4 6 Caudales Analisis Frecuencial

CAUDALES
ANÁLISIS FRECUENCIAL
CAUDALES
Los procesos hidrológicos varían en el espacio y en el tiempo de

forma parcialmente aleatoria.
Los caudales máximos, son eventos que pueden ser considerados

como aleatorios
El comportamiento de los caudales máximos se puede describir

con una función de distribución de probabilidades.
El análisis de frecuencias consiste en estimar la probabilidad de

ocurrencia de eventos pasados o futuros. Su confiabilidad
depende de los datos históricos y de la incertidumbre de la
distribución de probabilidades
CAUDALES
PERIODO DE RETORNO
El periodo de retorno o tiempo de retorno es el tiempo promedio en años en
que un caudal pico determinado es igualado o excedido al menos una vez
Ejemplo
Una crecida de 30 m3/s con un periodo de 25 años:
• Caudal máximo será igual o excederá los 30 m3/s con un intervalo en
promedio de 25 años
• Probabilidad de que un caudal exceda los 30 m3/s en un año es de 1/25
Dos casos:
Tr : Periodo de retorno
Tr = 1/pp = P (X xt )
p : Probabilidad de excedencia del evento xt
Tr = 1/pp = P (X xt ) Xt : Evento que ocurre para un determinado periodo
de retorno
Tr = 1 1/p
b
i =
Tr = 1/(1 1/p)a ⇥ t Tr : Periodo de retorno
1-p : Probabilidad acumulada del evento xt
i = a ⇥ tb Xt : Evento que ocurre para un determinado
p = P (X  XT )
periodo de retorno
CAUDALES PARA OBRAS DE CONTROL
SERIES DE DATOS Y DISTRIBUCIÓN DE VALORES
EXTREMOS
Es necesario series de variables cuyos datos son extremos
Por ejemplo caudales máximos:
Q1, Q2, Q3, …., Qi, …., Qn
Donde:
Qi es el caudal máximo instantáneo registrado en el año i (m3/s)
n es el número total de años
CAUDALES
ANÁLISIS DE FRECUENCIA CON EL FACTOR DE
FRECUENCIA
1 Histograma de Q95
(x µ)2 /2 2
P (x) = p e
2⇡ 1 (x µ)2 /2 2
P (x) = p e
1
0.6
P (x) = p e (x µ)2 /2 2 2⇡
2⇡ 1
x µ
Densidad
(x µ)2 /2 2
0.4
Donde: z= P (x) = p e
Qi es el caudal máximo instantáneo del 2⇡año i en la estación de interés
0.2
x µmedio diario del año i en la estación de interés

Qd es el caudal máximo
z=
Q̂i es el caudal máximo instantáneo
1 / del año i en una estación complementaria
(x µ)2 2 2
P (x) = p e
x µ
0.0
2⇡
Q̂d es el caudal
x =máximo
x̄ + z ⇥imedio
0.5 Sx diario
1.0 1.5z =del año i en una estación complementaria
2.0 2.5 3.0
x µ
Q95 [m3/s] z=
de x para una muestra de una población con una

x = x̄ + z ⇥x =Sx̄x+ z ⇥ S Estimación
distribución normal
x
Estimación de x para una muestra con cualquier distribución de

xT = x̄ + KTx ⇥ S x x = x̄ + z ⇥ Sx
= x̄ + K ⇥ Sprobabilidades
T T x
Donde:
xT es el valor correspondiente para una probabilidad de frecuencia de un
x = x̄ + K ⇥ S
tiempo TT T x
espondiente para una probabilidad de frecuencia de un
x̄ es la media del conjunto de valores de x
Sx es la desviación estándar del conjunto de valores de x
xT = x̄ + KT ⇥ Sx
KT es el factor de frecuencia para un tiempo T
espondiente paradeuna
junto de valores x probabilidad de frecuenciaCAUDALES de un PARA OBRAS DE CONTROL
onde: CÁLCULO DE CAUDALES MÁXIMOS: FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDADES
stándar del conjunto de valores de x
es el valor correspondiente para una probabilidad de frecuencia de un
junto de para
ecuencia valores
un de x
tiempo T
ANÁLISIS DE FRECUENCIA CON EL FACTOR DE
FRECUENCIA
Funciones de distribución que se utilizan en el ámbito

nacional:
• Normal
• LogNormal
• Gumbel
• LogGumbel
• Pearson Tipo 3 o Gamma de 3 parámetros
• LogPearson 3
CAUDALES
x µ
z=
DISTRIBUCIÓN NORMAL
Donde: x = x̄ + z ⇥ Sx
xTFunción
es elde valor
densidadcorrespondiente para una probabilidad de fr
tiempo T 1 2 2
p(x) = p e (x µ) /2
x̄ es la media 2⇡ del conjunto de xvalores
P
T = x̄n + de
K x⇥ Sx
x
i=1 i T
SxEstimación
es la desviación estándar del conjunto
de parámetros
x̄ =
n de valores de x
KT Donde:
es el factor
P
p(x) = n
1 de (y
p e
frecuencia
µ ) /2 ( para un
y
2 2 tiempo)1/2 T
xT es eli=1valorx correspondiente n
1 para
y
X una probabilidad
2 de frecuen
x̄ = x y
i 2⇡ S x = ⇥ (x i x̄)
tiempo Tn n 1 i=1
x̄ es la media
( n
del )conjunto
1/2 ✓ de valores
◆ de x
1 1 X(x(x )x̄)2 estándar (x del) conjunto de valores de x
Sx =
p(x) Sxexp
Factor
= esdela desviación
⇥frecuencia
i exp
↵n 1 i=1 ↵ ↵ para un tiempo T
KT es el factor de frecuencia
KT corresponde al valor z de la distribución normal estandarizada
✓ ◆ 1 ✓ ◆
Z1T () P (1x 1/T
x0 r ) x x0
p(x) = ⇥ ⇥ exp CAUDALES
x|↵| ( ) ↵ ↵
xT = 10yT y = ln(x)
DISTRIBUCIÓN LOG-NORMAL
xT = 10yT yT = ȳ + KT ⇥ Sy yT
yp(x)
= ln(x) 1 2 y 2= ȳ + K ⇥ S x = e
= p e (x µ) /2T T y T
2⇡
Función de densidad 1
yT = ȳ + KT ⇥ Sy µy )2 /2 y2
P (y) 1= p(y µey )(y 2
/2 y2
x T = e yT 1 P (y) =
2
(y µy ) /2 y 2p e
y 2⇡ yT = ȳ + KT ⇥ Sy
p(x) = p e y 2⇡ Pn
x y 2⇡ Pn i=1 yi
1 2
(y µy ) /2 y2 ȳ =
i=1 yi 1 (y µy )2 /2 2
P (y) = p e ȳ = n P (x) = p e y

2⇡ de parámetros ✓ ◆
n x y 2⇡
yTEstimación
=1y ȳ + KT(x⇥ Sy ) (x( ) )1/2
p(x) = expPn exp( 1
n
X )1/2 2
↵ y ↵
i ↵ X⇥n
ȳ = i=1 Sy =1 (y2i ȳ)
1 n (y µy )2S y =
2 n
⇥ 1 (yii=1 ȳ)
P (x) = p e /2 y n 1
( x y 2⇡n ✓ )1/21
◆ ✓ i=1 ◆
1 1 X x x02 x x0
Sy == Factor
p(x) ⇥de⇥frecuencia
(yi ȳ) ⇥ exp
x|↵|
n 1( ) i=1 ↵ ↵
ZT () P (1 1/Tr )
CAUDALES
1
GUMBELp(x) = p e (x µ)2 /2 2
2⇡
1 (y µy )2 /2 2
onde: p
p(x) =
x 2⇡
e y
Función de densidad
y  acumulada ✓
y densidad ◆
es el valor correspondiente 1 para
x una probabilidad
x de frecuencia
 P (x) = exp
✓ ◆ exp  ✓ ◆
mpo T p(x) = 1 exp (x ) exp (x ) P (x) = exp exp
↵ ↵ ↵ (x )
 ↵ ↵ ✓ de valores◆↵ ↵
s la 1media xdel conjunto x de x
x) = exp exp ↵ = 0.779696Sx
es la↵ desviación↵ deestándar
Estimación ◆ ↵1del conjunto
✓parámetros ✓ ◆ de valores de x
1 x x0 x x0
es elp(x)factor
= de
x|↵| ( )
frecuencia
⇥
↵
para
⇥ exp un tiempo T
↵
↵ = 0.779696Sx = x̄ 0.5772↵
⇢ 
= x̄de frecuencia
0.5772↵ Tr
Factor KT = 0.779696 0.5772 + ln ln
Tr 1
⇢ ⇢  ✓ ◆
Tr Tr
KT =0.5772
= 0.779696 0.779696
+ ln ln0.5772 + ln ln
Tr 1 Tr 1
CAUDALES
xT = 10yT y = ln(x)
LOG-GUMBEL
y = ln(x) yT = ȳ + KT ⇥ Sy x T = e yT
Función de densidad y densidad  acumulada ✓ ◆

1 (y 1 ) (y µy )2 /2 (y 2
 )✓ ◆⇥ S
xT = 1e p(x)
yT  =
(y x↵ )Pexp
(y) ✓
= p
(y ↵ )
◆e exp y y T = ȳ +
(y K T) y
p(x) = exp exp y 2⇡ ↵
P (y) = exp exp
 x↵ ↵ ✓ ↵ ◆ ↵
1 (y ) (y P
) n
x) = exp exp i=1 yi
1 (y µy )2 /2 2
x↵ ↵ ↵ȳ = P (x) = p e y
↵ = 0.779696S y ↵ = 0.779696Syn x y 2⇡
yT Estimación
= ȳ + KT de ⇥ parámetros
Sy
( n
)1/2
= ȳ 0.5772↵ 1 X 2
1↵ = 0.779696S 2Syy =
2 = ȳ ⇥ (y
0.5772↵i ȳ)
P (x) = p e (y µy ) /2 y n 1 i=1
x y 2⇡
Factor=deȳ frecuencia
0.5772↵
⇢  ✓ ◆
Tr
KT = 0.779696 0.5772 + ln ln
Tr 1
CAUDALES
PEARSON TIPO 3
⇥ S1x
xT = x̄✓+ KT ◆ ✓ ◆
1 x x0 x x0
Función de densidad P (x) = ⇥ ⇥ exp
Donde: ✓ x|↵|
◆ ( ) ✓ ↵ ◆ ↵
1 ✓ x x0 ◆ 1 1 ✓
x x ◆
xT esP el valor
p(x) = 1 correspondiente
⇥ x x0 ⇥ para
exp una
x probabilidad
0 x0 de frecue
(x) =
x|↵||↵|( ( ) )⇥ ↵↵ ⇥ exp↵ =↵Sx Cs/2
↵
tiempo T
✓ 𝑥" ≤ 𝑥 < ∝
◆ para
1 ∝> 0✓ ◆
1 x̄ es lax∝ ≤
media
x𝑥0< 𝑥 del conjunto
∝< 0 ↵ = x dex0 valores de x
⇥ " para
⇥ exp Sx Cs/2 = (2/Cs)2
↵| (Sx) es la ↵desviación estándar ↵ del conjunto de valores de x
Estimación de parámetros
KT es el factor de frecuencia
↵ = S Cs/2
para unxtiempo
= (2/Cs)2 = x̄ ↵
T
x 0
1 de(yasimetría
Cs corresponde alPcoeficiente µ ) /2 2 2
(x) = p e y y
x ✓ ◆ ✓ ◆
= (2/Cs)2 y
x02⇡= x̄ ↵ p(x) =
1
⇥
x x0
1
⇥ exp
x x0
Factor de frecuencia |↵| ( ) ↵ ↵
2 3 2 2
KT ⇡ z+(z 3 1)⇥(Cs/6)+1/3⇥(z
KT ⇡ z+(z 2 1)⇥(Cs/6)+1/3⇥(z +z 6z)⇥(Cs/6)
6z)⇥(Cs/6)2 (z 2 1)⇥(Cs/6)3 +z⇥(Cs/6) 44
⇥ (Cs/6) (z
5
+ 1/3 ⇥ (Cs/6)
⇤1/3⇥(Cs/6) 5 1)⇥(Cs/6)3 +z⇥
x0 = x̄ ↵
z es el valor de la variable de la distribución normal estandarizada
2 3 2 2 3 4
⇡ z+(z 1)⇥(Cs/6)+1/3⇥(z 4 6z)⇥(Cs/6)
+z ⇥ (Cs/6) ⇤ 1/3 ⇥ (Cs/6) 5 (z 1)⇥(Cs/6) +z⇥(Cs/6) ⇤1/3⇥(Cs
k
CAUDALES
X n ⇥ (fo fc ) 2
2
3 2 = 2 3
)+1/3⇥(z 6z)⇥(Cs/6) (zi=1 1)⇥(Cs/6)
fc +z⇥(Cs/6)4 ⇤1/3⇥(Cs/6) 5
8
> n  20
>3
> si
xT = 10yT y = ln(x)
LOG PEARSON TIPO 3 ✓ ◆ 1 ✓

1 y y0 y y
p(x) = ⇥ xT =e
⇥ exp
yT
y = ln(x) yT x|↵| (T )⇥ Sy
= ȳ + K ↵ ↵
Función de densidad ✓ ◆ 1 ✓ ◆
1 x
✓ x01 ◆ ↵ =2 S✓xy Csxy0/2 ◆
p(x) = yT ⇥P (y) = p e (y⇥1µyexp
2
) /2 y
xT =x|↵|
e 1( ) y↵ y2⇡0
yT =
↵yȳ + yK0T ⇥ Sy
p(x)
✓ = x|↵| ◆ 1( ) ⇥ ✓ y↵ P ◆ ⇥ exp ↵2
1 x x0 x xn0 yi = (2/Cs 1 ) 2
/2 2
⇥ ⇥ exp
↵ = Sȳy=Csy /2
i=1
P (x) = y
p e (y µ y ) y
( ) ↵ ↵ n x y 2⇡
yEstimación T ⇥
T = ȳ + Kde Sy
parámetros ↵ = Sy Csy /2
( n
)1/2
1 2 X
↵ =1 Sy Csy /2 2Sy =2 = (2/Cs )
⇥ y (yi ȳ)y0
2 = ȳ ↵
(y µy ) /2 1y n 1
P (x) = p e P (x) = p e (y
i=1
µy )2 /2
2
2
y
x yCsy 2⇡ y 2⇡ = de
corresponde al xcoeficiente (2/Cs )
asimetría
y de los
1
datos
✓ transformados
x x
◆ 1 ✓
x 0 x0
◆
2 p(x) = ⇥ ⇥ exp
Factor
= de frecuencia
(2/Cs y ) x0 = ȳ ↵ |↵| ( ) ↵ ↵
4 5
KT ⇡ z+(z 2 1)⇥(Cs/6)+1/3⇥(z 3 6z)⇥(Cs/6)2 (z 2 1)⇥(Cs/6)3 +z⇥(Cs/6)
+z ⇥ (Cs/6)4 ⇤1/3⇥(Cs/6) 5
+ 1/3 ⇥ (Cs/6)
y0 = ȳ ↵
zxes0 el=valor
ȳ de↵la variable de la distribución normal estandarizada
CAUDALES
+z ⇥ (Cs/6)4 ⇤ 1/3 ⇥ (Cs/6)5
k
X
2 n ⇥ (fo fc ) 2
=
AJUSTE A UNA DISTRIBUCIÓN DE PROBABILIDADES
ELECCIÓN POR PRUEBAS DE AJUSTE Y ESTADÍSTICOS
Métodos:
• Prueba Kolmogorov-Smirnov
• Prueba 𝜒2
• ECMF (Error cuadrático medio de frecuencias)
• ECMV (Error cuadrático medio)
CAUDALES
GRÁFICAS DE PROBABILIDAD
m
Construcción p = P (X  xm ) =
n
Procedimiento
• Establecer el número de orden de la
variable m 0.5
p = P (X  xm ) =
• Ordenar los caudales de menor a mayor n
• Determinar la frecuencia acumulada (3
posibilidades)
m
Ecuación de Weibull p = P (X  xm ) =
n+1
(1) (2) (3) (4)
Distribucion Normal Distribucion Gumbel
Número de Xm (X ordenado Frecuencia 100 100
orden Xi de menor a acumulada

(m) mayor) (p) 80 80
Probabilidad acumulada [%]

1 X1 Xmin p1
60 60
2 X2 . p2
p3
3 X3 . 40 40
. . .
. . . . 20 20
. . . . O
T
n-1 Xn-1 . pn-1 0 0
n Xn Xmax pn 0 50
Caudal [m3/s]
100 150 0 50 100
Distribucion Log Normal Distribucion Log Gumbe

100 100
80 80
ulada [%]
ulada [%]
CAUDALES
Distribucion Normal Distribucion Gumbel Distribucion Pearson Tipo III
100 100 100
80 80 80

60 60 60
40 40 40
20 20 20
Observaciones
0 0
Teorico 0
0 50 100 150 0 50 100 150 0 50 100 150

Caudal [m3/s] Caudal [m3/s]
Distribucion Log Normal Distribucion Log Gumbel Distribucion Log Pearson Tipo III
100 100 100
80 80 80

60 60 60
40 40 40
20 20 20
0 0 0
0 50 100 150 0 50 100 150 0 50 100 150

Caudal [m3/s] Caudal [m3/s] Caudal [m3/s]
CAUDALES
Papel Probabilístico
Permite linearizar la relación de probabilidad con los datos ajustados
100
95
90
85
80
75
70
65
Caudal (m3/s)
60
55
50
45
40
35
30
25
20
15
10
5
0
0.001
0.01
0.02
0.025
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.975
0.98
0.99
0.999
P(X<x)
CAUDALES
Caudal (m3/s) Caudal (m3/s)
1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
0.001 0.001 100
0.005 0.005
0.01 0.01
0.02 0.02
0.03 0.03
0.04 0.04
0.05 0.05
0.1 0.1
0.2 0.2
0.3 0.3
0.4 0.4
0.5 0.5
P(X<x)
P(X<x)
0.6 0.6
0.7 0.7
0.8 0.8
Distribucion Normal
Distribucion Log Normal

0.9 0.9
0.95 0.95
0.96 0.96
0.97 0.97
0.98 0.98
0.99 0.99
0.995 0.995
0.999 0.999
1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
0.001 0.001
0.005 0.005
0.01 0.01
0.02
0.03 0.02
0.03
0.04
0.05 0.04
0.05
0.1 0.1
0.2 0.2
0.3 0.3
0.4 0.4
0.5 0.5
0.6 0.6
0.7 0.7
0.8 0.8
0.9 0.9
P(X<x)
P(X<x)
0.95 0.95
0.96 0.96
0.97 0.97
Distribucion Gumbel
0.98 0.98
Distribucion Log Gumbel
0.99 0.99
0.995 0.995
0.999 0.999

1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
0.001 0.001
0.005
0.01
0.02
0.03
0.005 0.04
0.05
0.01 0.1
0.02
0.03 0.2
0.04 0.3
0.05
0.4
0.1 0.5
0.6
0.2
0.7
0.3
0.4 0.8
0.5
0.6 0.9
P(X<x)
P(X<x)
0.7
0.8 0.95
0.96
0.97
0.9 0.98
Distribucion Pearson tipo III
0.95
Distribucion Log Pearson Tipo III
0.96 0.99
0.97
0.98
0.995
0.99
0.995
0.999 0.999
CAUDALES
EJEMPLO-ANÁLISIS FRECUENCIAL
En la siguiente tabla se presentan los caudales máximos instantáneos de un río.
A partir de estos datos determinar el caudal máximo para un tiempo de retorno
de 100 años con las distribuciones: Normal, LogNormal, Gumbel, LogGumbel,
Pearson Tipo III, LogPearson Tipo III. Usar papel probabilístico de cada función y
elegir qué caudal máximo es el más adecuado.
Caudal
Año
(m3/s)
2001 14.94
2002 15.29
2003 55.59
2004 8.00
2005 5.68
2006 9.35
2007 7.74
2008 14.91
2009 17.67
2010 29.90
CAUDALES
Parámetros Estadísticos
Variable Original Variable Transformada
X=Caudal
Año Año Y = ln(X)
(m3/s) 𝑦: = 2.65
𝑥̅ = 17.91 2001 2.70
2001 14.94 𝑆< = 0.68
𝑆2 = 14.95 2002 2.73
2002 15.29 𝐶𝑠< = 0.54
𝐶𝑠2 = 1.52 2003 4.02
2003 55.59 𝐶𝑉2 = 0.84 𝐶𝑉< = 0.26
2004 2.08
2004 8.00
2005 1.74
2005 5.68
2006 2.24
2006 9.35
2007 2.05
2007 7.74
2008 2.70
2008 14.91
2009 2.87
2009 17.67
2010 3.40
2010 29.90
CAUDALES
Probabilidad acumulada para el tiempo de retorno
Tr = 1/pp = P (X xt )
Tr = 1/pp = P (X xt )
i = a ⇥ tb
i = a ⇥ tb
CAUDALES
Distribución Normal xT = x̄ + KT ⇥ Sx
Donde:KT corresponde al valor z de la distribución normal estandarizada
xT esZT el()valor
P (1 correspondiente
1/Tr ) para una probabilidad de frecue
tiempo T
CAUDALES
Distribución Log Normal yT = ȳ + KT ⇥ Sy
ZT () P (1 1/Tr )
y = ln(x) 1 (y µy )2 /2 2
y = ln(x)
P (y) = p e y
y 2⇡
x T = e yT
Pn
i=1 yi
x T = e yT
ȳ =
n
yT = ȳ + KT ⇥ Sy ( n
)1/2
1 X 2
yT = ȳ + KT ⇥ Sy Sy = ⇥ (yi ȳ)
P (x) =
1
p e (y µy )2 /2 2
y
n 1 i=1
x y 1 2⇡ (y µ )2 2 2
P (x) = p e y / y
x y 2⇡ CAUDALES
x = x̄ + z ⇥ Sx
Distribución Gumbel xT = x̄ + KT ⇥ Sx
Donde: ⇢  ✓ ◆
Tr
xTKT es el valor0.5772
= 0.779696 correspondiente
+ ln ln
Tr 1 para una probabilidad de f
tiempo T
CAUDALES
xT = 10
Distribución Log Gumbel yT = ȳ + KT ⇥ Sy
⇢  ✓ ◆
Tr
KT = 0.779696 0.5772 + ln ln
y = ln(x) Tr 1
1 (y µy )2 /2 2
P (y) = p e y
y = ln(x) 2⇡
y
Pn
x T = e yT yi
i=1
yT ȳ =
xT = e n
yT = ȳ + KT ⇥ Sy ( n
)1/2
1 X 2
yT = ȳ + KT ⇥ Sy Sy = ⇥ (yi ȳ)
P (x) =
1
p e (y µy )2 /2 2
y
n 1 i=1
x y 1 2⇡ (y µ )2 2 2
P (x) = p e y / y CAUDALES
x y 2⇡ ANÁLISIS FRECUENCIAL
x = x̄ + z ⇥ Sx
EJEMPLO-ANÁLISIS1 FRECUENCIAL
/ (y µy )2 2 2
P (x) = p e y
x y 2⇡ ✓ ◆ 1 ✓ ◆
1 x x0 x x0
Distribución Pearson Tipo III x = x̄ + KT ↵⇥ Sx⇥ exp
p(x) =
T |↵| ( )
⇥
↵
44 5
+z ⇥ (Cs/6) 5
+ 1/3 ⇥ (Cs/6)
⇤1/3⇥(Cs/6)
Donde:
xT es el valor correspondiente para una probabilidad de frecu
4 5
+z ⇥ (Cs/6) ⇤ 1/3 ⇥ (Cs/6)
tiempo T
x̄ es la media del =conjunto
X n ⇥ (f
2 f )de valores de x
k
o c
2
f
Sx es la desviación
8 estándar del conjunto de valores de x
i=1 c
>
> 3 si n  20
KT es el factor
>
>
>
>
<
de frecuencia para un tiempo T
k= 5 si 20 < n  40
>
>
>
>
>
>
:1 + 3.3 ⇥ log(n) sin > 40
gl = k m 1
Donde:
fo son las frecuencias observadas
fc son las frecuencias teóricas calculadas CAUDALES
n es el número de datos
gl es el grado de libertad de la distribución 2 ANÁLISIS FRECUENCIAL
k es el número de intervalos
m es el número de parametros de la distribución teórica
1 (y µy )2 /2 2
P (x) = p e y
x y 2⇡
1
✓
x x0
◆ 1 ✓
x x0
◆
p(x) = ⇥ ⇥ exp
Distribución Log Pearson Tipo III |↵| y( ) = ȳ↵ +
T K T ⇥ Sy ↵
4 5
+z ⇥ (Cs/6)4 ⇤1/3⇥(Cs/6) 5
+ 1/3 ⇥ (Cs/6)
y = ln(x)
y = ln(x)
+z ⇥ (Cs/6)4 ⇤ 1/3 ⇥ (Cs/6)5
1 (y µy )2 /2 2
P (y) = p e y
x T = e yT y 2⇡
k
X
2 n ⇥ (fo fc )2 Pn
=
x T = e yT i=1
fc
i=1 yi
8 ȳ =
>
>
> 3 si n  20 n
yT = ȳ + K>>
>T ⇥ Sy
<
k= 5 si 20 < n  40 ( n
)1/2
yT = 1ȳ + K>
>
>
>T ⇥
(y
S
µ
y 2
) /2 y2 1 X 2
P (x) = p e> >
:1 + 3.3 ⇥ log(n) sin > 40 Sy
y
= ⇥ (yi ȳ)
x
y 2⇡ n 1
1 (y µy ) 2
/2 2 i=1
P (x) = p e gl = k m
y
1
x y 2⇡
Donde:
fo son las frecuencias observadas
fc son las frecuencias teóricas calculadas
n es el número de datos
CAUDALES
gl es el grado de libertad de la distribución 2 ANÁLISIS FRECUENCIAL
m 0.5
p = P (X  xm ) =
n
Gráficas de probabilidad m
p = P (X  xm ) =
n+1
Caudal Caudal
Año m p
(m3/s) Ordenado
2001 14.94 5.68
2002 15.29 7.74
2003 55.59 8.00
2004 8.00 9.35
2005 5.68 14.91
2006 9.35 14.94
2007 7.74 15.29
2008 14.91 17.67
2009 17.67 29.90
2010 29.90 55.59
CAUDALES
Gráficas de probabilidad
Caudal Caudal
Año m p
(m3/s) Ordenado
2001 14.94 5.68 1 0.09
2002 15.29 7.74 2 0.18
2003 55.59 8.00 3 0.27
2004 8.00 9.35 4 0.36
2005 5.68 14.91 5 0.45
2006 9.35 14.94 6 0.55
2007 7.74 15.29 7 0.64
2008 14.91 17.67 8 0.73
2009 17.67 29.90 9 0.82
2010 29.90 55.59 10 0.91
CAUDALES
Distribución Normal
100
Distribucion Normal
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Normal
100
Distribucion Normal
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Normal
1000
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Normal
1000
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Gumbel
100
Distribucion Gumbel
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Gumbel
100
Distribucion Gumbel
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Gumbel
1000
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Gumbel
1000
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Pearson Tipo III
100
Distribucion Pearson Cs=1.52
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Pearson Tipo III
100
Distribucion Pearson Cs=1.52
90
80
70
60
50
X
40
30
20
10
0
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Pearson
1000
Distribucion Log Pearson Cs = 0.54
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
Distribución Log Pearson Tipo III
1000
Distribucion Log Pearson Cs = 0.54
500
400
300
200
150
100
50
40
X
30
20
10
1
0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.96
0.97
0.98
0.99
0.995
0.999
P(X<x)
CAUDALES
1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
10
20
30
40
50
60
70
80
90
100
0.001 0.001
0.005 0.005
0.01 0.01
0.02 0.02
0.03 0.03
0.04 0.04
0.05 0.05
0.1 0.1
0.2 0.2
0.3 0.3
0.4 0.4
0.5 0.5
P(X<x)
0.6
P(X<x)
0.6
0.7 0.7
0.8 0.8
Distribucion Normal

0.9 0.9
0.95 0.95
0.96 0.96
0.97 0.97
0.98 0.98
0.99 0.99
0.995 0.995
0.999 0.999
1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
10
20
30
40
50
60
70
80
90
100
0.001 0.001
0.005 0.005
0.01 0.01
0.02
0.03 0.02
0.03
0.04
0.05 0.04
0.05
0.1 0.1
0.2 0.2
0.3 0.3
0.4 0.4
0.5 0.5
0.6 0.6
0.7 0.7
0.8 0.8
0.9 0.9
P(X<x)
P(X<x)
0.95 0.95
0.96 0.96
0.97 0.97
0.98 0.98
Distribucion Gumbel
0.99 0.99
0.995 0.995
0.999 0.999

1
5
10
20
30
40
50
100
150
200
300
400
500
1000
0
10
20
30
40
50
60
70
80
90
100
0.001 0.001
0.005
0.01
0.02
0.03
0.04
0.05
0.005 0.1
0.01 0.2
0.02 0.3
0.03
0.04
0.05 0.4
0.5
0.1
0.6
0.2 0.7
0.3
0.8
0.4
0.5
0.6 0.9
0.7
0.8 0.95
0.96
P(X<x)
P(X<x)
0.97
0.9
0.98
0.95
0.96
0.97 0.99
Distribucion Pearson tipo III
0.98
Distribucion Log Pearson Tipo III
0.995
0.99
0.995
0.999 0.999
CAUDALES

4 6 Caudales Analisis Frecuencial

Uploaded by

Document Information

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

4 6 Caudales Analisis Frecuencial

Uploaded by

Copyright:

Available Formats

CAUDALES

Los procesos hidrológicos varían en el espacio y en el tiempo de

Los caudales máximos, son eventos que pueden ser considerados

El comportamiento de los caudales máximos se puede describir

El análisis de frecuencias consiste en estimar la probabilidad de

Q1, Q2, Q3, …., Qi, …., Qn

x µmedio diario del año i en la estación de interés

de x para una muestra de una población con una

Estimación de x para una muestra con cualquier distribución de

Funciones de distribución que se utilizan en el ámbito

Función de densidad y densidad  acumulada ✓ ◆

LOG PEARSON TIPO 3 ✓ ◆ 1 ✓

ELECCIÓN POR PRUEBAS DE AJUSTE Y ESTADÍSTICOS

orden Xi de menor a acumulada

Probabilidad acumulada [%]

Probabilidad acumulada [%]

Distribucion Log Normal Distribucion Log Gumbe

Probabilidad acumulada [%]

Probabilidad acumulada [%]

0 50 100 150 0 50 100 150 0 50 100 150

Probabilidad acumulada [%]

Probabilidad acumulada [%]

0 50 100 150 0 50 100 150 0 50 100 150

Permite linearizar la relación de probabilidad con los datos ajustados

Distribucion Log Normal

Caudal (m3/s) Caudal (m3/s)

Caudal (m3/s) Caudal (m3/s)

Variable Original Variable Transformada

Distribucion Log Normal

Caudal (m3/s) Caudal (m3/s)

Distribucion Log Gumbel

Caudal (m3/s) Caudal (m3/s)

You might also like