =1
i − F ( x) i )
2
= 0.0303
Número de parámetros de la F.D. LPIII: p =3

AJUSTE A LA FUNCIÓN DE DISTRIBUCIÓN GUMBEL (MÁXIMOS) - YAURI
Año Pmáx24h (mm) Nº x Weibull y G(y)

1991 14.0 1 9.6 0.0476 -0.9229 0.0807
1992 16.4 2 10.5 0.0952 -0.8470 0.0970
1993 22.0 3 14.0 0.1429 -0.5519 0.1761
1994 20.1 4 15.0 0.1905 -0.4676 0.2027
1995 10.5 5 16.4 0.2381 -0.3495 0.2421
1996 17.2 6 17.2 0.2857 -0.2821 0.2656
1997 35.0 7 18.6 0.3333 -0.1640 0.3078
1998 31.5 8 19.0 0.3810 -0.1303 0.3201
1999 32.8 9 20.1 0.4286 -0.0375 0.3541
2000 31.7 10 22.0 0.4762 0.1227 0.4129
2001 53.8 11 23.5 0.5238 0.2492 0.4587
2002 60.6 12 27.0 0.5714 0.5443 0.5598
2003 19.0 13 29.5 0.6190 0.7551 0.6250
2004 23.5 14 31.5 0.6667 0.9238 0.6723
2005 29.5 15 31.7 0.7143 0.9407 0.6768
2006 27.0 16 32.8 0.7619 1.0334 0.7006
2007 15.0 17 35.0 0.8095 1.2189 0.7441
2008 60.0 18 53.8 0.8571 2.8043 0.9412
2009 18.6 19 60.0 0.9048 3.3271 0.9647
2010 9.6 20 60.6 0.9524 3.3777 0.9664
Estimación de parámetros por el método de Momentos
Parámetro de escala: 0 < α < +∞

6
α= Sx
π
Sx = 15.2094
α = 11.8588 ==> Valor consistente
Parámetro de posición: − ∞ < µ < +∞

µ = x − Cα
 1 1 1 1 
C = lim 1 + + + + K + − ln( n) 
n→∞
 2 3 4 n 
C = 0.57721566490153286061K
x = 27.3900
µ = 20.5449
Proceso de cálculo
m
P=
n +1
x−µ
y=
α
Cálculo de la Función de Distribución Acumulada reducida:
−y
G( y) = e −e
3. Ajuste gráfico.

de Distribución Gumbel (máximos) - YAURI
1.0
0.9
0.8
0.7
Probabilidad
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.0 20.0 40.0 60.0 80.0
Variable aleatoria
Weibull F. D. Gumbel
4. Predicción.

G ( y ) = 0.9667
Proceso de cálculo
y = − ln( − ln( G ( y )))

y = 3.3843
xTr = 60.68
5. Resultados.
Tr = 30 años
Pmáx24h (mm) = 60.68
Nº x Weibull y G(y) |G(y)-P(x)|

1 9.6 0.0476 -0.9229 0.0807 0.0331
2 10.5 0.0952 -0.8470 0.0970 0.0018
3 14.0 0.1429 -0.5519 0.1761 0.0333
4 15.0 0.1905 -0.4676 0.2027 0.0122
5 16.4 0.2381 -0.3495 0.2421 0.0040
6 17.2 0.2857 -0.2821 0.2656 0.0201
7 18.6 0.3333 -0.1640 0.3078 0.0255
8 19.0 0.3810 -0.1303 0.3201 0.0609
9 20.1 0.4286 -0.0375 0.3541 0.0745
10 22.0 0.4762 0.1227 0.4129 0.0633
11 23.5 0.5238 0.2492 0.4587 0.0651
12 27.0 0.5714 0.5443 0.5598 0.0117
13 29.5 0.6190 0.7551 0.6250 0.0060
14 31.5 0.6667 0.9238 0.6723 0.0057
15 31.7 0.7143 0.9407 0.6768 0.0375
16 32.8 0.7619 1.0334 0.7006 0.0613
17 35.0 0.8095 1.2189 0.7441 0.0654
18 53.8 0.8571 2.8043 0.9412 0.0841
19 60.0 0.9048 3.3271 0.9647 0.0600
20 60.6 0.9524 3.3777 0.9664 0.0141
∆ = máx G ( y ) − P( x )
∆ = 0.0841
Si : α = 0.20 Si : α = 0.10 Si : α = 0.05 Si : α = 0.01

1.07 1.22 1.36 1.63
∆0 = ∆0 = ∆0 = ∆0 =
n n n n
Delta = 0.3041
0.0841 = ∆ < ∆0 = 0.3041
Los datos se ajustan a la Función de Distribución Gumbel (máximos)


1 0.0476 0.0807 0.0011 0.2046
2 0.0952 0.0970 0.0000 0.1638
3 0.1429 0.1761 0.0011 0.1276
4 0.1905 0.2027 0.0001 0.0958
5 0.2381 0.2421 0.0000 0.0686
6 0.2857 0.2656 0.0004 0.0459
7 0.3333 0.3078 0.0007 0.0278
8 0.3810 0.3201 0.0037 0.0142
9 0.4286 0.3541 0.0055 0.0051
10 0.4762 0.4129 0.0040 0.0006
11 0.5238 0.4587 0.0042 0.0006
12 0.5714 0.5598 0.0001 0.0051
13 0.6190 0.6250 0.0000 0.0142
14 0.6667 0.6723 0.0000 0.0278
15 0.7143 0.6768 0.0014 0.0459
16 0.7619 0.7006 0.0038 0.0686
17 0.8095 0.7441 0.0043 0.0958
18 0.8571 0.9412 0.0071 0.1276
19 0.9048 0.9647 0.0036 0.1638
20 0.9524 0.9664 0.0002 0.2046
∑ (P ( x) − F ( x) i )
2
i
2 i =1
R = 1− n
∑ (P( x) − P( x) i )
2
i
i =1
P ( x) i = 0.5000
∑ (P( x)
i =1
i − F ( x) i )
2
= 0.0414
∑ (P( x) − P ( x ) i ) = 1.5079
2
i
i =1
Coeficiente de determinación: R 2 = 0.9725
∑ (P ( x ) − F ( x) i )
2
i
i =1
EEA =
n− p
n
∑ (P( x ) − F ( x ) i ) = 0.0414
2
i
i =1
Número de parámetros de la F.D. EVI: p=2

INFORME: LLUVIA DE DISEÑO
MÉTODO DE LOS BLOQUES ALTERNADOS [CHOW et al.,1994] (Tr= 30 años)
1. Datos de entrada
Tr = 120 min "Tiempo de la lluvia de diseño"
2. Cálculo de hietogramas, para un periodo de retorno de 30 años
d (min) I (mm/h) P (mm) ∆P ∆P (ordenado) I (mm/h)

10 108.8 18.1 18.1 0.8 9.3
20 64.6 21.5 3.4 0.9 10.9
30 47.7 23.8 2.3 1.1 13.4
40 38.4 25.6 1.8 1.5 17.6
50 32.5 27.1 1.5 2.3 27.6
60 28.4 28.4 1.3 18.1 217.5
70 25.3 29.5 1.1 3.4 41.0
80 22.9 30.5 1.0 1.8 21.3
90 20.9 31.4 0.9 1.3 15.2
100 19.3 32.2 0.8 1.0 12.0
110 18.0 33.0 0.8 0.8 10.1
120 16.9 33.7 0.7 0.7 8.7
Hietograma de diseño
200.0
150.0
P (mm/hr)
100.0
50.0
0.0
10 20 30 40 50 60 70 80 90 100 110 120
T(min)
INFORME: HIDROGRAMA DE DISEÑO
Sub-01
HIETO GRAMA DE DISEÑO (METODO DE LOS BLOQUES ALTERNADOS) DETERMINACIÓN DE LA PRECIPITACIÓN EFECTIVA, MÉTODO DE LA SOIL CONSERVATION SERVICE(SCS) (Tr=10 años)
2
  P  
1. Datos de entrada 1. Datos de entrada
25.4 CN  + 2  − 200
  25.4  
 200  Pe =
Tc = 145 min "Tiempo de concentración de la cuenca" CN = 75 I a = 25 . 4  − 2  =16.9 mm   P  
 CN  CN CN  −8  + 800
  25.4  
2. Determinación de la precipitación efectiva, para un periodo de retorno de 10 años.
Tc=120 min
2. Cálculo de hietogramas, para un periodo de retorno de 10 años Hietograma (Tr=30 años, Td=120 min)
d(min) P (mm) ΣP ΣPe Pn(mm) A (mm)
10 0.8 0.8 0.0 0.00 0.8
20
Tc = 10 min Distribución temporal de la lluvia ∆t = 10 20 0.9 1.7 0.0 0.00 0.9
30 1.1 2.8 0.0 0.00 1.1
Precipitación (mm)
d (min) I (mm/h) P (mm) ∆P ∆P (ordenado) I (mm/h) 40 1.5 4.3 0.0 0.00 1.5 15
10 108.8 18.1 18.1 0.8 9.3 50 2.3 6.6 0.0 0.00 2.3
20 64.6 21.5 3.4 0.9 10.9 60 18.1 24.7 0.7 0.65 17.5
10
30 47.7 23.8 2.3 1.1 13.4 70 3.4 28.1 1.3 0.65 2.8
40 38.4 25.6 1.8 1.5 17.6 80 1.8 29.9 1.7 0.42 1.4
50 32.5 27.1 1.5 2.3 27.6 90 1.3 31.2 2.0 0.33 0.9 5
60 28.4 28.4 1.3 18.1 217.5 100 1.0 32.2 2.3 0.27 0.7
70 25.3 29.5 1.1 3.4 41.0 110 0.8 33.0 2.6 0.24 0.6 0
80 22.9 30.5 1.0 1.8 21.3 120 0.7 33.7 2.8 0.22 0.5
90 20.9 31.4 0.9 1.3 15.2 Tiempo (min)
100 19.3 32.2 0.8 1.0 12.0
110 18.0 33.0 0.8 0.8 10.1
120 16.9 33.7 0.7 0.7 8.7
Pe: Precipitación efectiva que produce escorrentía A: Abstracciones totales
Sub-01
HIETO GRAMA DE DISEÑO (METODO DE LOS BLOQUES ALTERNADOS) DETERMINACIÓN DE LA PRECIPITACIÓN EFECTIVA, MÉTODO DE LA SOIL CONSERVATION SERVICE(SCS) (Tr=10 años)
DETERMINACIÓN DEL HIDROGRAMA DE LA CUENCA Sub-01 MÉTODO DE LA SCS (Tr=10 años)
1. Datos de entrada.
4. Determinación del hidrograma del Unitario de la cuenca Sub-01
Tc =145 min A= 126.14000 km2 t (min) Q (m3/s)
0 0.00000
t/Tp Q/Qp 9.676222 0.02440 Hidrograma Unitario de la cuenca
0 0 Hidrograma Unitario Adimensional de la SCS 19.35244 1.22018
0.1 0.0015 29.02866 2.60304 20.0
0.2 0.075 38.70489 4.55533
0.3 0.16 48.38111 6.99568
1.0
0.4 0.28 58.05733 9.76142
0.5 0.43 67.73355 12.52715 16.0
0.6 0.6 77.40977 14.47943
0.7 0.77 87.08599 15.78096
0.8
0.8 0.89 96.76222 16.26903
0.9 0.97 106.4384 15.94365 12.0
1 1 116.1147 14.96751
Q (l/s)
1.1 0.98 125.7909 13.66598
1.2 0.92 0.6 135.4671 12.20177
Q/Qp
1.3 0.84 145.1433 10.57487 8.0

1.4 0.75 154.8195 9.27335
1.5 0.65 174.172 6.99568
1.6 0.57 0.4 193.5244 5.20609
1.8 0.43 212.8769 3.90457
4.0
2 0.32 232.2293 2.92843
2.2 0.24 251.5818 2.11497
2.4 0.18 0.2 270.9342 1.59436
2.6 0.13 290.2866 1.22018
2.8 0.098 338.6678 0.58569 0.0
3 0.075 387.0489 0.29284 0 50 100 150 200 250 300 350 400 450 500
3.5 0.036 0.0 435.43 0.14642 t (min)
4 0.018 0 1 2 3 4 5 483.8111 0.06508
4.5 0.009 t/Tp
5 0.004
5. Determinación de la ecuación aproximada del hidrograma unitario según Aron, G. and E. White [McCuen, 1998].
Fuente: [Technical Reference Manual del HEC-HMS, 2000] −t
t ae b
2. Determinación del Tiempo de Retardo y el Tiempo Pico del hidrograma. f (t ;a,b) = a +1
b Γ( a +1)
Tiempo de Retardo Tiempo Pico de hidrograma QpTp
fa = =0.748800000
Tl = 0.6×Tc = 87 min Tp = 1.113 ⋅ Tl 96.76 min A
2 3
3. Determinación del caudal pico del hidrograma Unitario de la microcuenca. a = 0.045 + 0.5 f a + 5.6 f a + 0.3 f a =3.6853
A
Qp = 0.208 = 16.2690 m3/s
Tp Tp
b= = 26.26
a
f ( t ; a , b ) × Qp
q (t ) =
máx ( f ( t ; a , b ))
DETERMINACIÓN DEL HIDROGRAMA DE DISEÑO (SCS)-HUAYLLUMAYU
Pe(mm)
t qu (t) Qu(/s) Q (l/s)
0 0 0 0 0 0.652 0.652 0.416 0.325 0.274 0.241 0.217
0.0 0.00000 0.00000 0.0 0.00
10.0 0.00005 0.00010 0.0 0.0 0.00
20.0 0.00043 0.90929 0.0 0.0 0.0 0.00
30.0 0.00131 2.76848 0.0 0.0 0.0 0.0 0.00
40.0 0.00259 5.46099 0.0 0.0 0.0 0.0 0.0 0.00
50.0 0.00403 8.49194 0.0 0.0 0.0 0.0 0.0 0.0 0.00
60.0 0.00539 11.36076 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.00
70.0 0.00650 13.69998 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.59
80.0 0.00727 15.31198 0.0 0.0 0.0 0.0 0.0 1.8 0.6 0.0 0.0 2.40
90.0 0.00767 16.14870 0.0 0.0 0.0 0.0 0.0 3.6 1.8 0.4 0.0 0.0 5.75
100.0 0.00772 16.26903 0.0 0.0 0.0 0.0 0.0 5.5 3.6 1.2 0.3 0.0 0.0 10.55
110.0 0.00750 15.79429 0.0 0.0 0.0 0.0 0.0 7.4 5.5 2.3 0.9 0.2 0.0 0.0 16.37
120.0 0.00706 14.87155 0.0 0.0 0.0 0.0 0.0 8.9 7.4 3.5 1.8 0.8 0.2 0.0 22.63
130.0 0.00648 13.64769 0.0 0.0 0.0 0.0 0.0 10.0 8.9 4.7 2.8 1.5 0.7 0.2 28.77
140.0 0.00582 12.25360 0.0 0.0 0.0 0.0 0.0 10.5 10.0 5.7 3.7 2.3 1.3 0.6 34.16
150.0 0.00512 10.79646 0.0 0.0 0.0 0.0 0.0 10.6 10.5 6.4 4.5 3.1 2.0 1.2 38.31
160.0 0.00444 9.35771 0.0 0.0 0.0 0.0 0.0 10.3 10.6 6.7 5.0 3.8 2.7 1.8 40.94
170.0 0.00379 7.99455 0.0 0.0 0.0 0.0 0.0 9.7 10.3 6.8 5.3 4.2 3.3 2.5 41.98
180.0 0.00320 6.74327 0.0 0.0 0.0 0.0 0.0 8.9 9.7 6.6 5.3 4.4 3.7 3.0 41.55
190.0 0.00267 5.62341 0.0 0.0 0.0 0.0 0.0 8.0 8.9 6.2 5.1 4.5 3.9 3.3 39.88
200.0 0.00220 4.64183 0.0 0.0 0.0 0.0 0.0 7.0 8.0 5.7 4.8 4.3 3.9 3.5 37.30
210.0 0.00180 3.79641 0.0 0.0 0.0 0.0 0.0 6.1 7.0 5.1 4.4 4.1 3.8 3.5 34.09
220.0 0.00146 3.07909 0.0 0.0 0.0 0.0 0.0 5.2 6.1 4.5 4.0 3.7 3.6 3.4 30.54
230.0 0.00118 2.47835 0.0 0.0 0.0 0.0 0.0 4.4 5.2 3.9 3.5 3.4 3.3 3.2 26.89
240.0 0.00094 1.98095 0.0 0.0 0.0 0.0 0.0 3.7 4.4 3.3 3.0 3.0 3.0 3.0 23.30
250.0 0.00075 1.57327 0.0 0.0 0.0 0.0 0.0 3.0 3.7 2.8 2.6 2.6 2.6 2.7 19.92
260.0 0.00059 1.24214 0.0 0.0 0.0 0.0 0.0 2.5 3.0 2.3 2.2 2.2 2.3 2.3 16.82
270.0 0.00046 0.97537 0.0 0.0 0.0 0.0 0.0 2.0 2.5 1.9 1.8 1.9 1.9 2.0 14.05
280.0 0.00036 0.76203 0.0 0.0 0.0 0.0 0.0 1.6 2.0 1.6 1.5 1.5 1.6 1.7 11.61
290.0 0.00028 0.59255 0.0 0.0 0.0 0.0 0.0 1.3 1.6 1.3 1.2 1.3 1.4 1.5 9.51
300.0 0.00022 0.45876 0.0 0.0 0.0 0.0 0.0 1.0 1.3 1.0 1.0 1.0 1.1 1.2 7.73
310.0 0.00017 0.35372 0.0 0.0 0.0 0.0 0.0 0.8 1.0 0.8 0.8 0.8 0.9 1.0 6.23
320.0 0.00013 0.27169 0.0 0.0 0.0 0.0 0.0 0.6 0.8 0.7 0.6 0.7 0.7 0.8 4.99
330.0 0.00010 0.20793 0.0 0.0 0.0 0.0 0.0 0.5 0.6 0.5 0.5 0.5 0.6 0.7 3.97
340.0 0.00008 0.15859 0.0 0.0 0.0 0.0 0.0 0.4 0.5 0.4 0.4 0.4 0.5 0.5 Hidrograma de diseño 3.14
350.0 0.00006 0.12058 0.0 0.0 0.0 0.0 0.0 0.3 0.4 0.3 0.3 0.3 0.4 0.4 Tr=30 años 2.47
360.0 0.00004 0.09140 0.0 0.0 0.0 0.0 0.0 0.2 0.3 0.2 0.2 0.3 0.3 0.3 1.93
60.0
370.0 0.00003 0.06909 0.0 0.0 0.0 0.0 0.0 0.2 0.2 0.2 0.2 0.2 0.2 0.3 1.50
380.0 0.00002 0.05208 0.0 0.0 0.0 0.0 0.0 0.1 0.2 0.1 0.1 0.2 0.2 0.2 1.17
390.0 0.00002 0.03916 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.1 0.1 0.2
50.0 0.90
400.0 0.00001 0.02937 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.69
410.0 0.00001 0.02198 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.53
420.0 0.00001 0.01642 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.1 0.1
40.0 0.41
430.0 0.00001 0.01223 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.31
440.0 0.00000 0.00910 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.23
Q (m3/s)
450.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
30.0 0.18
460.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.13
470.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.10
480.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
20.0 0.08
490.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.06
500.0 0.00000 0.0 0.0 0.0 0.0 0.0 0.0 0.04
510.0 0.00000 0.0 0.0 0.0 0.0 0.0
10.0 0.02
520.0 0.00000 0.0 0.0 0.0 0.0 0.02
530.0 0.00000 0.0 0.0 0.0 0.01
540.0 0.00000 0.0 0.0
0.0 0.00
550.0 0.00000 0.0
50.0 100.0 150.0 200.0 250.0 300.0 350.0 0.00
560.0 0.00000 t (min) 0.00
570.0 0.00000 0.00
580.0 0.00000 0.00
590.0 0.00000 0.00
600.0 0.00000 0.00
Caudal máximo (m3/s) 41.98

Puente sobre el río Huayllumayo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Puente sobre el río Huayllumayo

Uploaded by

Copyright:

Available Formats

EXPEDIENTE TÉCNICO DEL PROYECTO:

“CREACION DEL PUENTE PASARELA SOBRE EL RIO HUAYLLUMAYO, EN LA

INGENIERIA DEL PROYECTO-HIDROLOGÍA

PROYECTO: “CREACION DEL PUENTE PASARELA SOBRE EL RIO

CAPÍTULO 1. ASPECTOS GENERALES .......................................................................................................... 6

Cuadro 1: Características de la estación Pluviométrica. .................................................................................................... 15

Cuadro 2: Registro de precipitaciones Máximas de 24 Horas. ....................................................................................... 18

Figura 1. Peligro potencial convertido en un desastre. ....................................................................................................... 6

Figura 2. Microcuenca Huayllumayu. Fuente: Propia. .......................................................................................................... 9

Figura 7. Ajustes gráficos de la distribución teórica y Weibull ....................................................................................... 32

Figura 10. Número de Curva representativo de la cuenca. .............................................................................................. 35

Figura 12. Hidrograma Unitario de la SCS .............................................................................................................................. 37

CAPÍTULO 1. ASPECTOS GENERALES

Figura 1. Peligro potencial convertido en un desastre.

1.1.1.2. Objetivo General

1.1.1.3. Objetivos Específicos

Evaluar la climatología, pluviometría e hidrometría de la Microcuenca del río Huayllumayo

CAPÍTULO 2. HIDROLOGÍA DE EVENTOS EXTREMOS

2.1. DESCRIPCIÓN GENERAL DE LA CUENCA Y DEL CURSO PRINCIPAL DE LA FUENTE NATURAL

2.1.1.1. Ubicación y delimitación del área de estudio

Comunidad : Hatun Ayraccollana

Figura 2. Microcuenca Huayllumayu. Fuente: Propia.

2.1.1.2. PARÁMETROS GEOMORFOLÓGICOS DE LA MICROCUENCA.

D : Desnivel constante entre curvas de nivel.

S c : Pendiente promedio de la cuenca.

L : Longitud total de las curvas de nivel dentro de la cuenca.

MÉTODO DE LA PENDIENTE UNIFORME.

L: Longitud del cauce.

MÉTODO COMPENSACIÓN DE ÁREAS.

S : Pendiente media del cauce.

S i : Pendiente del enésimo tramo.

Figura 4. Lecho del río en la zona de la Puente Huayllumayu. Fuente: [CONSULTOR].

Método Pendiente (%)

Pendiente uniforme 4.9%

Compensación de áreas 3.1%

2.1.2. ANÁLISIS Y TRATAMIENTO DE LA INFORMACIÓN METEOROLÓGICA E HIDROMÉTRICA

2.1.2.1. Red de estaciones Meteorológicas

Figura 5. Estaciones Meteorológicas más cercanas al proyecto. Fuente: [Google Earth].

2.2. EVENTOS EXTREMOS

2.2.1. Precipitación o agua de lluvia

Cuadro 1: Características de la estación Pluviométrica.

2.2.2. Particularidades del modelo hidrologico a utilizar

Figura 6. La cuenca como un sistema hidrológico. Fuente: [Chow et al.,1994]

De acuerdo a la definición anterior es necesario determinar I (t ) . En este capítulo se busca determinar el

• “Lluvias de proyecto, obtenidas a partir de información globalizada en forma de curvas Intensidad–

2.2.3. Registro de precipitaciones

N° Año Pmáx24h (mm)

Cuadro 2: Registro de precipitaciones Máximas de 24 Horas.

2.2.4. Análisis de los datos pluviométricos

2.2.4.1. Conceptos teóricos del análisis probabilístico

2.2.4.2. Periodos de retorno y análisis de riesgo de falla en diseño urbano

Si P( X ≥ x) es la probabilidad de excedencia, entonces la probabilidad de no excedencia es:

2.2.4.3. Análisis estadístico previo de los datos hidrológicos

2.2.5. Predicciones con la distribución Normal (N).

Si se realiza una transformación lineal de la variable aleatoria ( X ) , se obtiene la denominada variable

2.2.5.1. Estimación de parámetros por el método de Máxima verosimilitud.

2.2.5.2. Proceso de cálculo para la obtención de la FDA Normal.

1. Cálculo de la variable aleatoria estandarizada (z ) .

2.2.5.3. Proceso de cálculo para la estimación de cuantiles.

1. Cálculo de la variable aleatoria estandarizada ( z ) , a través de la siguiente aproximación numérica

o Si 0.5 < F ( z ) <1 :

2. Cálculo del cuantil ( xTr ) :

2.2.6. Predicciones con la distribución Log-Normal de 2 parámetros (LN2).