MODELOS Y PROCESOS HIDROLOGICOS

Msc. Ing. Alberto Pilares Hualpa

MODELOS HIDROLGICOS
Segn Chow. Maiduant y Mays (1984), un modelo de sistema hidrolgico es una
aproximacin al sistema real: sus entradas y salidas son variables hidrolgicos
mensurables y su estructura es un conjunto de ecuaciones que conectan las
entradas y salidas.
Los modelos hidrolgicos pueden dividirse en dos categoras: modelos fsicos y
modelos abstractos. Los primeros incluyen, modelos de escala que refrendan el
sistema en una escala reducida, tal como un modelo hidrulico del vertedero de
una prosa. Los modelos abstractos representan el sistema en forma matemtica,
la operacin del sistema se describe por medio de un conjunto de ecuaciones que
relacionan los variables de entrada y salida.
Estas funciones pueden ser funciones de espacio y del tiempo y tambin pueden
ser variables probabilsticas y aleatorias, que no tienen un valor fijo en un punto
particular del espacio y tiempo, pero que estn descritas a travs de distribuciones
de probabilidad.
MODELO MATEMATICO

Un modelo matemtico es una simplificacin de una situacin real, expresada
mediante una serie de hiptesis o suposiciones, traducidas en lenguaje
matemtico y que conducen, despus de una adecuada manipulacin, utilizando
para ello las tcnicas matemticas apropiadas, a una serie de resultados de cuyo
anlisis se espera sacar a la luz aspectos de la situacin original no fcilmente
apreciables a simple vista.

CHOW (1964) seala que los modelos matemticos son aplicados para simular el
fenmeno hidrolgico natural, el cual es considerado como un proceso o sistema.
Cualquier fenmeno que est sometido a cambios, particularmente con respecto al
tiempo, es llamado un proceso. Como prcticamente todos los fenmenos
hidrolgicos cambian con el tiempo pueden ser llamados procesos hidrolgicos. Si
la oportunidad de ocurrencia de las variables envueltas en tal proceso es ignorada
y el modelo se considera que sigue una ley de certeza pero ninguna ley de
probabilidad, el proceso y el modelo son descritos como determinsticos. De otra
forma, si la oportunidad de ocurrencia de la variable es tomada en consideracin y
el concepto de probabilidad es introducido en la formulacin del modelo, el
proceso y el modelo son descritos como estocsticos o probabilsticos (CHOW,
1964).

Estrictamente hablando, un proceso estocstico es diferente a uno probabilstico
en que el primero es considerado dependiente del tiempo y el segundo
independiente del tiempo. Podra decirse, entonces, que los modelos
Probabilsticos hacen predicciones, mientras que los modelos estocsticos hacen
pronsticos (CHOW et al., 1994).

En realidad, todos los procesos hidrolgicos son ms o menos estocsticos. Se
asumen determinsticos o probabilsticos slo para simplificar su anlisis.

Tipos de modelos matemticos de cuencas

Un modelo matemtico de cuenca consiste en varios componentes, cada uno
describe cierta fase o fases del ciclo hidrolgico. Un modelo matemtico puede ser
de tres tipos: (1) terico, (2) conceptual, o (3) emprico. Los modelos tericos y
empricos son exactamente opuestos en significado, con modelos conceptuales
que se ubican entre ellos. En suma, un modelo matemtico puede ser
determinstico o probabilstico, lineal o no lineal, invariable en el tiempo o variable
en el tiempo, global o distribuido, contino o discreto, analtico o numrico, evento
guiado o proceso continuo.

En la prctica del modelado de cuenca, cuatro tipos generales de modelos
matemticos se reconocen comnmente: (1) determinsticos, (2) probabilsticos,
(3) conceptuales, y (4) paramtricos.

Los modelos determinsticos, son formulados siguiendo las leyes de los
procesos fsicos y procesos qumicos descriptos por ecuaciones diferenciales. Un
modelo determinstico es formulado en trminos de un grupo de variables y
parmetros y ecuaciones relacionadas a ellos. Un modelo determinstico implica
una relacin causa-efecto entre los valores de los parmetros elegidos y los
resultados obtenidos de la aplicacin de las ecuaciones. Idealmente, un modelo
determinstico debera proveer el mejor detalle en la simulacin de los procesos
fsicos o qumicos. En la prctica, sin embargo, la aplicacin de modelos
determinsticos est asociada frecuentemente a la incapacidad del modelo o del
modelador de resolver la variabilidad temporal y espacial del fenmeno natural en
incrementos suficientemente pequeos.

Los modelos probabilsticos, son exactamente lo opuesto en significado a los
modelos determinsticos. Un modelo probabilstico se formula siguiendo las leyes
del azar o probabilidad. Los modelos probabilsticos son de dos tipo: (1)
estadsticos, y (2) estocsticos. El desarrollo de los modelos estadsticos es
gobernado por las leyes de la probabilidad y aleatoriedad los modelos estadsticos
tratan con ejemplos observados, y requieren invariablemente el uso de datos;
mientras que los modelos estocsticos enfocan en las propiedades aleatorias o
estructura del azar observada en ciertas series de tiempo hidrolgicas - por
ejemplo, flujos diarios de corriente en cuencas de tamao medio. los modelos
estocsticos enfatizan sobre las caractersticas estocsticas de los procesos
hidrolgicos.

Los modelos conceptuales son representaciones simplificadas de los procesos
fsicos, obtenida por los variaciones espacial y temporal y usualmente recaen
sobre descripciones matemticas (ya sean en forma algebraica o por ecuaciones
diferenciales ordinarias), que simulan procesos complejos basndose en unas
pocas claves de parmetros conceptuales. El uso extensivo de los modelos
conceptuales en la ingeniera hidrolgica refleja la complejidad inherente del
fenmeno y la incapacidad prctica de considerar los componentes
determinsticos en todas las instancias. De all que los modelos conceptuales son
sustitutos tiles y prcticos para los modelos determinsticos.

Los modelos paramtricos, (esto es: emprico, o caja negra) son los ms
simples de todas las propuestas de modelado. Como su nombre indica, el nfasis
de los modelos paramtricos est en los parmetros empricos en los que est
basada la solucin. Usualmente, un modelo paramtrico consiste en una ecuacin
(o ecuaciones) algebraica que contiene uno o ms parmetros a ser determinados
por el anlisis de datos u otro medio emprico. La aplicabilidad de los modelos
paramtricos est restringida al rango de datos utilizados en la determinacin de
los valores de los parmetros. Los modelos paramtricos son tiles cuando los
modelos conceptuales, determinsticos o probabilsticos no son prcticos o son
demasiado caros.
VARAS E. Y FERRER P. (1972), Los fenmenos que se presentan en la
ingeniera, pueden clasificarse desde el punto de vista de la certeza de su
ocurrencia, en determinsticos y probabilsticos. Si la probabilidad de ocurrencia
de las variables en proceso es cierta, es decir asegurar una ley determinada
no probabilstico. En cambio si se toma en cuenta la probabilidad de ocurrencia
y la falta de certeza existente entonces se habla de un proceso de naturaleza
probabilstica en el campo de la ingeniera de la hidrolgica pertenecen a la
categora de los probabilsticos o estadsticos.
En rigor, existen diferencias entre los procesos probabilsticos y los
estocsticos. Los primeros son independientes del tiempo y los segundos son
dependientes. Se denominan proceso estadstico a un conjunto de variables
aleatorias cuyas caractersticas varan en el tiempo. En un proceso probabilstico,
independiente de la variable del tiempo, la secuencia de las variables no
interesan y se supone que ellas siguen un determinado comportamiento dado por
el modelo probabilstico o distribucin.
Los ejemplos de tipos de modelos matemticos de cuencas y los componentes del
modelo pueden hallarse en una variedad de aplicaciones hidrolgicas. Por
ejemplo, la tcnica del ruteo de onda cinemtica es determinstica, fundada en
principios bsicos de conservacin de masa y momentum. Una vez que los
parmetros de la curva de valor cinemtica han sido determinados, las soluciones
analticas de las ondas cinemticas llevan a soluciones predecibles.

Las soluciones numricas, sin embargo, estn sujetas a la difusin y dispersin
causadas por la naturaleza finita de la malla. De all que, evaluaciones cuidadosas
son necesarias para asegurarse que todos los procesos relevantes estn siendo
cuantificados apropiadamente.

El mtodo de Gumbel para el anlisis de frecuencia de inundacin (creciente) es
un ejemplo tpico del uso de los mtodos probabilsticos en hidrologa. El mtodo
de Gumbel es estadstico, ya que los parmetros de la distribucin de la
frecuencia son evaluados a partir de los datos medidos. Los mtodos estocsticos
ha sido utilizada primeramente en la generacin sinttica de series hidrolgicas
temporales, tales como flujos diarios de corriente de cuencas de tamao medio,
las cuales muestran componentes sustanciales del azar.

La cascada de reservorios lineales es un ejemplo tpico de modelo conceptual. En
este caso, los procesos fsicos de la concentracin del escurrimiento y la difusin
del mismo estn siendo simulados en el medio por la difusin inherente en la
solucin matemtica de un reservorio lineal. Dos o ms reservorios en serie
producen suficiente difusin de modo que la traslacin (concentracin del
escurrimiento) y el almacenaje (difusin del escurrimiento) son simuladas
efectivamente. Como en cualquier modelo conceptual, los datos de lluvia-
escurrimiento medidos son necesarios para determinar los valores apropiados de
los parmetros del modelo.

El anlisis regional es un ejemplo tpico de proyecto paramtrico para el modelado
de cuencas hidrolgicas. En este caso, las tcnicas de regresin estadstica son
utilizadas para desarrollar ecuaciones predictivas que tengan aplicabilidad
regional. Los parmetros de la ecuacin de regresin tienen significancia regional,
por ello, la extrapolacin ms all de la regin de definicin no est garantizada.

Relaciones precipitacin-duracin-frecuencia.

Uno de los primeros pasos que debe seguirse en muchos proyectos de diseo
hidrolgico es la determinacin del o los eventos de precipitacin que deben
usarse. La forma ms comn de hacerlo es utilizar una lluvia de diseo o un
evento que involucre una relacin entre la precipitacin, la duracin de esta, y las
frecuencias o perodos de retorno apropiados para la obra y el sitio. Estos eventos,
por otra parte, pueden estar basados en anlisis regionales o de sitio especfico
(CHOW et al., 1994 y ZALINA et al., 2002).

Procedimiento de anlisis. AYALA y FERRER (1973) sealan que el
procedimiento de anlisis de frecuencia comprende las siguientes etapas:
verificar la confiabilidad de los datos hidrolgicos
suponer ciertos modelos probabilsticos
estimar los parmetros estadsticos de las funciones de distribucin de
probabilidades de cada modelo elegido
realizar pruebas que permitan seleccionar el modelo probabilstico que mejor
describe el fenmeno que se intenta representar
estimar l o los valores de diseo correspondientes al perodo de retorno de
inters.

Segn BROWN y VARGAS (1986); JARA (1986); BOOY y LYE (1989); CHOW et
al. (1994) y VARAS y BOIS (1998), al estimar estos valores de diseo, existen
varias fuentes de incertidumbre hidrolgica que pueden ser divididas en tres
categoras:
Incertidumbre natural o inherente con respecto al proceso de generacin
aleatoria del fenmeno de inters
Incertidumbre de modelo, al representar un proceso con un modelo inadecuado
Incertidumbre de parmetro, asociada a la metodologa usada en la estimacin
de los parmetros del modelo.

Anlisis de confiabilidad de datos hidrolgicos.

VARAS (1996) indica que en un anlisis de frecuencia la confiabilidad de las
estimaciones depende esencialmente de la longitud, continuidad, precisin y
representatividad de los registros disponibles. En consecuencia, que previo a usar
la informacin recogida en una estacin, esta debe ser examinada por posibles
errores. Si tales errores son apreciables, ellos debieran ser analizados y
corregidos antes de que el anlisis de frecuencia sea realizado.

Modelos de distribucin de probabilidades. GRAY (1973) y KITE (1977) indican
que el criterio ms importante en la eleccin de un modelo particular es que hay
una teora slida describiendo un fenmeno y que el modelo debe extraer la
mxima informacin de los datos usando apropiadas tcnicas de estimacin.
AYALA y FERRER (1973) sealan que de acuerdo a las propiedades de los datos
hidrolgicos, en general, las funciones de densidad de probabilidades de cada
modelo deben tener las siguientes caractersticas:
la funcin debe ser continua y estar definida para todo valor positivo de la
variable
el lmite inferior debe ser cero o un valor positivo de la variable
el lmite superior debe estar definido hasta el infinito
para valores grandes de la variable, la funcin debe hacerse asinttica con cero.
Esto es lgico por cuanto valores menos frecuentes de las variables hidrolgicas
son aquellos valores altos
la forma general de la funcin debe ser de campana unimodal con dos colas y
con gran variedad de asimetra.

BENJAMIN y CORNELL (1981) y DUAN et al. (1998), sealan que la habilidad de
un modelo probabilstico para ajustarse a los datos de precipitacin depende de la
flexibilidad y la naturaleza intrnseca de la forma de la funcin de distribucin de
probabilidades (fdp). Mientras ms parmetros tenga un modelo, ms verstil se
vuelve su fdp y mejor se la puede ajustar a los datos.

Segn HARGREAVES (1988); BOBE et al. (1993) y ZALINA et al. (2002), no
existe en hidrologa ninguna base terica slida para justificar una funcin
especfica de distribucin de probabilidades. Como no hay un procedimiento
terico para decidir que modelo probabilstico es el mejor en un anlisis de
frecuencia particular, es habitual verificar y comparar la conveniencia o
conformidad de muchas distribuciones candidatas y hacer una eleccin entre ellas
basndose en consideraciones como ajuste de datos disponibles, facilidad
computacional y consistencia con varios tamaos de muestra.

Estimacin de parmetros.

AYALA y FERRER (1973) y KITE (1977), sealan que una vez que un modelo
probabilstico ha sido escogido, la segunda fuente de error es aparente: los
parmetros estadsticos de la funcin de distribucin de probabilidades deben ser
estimados desde la muestra. Dado que la muestra est sujeta a errores, el mtodo
de estimacin debe minimizar estos errores.

Segn OBREGN (1977) y YEVJEVICH (1978), un estimador es un estadgrafo
cuyo valor observado intentamos usar para estimar el valor de un parmetro
desconocido de una funcin de distribucin de probabilidades. De este modo,
pueden ser clasificados en trminos de sesgo, eficiencia, consistencia, suficiencia
y eficiencia asinttica.

Se dice que un estimador es insesgado si su valor esperado es igual al parmetro
que se intenta estimar, sea cual fuere el tamao de la muestra.
Se dice que un estimador es ms eficiente que otro si, teniendo ambos el mismo
valor esperado (en particular si ambos son insesgados), la varianza del primero es
menor que la del segundo.
Se dice que el estimador es consistente si, cuando el tamao de la muestra tiende
a infinito, su media tiende al parmetro que intenta estimar y su varianza tiende a
cero (en otras palabras si converge en probabilidad al parmetro que intenta
estimar).
Se dice que un estimador es suficiente, si hace uso de toda la informacin que
est contenida en la muestra.
Se dice que un estimador es asintticamente eficiente si es consistente y adems,
para tamaos de muestra suficientemente grandes, su varianza es menor que la
de cualquier otro estimador del mismo parmetro.

Kuczera (1982), citado por ARORA y SINGH (1989); WALLIS y WOOD (1985) y
BOBE et al. (1993), indican que un estimador es robusto, si las cualidades de
ste (sesgo, varianza, entre otras) son insensibles a pequeas desviaciones
respecto de la suposicin que justifica el procedimiento de estimacin. Por ende,
un estimador robusto es estable (resistente) y eficiente frente a fluctuaciones del
tamao de la muestra, como la adicin o sustraccin de un dato.
Gumbel sugiri que la distribucin de valores extremos es apropiada para los
anlisis de avenidas, ya que la avenida anual podra ser considerada como la
mxima de una muestra de 365 valores posibles cada ao.

Fisher y Tipet mostraron que si uno selecciona el evento ms grande de cada una
de muchas muestras grandes, la distribucin de estos valores extremos o
mximos era independiente de la muestra original y se aproximaba a una
distribucin lmite que sera la teora a usar.

Entre las distribuciones posibles tenemos entre otras:
- Distribucin Logartmica Normal.

- Distribucin de valores extremos
o Tipo I: Gumbel
o Tipo III: Log Pearson III

Seleccionar la distribucin terica ms adecuada para los datos.

PROBLEMA:
Densidad de probabilidad: dotacin log- normal
P = PROBABILIDAD DE EXCEDENTA
) ( X x P > =
TR = PERIODO DE RETORNO




a) Determinar la probabilidad de igualacin o excedencia de un caudal dado (TR
dado Q).

b) Determinar el valor del caudal para una probabilidad dada:

SOLUCIN GRFICA:

Papel Probabilstica adecuado.







SOLUCIN ANALTICA

max Q MAX MAX
S K Q Q + =
FACTOR DE FRECUENCIA
Qmac Log
S K Q Log Q Log + =
max max

K depende de la distribucin terica K (T
R
,)

PROBABILIDAD EMPRICA.- EXPERIMENTAL
Ejemplo 11.1.1 Los valores de precipitacin anual en Collage Station, Texas, desde
1911 hasta 1979 se muestran en la tabla 11.1.1 y en forma grfica como una serie de
tiempo en la figura 11.1.2 a) Cul es la probabilidad de que la precipitacin anual R
en cualquier ao sea menor que 35 pulg.? Mayor que 45 pulg.? Entre 35 y 45
pulg.?















Solucin. Existen n = 79 11 + 1 = 69aos de informacin. Sea A el evento de que R
< 35.0 pulg. B el evento de que R > 45.0 pulg. Los nmeros de valores en la tabla
11.1.1 que caen en estos rangos son
1
n = 23 y
8
n = 19, luego P(A) = 23/69 = 0.333 y
P(B) = 19/69 = 0.275. De la ecuacin (11.1.3) la probabilidad deque la precipitacin
anual est entre 35 y 45 pulg. puede calcularse ahora

392 . 0
275 . 0 333 . 0 1
) 0 . 45 ( ) 0 . 35 ( 1 lg) 0 . 45 0 . 35 (
=
=
> < = s s R P R P pu Y P

Ejemplo 11.1.2 Suponiendo que la precipitacin anual en College Station es un
proceso independiente, calcule la probabilidad de que haya dos aos sucesivos con
precipitacin menor que 35.0 pule. Compare esta probabilidad estimada con la
frecuencia relativa de este evento en la informacin desde 1911 a 1979 (tabla 11.1.1)

Solucin. Sea C el evento de que R < 35.0 pulg., para dos aos sucesivos. Del
ejemplo 11.1.1. P(R <35.0 pulg.) = 0.333 y suponiendo una precipitacin usual
independiente.
| |
111 . 0
) 333 . 0 (
lg) 0 . 35 ( ) (
2
2
=
=
< = pu R P C P

En la informacin se observa que existen 9 pares de aos sucesivos con participacin
menor que 35.0 pulg., de los 68 pares posibles: luego, utilizando un conteo directo, se
podra estiman que P(C) = 132 . 0 68 / 9 / = = n n
C
, aproximadamente el valor
encontrado anteriormente suponiendo independencia.
Las probabilidades estimadas utilizando informacin de muestra tal como en los
ejemplos 11.1.1 y 11.12, son aproximadas debido a que dependen de valores
especficos de las observaciones en una muestra de tamao limitado. Una alternativa
es ajustar una funcin de distribucin de probabilidad a la informacin y luego
determinar las probabilidades de los eventos utilizando esta funcin de distribucin.

PARAMETROS ESTADSTICOS
Ejemplo 11.3.1 Calcule la media de la muestra, ha desviacin estndar de la muestra
y el coeficiente de asimetra de la muestra de la informacin de precipitacin anual en
Collage Station, Texas, desde 1970 hasta 1979. La informacin est dada en la tabla
11.1.1.
Solucin. Los valores de precipitacin anual desde 1970 hasta 1979 se muestras en
la columna 2 de la tabla 11.3.2. Utilizando la ecuacin (11.3.2) la media es:

MEDIA: X
. lg 17 . 40
10
7 . 401
1
1
pu
x
n
x
n
i
i
=
=
=

=








Los cuadrados de las desviaciones de la media se muestran en la columna 3 de la
tabla, totalizando 1,016.9 pulg. De la ecuacin (11.3.4)

2
1
2 2
lg 0 . 113
9
9 . 016 , 1
) (
1
1
Pu
x x
n
S
n
i
i
=
=

=

=

La desviacin estndar es:

. lg 63 . 10
) 0 . 113 (
2 / 1
pu
S
=
=

Los cubos de la desviacin de la media se muestran en la columna 4 de la tabla
11.3.2, totalizando 6,4803. Utilizando la ecuacin (11.3.7)
Coeficiente de Asimetra:
S
C

749 . 0
) 63 . 10 ( 8 9
3 . 480 , 6 10
) 2 ( ) 1 (
) (
3
3
1
3
=
=

=

=
x x
x
S n n
x x n
C
n
i
i
S


a) DISTRIBUCION LOG-NORMAL

mx Q Q CONVERTIR A LOGARITMOS Q Y CALCULAR:

Media: datos de N N
N
Q
Q
log
log = =


Factor de Frecuencia: K=Z=variable estandarizada reducida =
Q S
Q Q
log
log log

Del ejemplo anterior:

460 , 0 ln
162 , 8 ln
=
=
Q S
Q

a) Para un periodo de retorno de 10 aos:
1 , 0 10 = = P T
R
En tablas de distribucin normal

1 P = 0,9









s m e Q
Q SLn K Q Ln Q Ln
/ 6316
7508 . 8 ) 46 . 0 ( 28 , 1 162 , 8
3 7508 . 8
= =
= + = + =

Se puede trabajar con log. Decimales o neperianos
80072 , 3
80072 , 3 ) 999915 , 1 ( 28 , 1 544828 , 3
199915 , 1
544828 , 3
=
= + =
)
`

=
=
Log
Q Log
Q SLog
Q Log

s m Q T
R
/ 320 6 10 10
3 80072 , 3
= = =
Para 33 . 2 : ; 99 . 0 1 01 . 0 100 = = = = = K Z tablas de P P T
R


01063 . 4 ) 199915 , 0 ( 33 . 2 544828 . 3 = + = Q Log

m m Q T
R
/ 248 10 10 100
3 01063 . 4
= = =

b) Determinar el periodo de retorno terico para s m Q / 500 7
3
=

0495 . 0 1
9505 . 0 653 . 1
46 . 0
162 . 8 ) 500 7 (
= =
= =

=
P P
P tabla la de
Ln
Z

aos T
Q Log S
Q Log Q Log
K Z
R
0 . 20 =

= =

Comprobacin grfica: Papel probabilstica Log Normal





DISTRIBUCION DE GUMBEL

Cuando el nmero de valores extremos seleccionados es grande, se ha
comprobado que las distribuciones de valores extremos seleccionados de
conjuntos de muestras de cualquier distribucin de probabilidad, convergen en una
de las tres formas de distribucin de valor extremo, llamadas tipo I, II y III
respectivamente.
Estas tres formas limitantes son casos especiales de una distribucin nica
denominada distribucin de Valor Extremo General, que se expresa a
continuacin: Los parmetros que intervienen en la distribucin de Gumbel se
estiman utilizando la media aritmtica de la muestra y la desviacin tpica.

Media aritmtica
Es la suma de todos los valores observados dividido por el nmero total de
observaciones,
Desviacin tpica
Es la desviacin cuadrtica respecto a la media,
El parmetro u es la moda de la distribucin, es decir el punto de mxima
densidad de probabilidad. La variable reducida y puede definirse como sigue a
continuacin:
Para la distribucin de valores extremos tipo I, xT se relaciona con yT mediante la
siguiente ecuacin:
T T x = u + y
Donde u y son los parmetros de la distribucin
Con el objeto de evidenciar el comportamiento del ajuste de la distribucin de
Gumbel a los datos, se realizan dos test de bondad, el de Kolmogorov-Smirnov
y el Chi-Cuadrado para dos niveles de significancia, 5% y 1%.

b) DISTRIBUCIN GUMBEL
Tipo exponencial:
y
e
e P

=1
P = probabilidad de que un valor Q sea igualado o excedido.
y = variable reducida = a(Q - U) . (1)
= =
Q
n
S
a
o
parmetro de dispersin . (2)
n
n
Q
y
S Q U
o
= = moda de fa distribucin . (3)
Q = valor medio de los caudales mximos observados
Q
S = desviacin tpica de los caudales mximos observados
n
y = media
n
o = desviacin tpica de la variable reducida
N 20 30 40 50 100 200
n
y
0.52 0.54 0.54 0.55 0.56 0.57 0.5775
n
o
1.06 1.11 1.14 1.16 1.21 1.24 1.2825

Reemplazando (3) y (2) en (1) se demuestra:
Q
S K Q Q + =
Con
n
n
y y
K
o

=
Gumbel Modificado
2825 . 1
5775 . 0
=
y
K
Lettenmaier y Burger:
| |
Q
S
P Ln Ln
Q Q
2825 . 1
5775 . 0 )) 1 ( (
+ =
Del ejm. anterior:

= =
=

1
) (
/ 9 . 1825
/ 3886
25
1
2
3
3
N
x x
s m S
s m Q
i
Q

Para 25 aos: 5309 . 0 =
n
y
s m
y
S Q U
m m
S
a
n
n
Q
Q
n
n
3
1 3
81 . 2997
000598 . 0
5309 . 0
3886
) / ( 000598 . 0
9 . 1825
0914 . 1
0914 . 1
= = =
= = =
=

o
o
o

a) Para
6922 . 2
) 81 . 2997 7500 ( 000598 . 0 ) ( / 500 7
3
=
= = =
y
U Q a y m m Q

065 . 0 9345 . 0 1 ) / 7500 (
9345 . 0 1
3
= = >
= =

s m Q P
e P
y
e

b) Para aos T
R
60 =
| |
s m
a
y
U Q
U Q a Ln Ln y
e P
y
e
/ 1 . 9827
) ( )) 0167 . 0 1 ( (
1 0167 . 0
60
1
3
= + =
= =
= = =

DISTRIBUCION LOG PEARSON III

Las leyes de Pearson representan estructuras analticas simples y de forma
bastante flexible para ajustarse fcilmente a numerosos tipos de curvas
experimentales. Se utilizan mucho pese a su comportamiento exponencial en el
infinito, que lleva quiz a atribuir probabilidades demasiado pequeas a las
crecidas de magnitud importante.

Para el estudio de la serie de datos se asume que Log Q sigue una distribucin
Pearson tipo III, entonces se dice que Q sigue una distribucin Log Pearson III.
Al hacer uso de esta distribucin, el primer paso es tomar los logaritmos con base
10 de los datos. Paso seguido se calcula la media QL, la desviacin estndar qL y
el coeficiente de asimetra AL.

Media logartmica
Es la suma de los logaritmos de todos los valores observados dividido por el
nmero total de observaciones,

Desvo estndar
Es la desviacin cuadrtica del logaritmo de los datos respecto a la media
logartmica

Coeficiente de asimetra
Es un coeficiente que da la medida de la simetra de la distribucin respecto de la
media

Con el objeto de evidenciar el comportamiento del ajuste de la distribucin Log
Pearson III a los datos, se realizan dos test de bondad, el de Kolmogorov-
Smirnov y el Chi-cuadrado para dos niveles de significancia, 5% y 1%. Ambas
pruebas son superadas satisfactoriamente por esta distribucin.

c) LOG-PEARSON TIPO III
(Distribucin truncada)
Convertir la serie a sus logaritmos y calcular Log Q Log , S Log Q y el coeficiente de
asimetra:
( )
3
3
) )( 2 )( 1 ( Q Log S N N
LogQ Q Log N
Ag


=


Factor de Frecuencia: K = ( Ag T
R
, )
Cuadro 11.4 (Hidrologa de Linsley pg. 285)
Cuadro 10.2 (Hidrologa de Chereque pg. 169)









Si Ag = 0 Coincide con la distribucin Log-Normal (en papel Log-Normal mostrar
lnea recta)
Ej: Para una serie de 55 aos de registros:
0434 . 0 1296 . 0 7212 , 4
3 3
= = = Ag
s
pie
S
s
pie
Q Log
Q

Encontrar
100 10
Q y Q
Del cuadro 10.2 (chereque) interpolando entre Ag=0 y Ag=0,2:
358 . 2 286 . 1
100 10
= = K y K
m pie AntiLog Q
Q Log
/ 250 77 ) 8879 . 4 (
8879 . 4 ) 1296 . 0 ( 286 . 1 7212 . 4
3
10
10
= =
= + =

s pie Q Q Log / 400 106 0268 . 5
3
100 100
= =




































PRUEBAS DE AJ USTE DE DISTRIBUCIONES EMPRICAS A DISTRIBUCIONES
TERICAS.
a) Chi-Cuadrado: x
2
Mediante esta prueba se verifica si la informacin hidrolgica sigue una determinada
distribucin de probabilidad.

=
(

=
n
i
terica f
terica f observada frecuencia
calculado x
1
2
2
) (


2 int
) , ( %) , (
2
=
= =
ervalos de n v
v f libertad de grado f tabular x o

Esta prueba ha sido establecida para probar el ajuste a una distribucin normal
mediante intervalos de clase, pero se puede usar para las otras distribuciones incluso
sin intervalos.
Ej: Usando el mtodo de los momentos, ajuste la distribucin normal a la precipitacin
anual en Collage Staton, Texas, de 1911 a 1979. Grafique las funciones de frecuencia
relativa y de probabilidad incremental y las funciones de frecuencia acumulada y
probabilidad acumulada. Utilice la prueba x
2
para determinar si la distribucin normal
se ajusta adecuadamente a los datos.
Solucin: El rango de precipitacin Rse divide en 10 intervalos. El primer intervalo es
R s 20 pulg., el ltimo intervalo es R > 60 pulg., y cada intervalos intermedios cubre
un rango de 5 pulg.
Ajuste de una precipitacin normal a la precipitacin anual en Collage Station, Texas,
1911-1979



CRITERIOS:
Si x
2
calculado < x
2

Se ajusta a la
distribucin
El ajuste de menor x
2
es
el mejor








Se calcula la funcin de frecuencia relativa ) (
1
X f (columna 3) con n=69. Por ejemplo,
para =4 (30-35 pulg.), n
i
= 14. La funcin de frecuencia acumulada (columna 4) se
encuentra sumando las frecuencias relativas. Para =4,
333 . 0 203 . 0 130 . 0 ) ( ) ( ) ( ) (
4
1
4 3 4
= + = + = =

= j
S S j S S
X f X F X f X F
Puede notarse que esta es P(X s 35.0 pulg.).
Para ajustar la funcin de distribucin normal, las estadsticas de la muestra x=39:77
pulg., y s=9 17 pulg., de la informacin obtenida desde 1911 hasta 1979 y se usan
como estimativos para o y . Se calcula la variable normal estndar z
correspondiente al lmite superior en cada uno de los intervalos de la informacin que
se muestra en la columna 5 de la tabla. Por ejemplo para =4,
520 . 0
17 . 9
77 . 39 0 . 35
=

=
o
x
z
El valor correspondiente de la funcin de probabilidad normal acumulada est dado
como 0.301, tal como se muestra en a columna 6 de la tabla. Se calcula la funcin de
probabilidad incremental. Para =4,
158 . 0 144 . 0 301 . 0 ) 30 ( ) 35 (
lg) 35 30 ( ) (
4
= = =
s s =
F F
pu X P X p

y los valores calculados en forma similar para otros intervalos se muestran en la
columna 7.
Las funciones de frecuencia relativa f
S
(x
i
) y p(x
i
) se grafican en la figura Fa y las
funciones de frecuencia acumulada y de distribucin de probabilidad Fs(xi) y F(x)
estn graficadas en la figura. Debido a la similitud de las dos funciones mostradas en
cada una de las grficas, es evidente que la distribucin normal se ajusta muy bien a
esta informacin de precipitacin anual.
Para verificar la bondad del ajuste, se calcula la prueba de estadstica x
2
. Para =4,
| |
891 . 0
157777 . 0
) 157777 . 0 20290 . 0 ( 69
) (
) ( ) (
2
4
2
4 4
=

=
x
X p
X p X f n
S

tal como se muestra en la columna 8.
El valor total de esta columna es 2,377. El valor de para una probabilidad
acumulada de 1- o = 0.95.
Grados de libertad: 7 1 2 10 1 = = = p m
1 . 14 95 , 0 , 7
2
= X
Como este valor es mayor que x
2
calculado, la hiptesis no puede rechazarse con un
nivel de confianza de 95% el ajuste de la distribucin normal a la informacin de
precipitacin anual de Collage Station se acepta.







Precipitacin anual (pulg.)
Muestra, fs(xi) Ajuste, p(xi)
a) Funcin de frecuencia relativa







Precipitacin anual (pulg.)
Muestra Fs (xi) Ajuste F(xi)
b) Funcin de frecuencia acumulada
Figura.- Funciones de frecuencia para una distribucin normal ajustada a la
precipitacin anual en Collage Station, Texas