ANÁLISIS DE SERIES DE CAUDALES MEDIOS Y EXTREMOS

JUAN ANDRÉS POSADA OSPINA

C.C. 1037 671 276

PROFESOR: GERMÁN POVEDA JARAMILLO

HIDROLOGÍA

UNIVERSIDAD NACIONAL DE COLOMBIA, SEDE MEDELLÍN

FACULTAD DE MINAS
2019
1. A partir de la serie de caudales diarios, calcule la serie de caudales promedios mensuales, y
la serie de caudales promedios anuales. Los datos faltantes no se deben involucrar en los
análisis. Estime el ciclo anual promedio de caudales mensuales, y grafíquelo incluyendo el
error de estimación de la media de cada mes.

Tomando la serie de caudales asignada, que comprende datos desde el año 1970 al 200, y
trabajando con el año hidrológico, se obtiene:

1.60

1.40 1.298

1.20 1.097
Caudales (m^3/s)

1.00 0.927
0.859

0.80 0.701 0.703

0.615
0.537 0.560
0.60 0.462 0.446 0.455

0.40

0.20

0.00

Tiempo (meses)

Figura 1. Ciclo anual promedio de caudales mensuales.

De la figura 1, se puede observar que el ciclo anual promedio de los caudales mensuales presenta un
comportamiento unimodal, donde encontramos la época de máximos caudales en los meses de junio,
julio y agosto (JJA), y la época de mínimos caudales durante enero, febrero y marzo.
Este comportamiento no se puede relacionar con la oscilación latitudinal de la Zona de Convergencia
Intertropical (ZCIT), que determina el ciclo anual del clima tropical, dado que esta presenta mayores
caudales durante MAM y SON y menores caudales durante DEF y JJA, asociados al aumento y
disminución de la precipitación, respectivamente.
También, cabe resaltar que los errores relativos son bajos, aspecto que se puede asociar a la alta
cantidad de datos trabajados (alrededor de 11.400).
De la Figura 2, se puede observar que en la serie de caudales promedios anuales, se obtienen picos
de máximos en los años 1976-1977, 1982-1983 y 1994-1995, años donde se desarrolló el evento de
El Niño; y se obtienen mínimos en los años 1973-1974, 1981-1892 y 1995-1996, donde en el primer
y segundo mínimo mencionado, se encuentra relación con eventos ocurridos de La Niña. Es así, como
se evidencia que la serie de caudales en estudio no tiene una relación directa con los eventos del
ENSO.

1.20

1.00
Caudales (m3/s)

0.80

0.60

0.40

0.20

0.00

1989-1990
1970-1971
1971-1972
1972-1973
1973-1974
1974-1975
1975-1976
1976-1977
1977-1978
1978-1979
1979-1980
1980-1981
1981-1982
1982-1983
1983-1984
1984-1985
1985-1986
1986-1987
1987-1988
1988-1989

1990-1991
1991-1992
1992-1993
1993-1994
1994-1995
1995-1996
1996-1997
1997-1998
1998-1999
1999-2000
2000-2001
Tiempo (años)

Figura 2. Caudales promedios anuales

3.00

2.50

2.00
Caudales (m3/s)

1.50

1.00

0.50

0.00
1965 1970 1975 1980 1985 1990 1995 2000 2005
Tiempo (años)

Figura 3. Caudales promedios mensuales.

En la gráfica de caudales promedios mensuales, mostrada en la figura 3, se pueden observar las

discontinuidades debidas a la falta de datos en ciertos periodos durante los años en que se encuentra
siendo estudiada la serie.
2. Calcule y grafique la función de masa de probabilidades (histograma de frecuencias) y la
Función de Distribución Acumulada de los caudales diarios, de los caudales promedios
mensuales y de los caudales promedios anuales. Para las tres series de caudales estime la
media, la varianza, la desviación estándar, el coeficiente de variación, el coeficiente de
asimetría y el coeficiente de kurtosis. Calcule la entropía de las series. Discuta sus resultados:
¿Son los caudales Gaussianos? ¿Tienen colas delgadas? ¿Pesadas? ¿Qué implicaciones tiene
el tipo de cola en los diseños ingenieriles?

2.1 Caudales diarios

Para la elaboración del histograma de frecuencias de la serie de caudales diario, se tomaron 30
intervalos de clase.

0.50 120.00%
0.45
100.00%
0.40
0.35
Frecuencia Relativa

80.00%
0.30
0.25 60.00%
0.20 Frecuencia
40.00%
0.15 % acumulado
0.10
20.00%
0.05
0.00 0.00%
0,30
1,21
2,13
3,04
3,95
4,86
5,77
6,68
7,59
8,50
y mayor...

Clase

Figura 4. Histograma de Frecuencias y Función de Distribución de Probabilidad Acumulada de la serie de caudales

diarios

Parámetros Estadísticos (C. Diarios)

Media 0,73
Varianza 0,29
Desv. Est. 0,54
Coeficiente de Variación 0,75
Coeficiente de Asimetría 4,18
Coeficiente de Curtosis 30,90

Tabla 1. Parámetros estadísticos de la serie de caudales diarios.

Del histograma de frecuencias, se puede observar que la mayoría de los valores de los caudales diarios
se encuentran concretado en un rango de 0,61 m3/s a 0,91 m3/s, lo que es coherente con la media
obtenida de la serie (μ = 0,73 m3/s).
En este caso, se obtuvo un valor de Coeficiente de Asimetría de 4.18, indicando que, al ser un valor
positivo, se obtiene una asimetría positiva y, por ende, existe una mayor concentración de valores de
caudales ubicados a la derecha de la media en la distribución normal de probabilidad.
Se sabe que la obtención de valores menores a 0 del Coeficiente de Curtosis, indican una alta
dispersión de datos y que, por el contrario, valores positivos indican alta concentración. Para este
caso, se obtuvo un valor de Coeficiente de Curtosis de 30.9, concluyendo así que los datos se
encuentran concentrados alrededor de la media. Así, se obtiene una distribución clasificada como
leptocúrtica.
El análisis de los valores obtenidos para el coeficiente de variación se presenta al final de este literal.

Para saber si la muestra se distribuye de forma Gaussiana (Normal), se utilizó el software EasyFit
para realizar una prueba de bondad de ajuste. En este caso, el análisis se hace por medio de la prueba
Kolmogorov-Smirnov.

Figura 5. Función de densidad de probabilidad para la serie de caudales diarios.

 Figura 6. Prueba de bondad de ajuste Kolmogorov-Smirnov para la serie de caudales diarios.

La prueba se trabaja con la hipótesis de que la muestra presenta una distribución normal. Para una
confianza del 95% (α = 0.05), se obtiene que la hipótesis se rechaza, llegando a la conclusión de que
la muestra no se distribuye normal, lo que puede indicar que los caudales son de cola pesada.

2.2 Caudales mensuales

Para la elaboración del histograma de frecuencias de la serie de caudales mensuales, se tomaron 30
intervalos de clase.

0.2 120.00%
0.18
100.00%
0.16
Frecuencia Relativa

0.14
80.00%
0.12
0.1 60.00%
Frecuencia
0.08
40.00% % acumulado
0.06
0.04
20.00%
0.02
0 0.00%
0,18
0,09

0,36
0,55
0,73
0,91
1,09
1,27
1,46
1,64
1,82
2,00
2,19
2,37
2,55
2,73

Clase

Figura 7. Histograma de Frecuencias y Función de Distribución de Probabilidad Acumulada de la serie de caudales

mensuales.
 Parámetros Estadísticos (C. Mensuales)
Media 0,72
Varianza 0,12
Desv. Est. 0,34
Coeficiente de Variación 0,48
Coeficiente de Asimetría 1,83
Coeficiente de Curtosis 5,35
Tabla 2. Parámetros estadísticos de la serie de caudales Mensuales.

Del histograma de frecuencias, se observa que la mayoría de los valores de los caudales diarios se
encuentran concretados en un rango de 0,55 m3/s a 0,82 m3/s, lo que es coherente con la media
obtenida de la serie (μ = 0,72 m3/s).
Para los caudales mensuales, se obtuvo un valor de Coeficiente de Asimetría de 4.18, obteniendo
asimetría positiva y, por ende, la existencia de una mayor concentración de valores de caudales
ubicados a la derecha de la media en la distribución normal de probabilidad.
Para este caso, se obtuvo un valor de Coeficiente de Curtosis de 5.35, concluyendo así que los datos
se encuentran concentrados alrededor de la media.
EL análisis de los valores obtenidos para el coeficiente de variación se presenta al final de este literal.
Para saber si la muestra se distribuye de forma Gaussiana (Normal), se utilizó el software EasyFit
para realizar una prueba de bondad de ajuste. En este caso, el análisis se hace por medio de la prueba
Kolmogorov-Smirnov.

Figura 8. Función de densidad de probabilidad para la serie de caudales mensuales.

 Figura 9. Prueba de bondad de ajuste Kolmogorov-Smirnov para la serie de caudales mensuales.

La prueba de bondad de ajuste se trabaja con la hipótesis de que la muestra presenta una distribución
normal. Para una confianza del 95% (α = 0.05), se obtiene que la hipótesis se rechaza, llegando a la
conclusión de que la muestra no se distribuye normal, lo que puede indicar que los caudales son de
cola pesada.

2.3 Caudales anuales

Para la elaboración del histograma de frecuencias de la serie de caudales anuales, se tomaron 30
intervalos de clase.

0.25 120.00%

100.00%
0.2
Frecuencia Relativa

80.00%
0.15
60.00%
0.1
Frecuencia
40.00%
% acumulado
0.05
20.00%

0 0.00%
0,172
0,034
0,103

0,241
0,310
0,379
0,447
0,516
0,585
0,654
0,723
0,791
0,860
0,929
0,998
y mayor...

Clase

Figura 10. Histograma de Frecuencias y Función de Distribución de Probabilidad Acumulada de la serie de caudales
anuales.
 Parámetros Estadísticos (C. Anuales)
Media 0,73
Varianza 0,01
Desv. Est. 0,11
Coeficiente de Variación 0,15
Coeficiente de Asimetría 0,71
Coeficiente de Curtosis 1,76
Tabla 3. Parámetros estadísticos de la serie de caudales anuales.

Del histograma de frecuencias, se observa que la mayoría de los valores de los caudales diarios se
encuentran concretados en un rango de 0,65 m3/s a 0,83 m3/s, lo que es coherente con la media
obtenida de la serie (μ = 0,73 m3/s).
Para esta serie de caudales anuales, se obtuvo un valor de Coeficiente de Asimetría de 0,71,
obteniendo asimetría positiva y, por ende, la existencia de una mayor concentración de valores de
caudales ubicados a la derecha de la media en la distribución normal de probabilidad.
Para este caso, se obtuvo un valor de Coeficiente de Curtosis de 1.76, concluyendo así que la mayoría
de los valores oscilan cercanos al valor medio de los datos.
El análisis de los valores obtenidos para el coeficiente de variación se presenta al final de este literal.

Para saber si la muestra se distribuye de forma Gaussiana (Normal), se utilizó el software EasyFit
para realizar una prueba de bondad de ajuste. En este caso, el análisis se hace por medio de la prueba
Kolmogorov-Smirnov.

Figura 10. Función de densidad de probabilidad para la serie de caudales anuales.

 Figura 11. Prueba de bondad de ajuste Kolmogorov-Smirnov para la serie de caudales anuales.

Para la prueba de bondad de análisis de trabaja con la hipótesis de que la muestra se distribuye de
forma gaussiana (normal). Para una confianza del 95% (α = 0.05), se obtiene que la hipótesis no se
debe rechazar, llegando a la conclusión de que no existe suficiente evidencia estadística para
afirmar que la muestra se distribuye normal. Sin embargo, se podría intuir, con base a las series de
caudales diarios y mensuales, donde ninguno se distribuye normal y tienen cola pesada, que la serie
anual de caudales anuales podría mantener la misma tendencia.

A continuación, se muestran los valores obtenidos para las entropías de las series trabajadas:

Serie Diaria Mensual Anual

Entropía 0,668 1,088 0,961

De esto se puede concluir que para la serie mensual, existe mayor posibilidad de encontrar valores
extremos de caudales, en comparación a la serie anual y diaria, siendo esta última en la que es
menos posible que esto pase.
- Conclusión relacionada con el coeficiente de variación (cv)
Con base al coeficiente de variación (cv), se sabe que éste me indica qué tan grande es la desviación
estándar respecto a la media de los datos, es decir, me indica qué tanto varían los datos respecto a la
media. Para el caso de la serie de caudales diarios, el cv = 0.75; para la serie de caudales mensuales,
cv = 0.48; y para la serie de caudales anuales, cv = 0,15. Se puede ver que la serie con mayor variación
fue la serie daría, en la que podemos encontrar mayor cantidad de datos y que, a la vez, coincide con
la serie de mayor desviación estándar en la muestra.

- Implicaciones del tipo de cola en los diseños ingenieriles.

También, es de vital importancia saber que el tipo de cola que presente la distribución, influye
considerablemente en los diseños ingenieriles. Por ejemplo, para las obras hidráulicas, es preferible
considerar colas pesadas debido a que el comportamiento de la naturaleza no se considera Gaussiano,
es decir, de colas livianas, ya que esto implicaría que no existe posibilidad de ocurrencia para eventos
extremos, asunto que subdimensionaría los proyectos y pondría en riesgo la seguridad de las obras
diseñadas.
 3. A partir de la serie de caudales diarios, calcule la serie de caudales máximos anuales y
grafíquela. Calcule la media, desviación estándar, coeficiente de asimetría y coeficiente
de kurtosis de dicha serie.
Con base a la serie de caudales diarios, se obtuvo el caudal máximo para cada año hidrológico (que
comprende el tiempo desde el 1 de junio de un año hasta el 31 de mayo del siguiente). Fue así como
se consigue elaborar la tabla y la figura 12, las cuales se presentan a continuación:

Año Q Máx (m3) Año Q Máx. (m3)

1970-1971 3,80 1986-1987 4,53
1971-1972 3,66 1987-1988 2,03
1972-1973 5,00 1988-1989 0,00
1973-1974 2,26 1989-1990 1,63
1974-1975 3,48 1990-1991 4,54
1975-1976 7,44 1991-1992 2,13
1976-1977 7,65 1992-1993 2,13
1977-1978 7,21 1993-1994 2,01
1978-1979 4,22 1994-1995 2,11
1979-1980 5,05 1995-1996 1,47
1980-1981 3,31 1996-1997 6,27
1981-1982 3,50 1997-1998 9,11
1982-1983 7,27 1998-1999 4,95
1983-1984 3,74 1999-2000 5,46
1984-1985 4,22 2000-2001 2,74
1985-1986 3,88

Tabla 4. Serie de caudales máximos anuales.

 10.00

9.00

8.00

7.00
Cuadales (m3/s)

6.00

5.00

4.00

3.00

2.00

1.00

0.00
1978-1979

1987-1988
1970-1971
1971-1972
1972-1973
1973-1974
1974-1975
1975-1976
1976-1977
1977-1978

1979-1980
1980-1981
1981-1982
1982-1983
1983-1984
1984-1985
1985-1986
1986-1987

1988-1989
1989-1990
1990-1991
1991-1992
1992-1993
1993-1994
1994-1995
1995-1996
1996-1997
1997-1998
1998-1999
1999-2000
2000-2001
Tiempo (años)

Figura 12. Serie de caudales máximos anuales.

Parámetros estadísticos (C. Máx)

Media 4,089
Desviación Estándar 2,123
Coeficiente de Asimetría 0,504
Coeficiente de Curtosis -0,106

Tabla 5. Parámetros estadísticos de la serie de caudales máximos anuales.

Se puede concluir, con un valor del Coeficiente de Asimetría de 0.504, que la serie de caudales
máximos presenta asimetría positiva, es decir, existe una mayor concentración de los caudales
ubicados a la derecha de la media.
Del coeficiente de Curtosis, se puede señalar, al obtener un valor menor que cero de -0.156, que,
efectivamente, los datos se encuentran dispersos. Esto es de esperarse debido a que a una escala de
tiempo multianual, se pueden evidenciar las variaciones que eventos macroclimáticos generan en los
caudales de un afluente, causando una serie de caudales menos uniforme que la asociada a una escala
de tiempo más pequeña.
4. Estime los caudales máximos anuales con período de retorno de 2.33, 5, 10, 25, 50, 100
y 500 años, usando las funciones de distribución de probabilidades (FDP): (a) Gumbel,
(b) Log-Normal, (c) Frechet, (d) Weibull, y (e) Generalizada de Paretto. Estime los
intervalos de confianza para cada uno de los caudales estimados, asumiendo una
significancia estadística de 95%. Discuta los resultados obtenidos.
Los ajustes realizados, las pruebas de bondad de ajuste y los cálculos de probabilidad se realizaron
mediante el software EasyFit.
Los intervalos de confianza se calcularon de la siguiente forma:
Primero, se calcula el factor de frecuencia asociado a cada función de probabilidad como:
𝑄𝑝 − 𝜇𝑄𝑚𝑎𝑥
𝐾𝑡 =
𝜎𝑄𝑚𝑎𝑥

Donde:
- Qp varía para cada periodo de retorno, siendo obtenido directamente desde el software
haciendo uso de la probabilidad de no excedencia.
- μQma y σQmax son la media y la desviación estándar de la serie de caudales máximos.
Los intervalos de confianza se calcularon con la ecuación, donde se usaba (+) para el límite superior
y (-) para el límite inferior.
𝐿𝑖𝑚𝑖𝑡𝑒 = 𝑄𝑝 ± 𝑆𝑡 ∗ 𝑡𝑛−2,1−𝛼
2

Donde:
- 𝑡𝑛−2,1−𝛼 es la t de Studet hallada con n-2 grados de libertad. Para este caso, una muestra
2
de n=31 y un nivel de confianza del 95%, obteniendo un valor de 2.0452

4.1 Gumbel
Se utilizó la función Gumbel Max, siendo consecuentes con la serie de máximos que se está
trabajando. A continuación se presenta la gráfica de distribución acumulativa de Gumbel, así como
la función de densidad de probabilidad.
Se realizó una prueba de bondad de ajuste de Kolmogorvo-Smirnov, con una confianza del 95%, en
la que no se debía rechazar la hipótesis de que los datos se distribuyen como Gumbel Max. Sin
embargo, no existe suficiente evidencia estadística para concluir sobre la validez de dicha hipótesis.
Se obtuvo la siguiente tabla para el cálculo de las bandas de confianza:

Gumbel Max.
TR P. Exced P. No exced Qp (m3/s) Kt Delta St L. Inferior L. Superior
2,33 0,429 0,5708 4,2276 0,001 1,000 0,362 3,49 4,97
5 0,2 0,800 5,6765 0,719 1,063 0,385 4,89 6,46
10 0,1 0,900 6,8565 1,305 1,194 0,432 5,97 7,74
25 0,04 0,960 8,3475 2,044 1,430 0,518 7,29 9,41
50 0,02 0,980 9,4536 2,592 1,637 0,593 8,24 10,67
100 0,01 0,990 10,552 3,137 1,860 0,674 9,17 11,93
500 0,002 0,998 13,089 4,395 2,414 0,875 11,30 14,88

Ahora, realizando la gráfica de los límites correspondientes:

 16
14
12
10

Q (m3/s) 8 Qp
6 L. Inferior
4 L. Superior
2
0
0 100 200 300 400 500 600
Periodo de retorno (años)

4.2 Lognormal
Se utilizó la funicón Lognormal. A continuación se presenta la gráfica de distribución acumulativa
Lognormal, así como la función de densidad de probabilidad.
Se realizó una prueba de bondad de ajuste de Kolmogorvo-Smirnov, con una confianza del 95%, en
la que no se debía rechazar la hipótesis de que los datos se distribuyen como Lognormal. Sin
embargo, no existe suficiente evidencia estadística para concluir sobre la validez de dicha hipótesis.
Se obtuvo la siguiente tabla para el cálculo de las bandas de confianza:
Lognormal
TR P. Exced P. No exced Qp (m3/s) Kt Delta St L. Inferior L. Superior
2,33 0,429 0,5708 4,1138 -0,055 1,000 0,089 3,43 4,93
5 0,2 0,800 5,6783 0,720 1,063 0,094 4,68 6,89
10 0,1 0,900 7,0315 1,391 1,218 0,108 5,64 8,77
25 0,04 0,960 8,8318 2,284 1,518 0,135 6,70 11,63
50 0,02 0,980 10,223 2,974 1,792 0,159 7,38 14,15
100 0,01 0,990 11,682 3,697 2,102 0,187 7,98 17,11
500 0,002 0,998 15,275 5,479 2,916 0,259 9,00 25,94

Ahora, realizando la gráfica de los límites correspondientes:

30

25

20
Q (m3/s)

15 Qp
L. Inferior
10
L. Superior
5

0
0 100 200 300 400 500 600
Periodo de retorno (años)
 4.3 Frechet
Se utilizó la función Frechet (3P) debido a que se observó un mejor ajuste de los datoss. A
continuación se presenta la gráfica de distribución acumulativa correspondiente, así como la
función de densidad de probabilidad.

Se realizó una prueba de bondad de ajuste de Kolmogorvo-Smirnov, con una confianza del 95%, en
la que no se debía rechazar la hipótesis de que los datos se distribuyen como Lognormal. Sin embargo,
no existe suficiente evidencia estadística para concluir sobre la validez de dicha hipótesis.
Se obtuvo la siguiente tabla para el cálculo de las bandas de confianza:
 Frechet (3P)
TR P. Exced P. No exced Qp (m3/s) Kt Delta St L. Inferior L. Superior
2,33 0,429 0,5708 4,1725 -0,026 1,000 0,089 3,48 5,00
5 0,2 0,800 5,6446 0,704 1,060 0,094 4,66 6,84
10 0,1 0,900 6,8807 1,317 1,197 0,106 5,54 8,55
25 0,04 0,960 8,4918 2,115 1,456 0,129 6,52 11,06
50 0,02 0,980 9,7244 2,726 1,691 0,150 7,15 13,22
100 0,01 0,990 10,979 3,349 1,950 0,173 7,71 15,64
500 0,002 0,998 14,003 4,848 2,622 0,233 8,70 22,54

Ahora, realizando la gráfica de los límites correspondientes:

25

20

15
Q (m3/s)

Qp
10 L. Inferior
L. Superior
5

0
0 100 200 300 400 500 600
Periodo de retorno (años)

4.4 Weibull
Se utilizó la función de Weibull desde el software EasyFit. A continuación se presenta la gráfica de
distribución acumulativa correspondiente, así como la función de densidad de probabilidad.
Se realizó una prueba de bondad de ajuste de Kolmogorvo-Smirnov, con una confianza del 95%, en
la que no se debía rechazar la hipótesis de que los datos se distribuyen como Weibull. Sin embargo,
no existe suficiente evidencia estadística para concluir sobre la validez de dicha hipótesis.
Se obtuvo la siguiente tabla para el cálculo de las bandas de confianza:

Weibull
TR P. Exced P. No exced Qp (m3/s) Kt Delta St L. Inferior L. Superior
2,33 0,429 0,5708 4,2857 0,030 1,000 0,362 3,54 5,03
5 0,2 0,800 5,6501 0,706 1,061 0,384 4,86 6,44
10 0,1 0,900 6,590 1,172 1,159 0,420 5,73 7,45
25 0,04 0,960 7,6101 1,678 1,305 0,473 6,64 8,58
50 0,02 0,980 8,2752 2,008 1,417 0,513 7,23 9,32
100 0,01 0,990 8,876 2,306 1,526 0,553 7,75 10,01
500 0,002 0,998 10,096 2,911 1,766 0,640 8,79 11,40

Ahora, realizando la gráfica de los límites correspondientes:

 12

10

Q (m3/s) 6 Qp
L. Inferior
4
L. Superior
2

0
0 100 200 300 400 500 600
Periodo de retorno (años)

4.5 Generalizada de Pareto

Se utilizó la función Generalizada de Pareto desde el software EasyFit. A continuación se presenta
la gráfica de distribución acumulativa correspondiente, así como la función de densidad de
probabilidad.
Se realizó una prueba de bondad de ajuste de Kolmogorvo-Smirnov, con una confianza del 95%, en
la que no se debía rechazar la hipótesis de que los datos se distribuyen como Gen. De Paretp. Sin
embargo, no existe suficiente evidencia estadística para concluir sobre la validez de dicha hipótesis.
Se obtuvo la siguiente tabla para el cálculo de las bandas de confianza:
Generalizada de Pareto
TR P. Exced P. No exced Qp (m3/s) Kt Delta St L. Inferior L. Superior
2,33 0,429 0,5708 4,2622 0,018 1,000 0,362 3,52 5,00
5 0,2 0,800 6,0572 0,908 1,098 0,398 5,24 6,87
10 0,1 0,900 7,2496 1,499 1,250 0,453 6,32 8,18
25 0,04 0,960 8,37 2,055 1,434 0,519 7,31 9,43
50 0,02 0,980 8,9692 2,352 1,544 0,559 7,83 10,11
100 0,01 0,990 9,4147 2,573 1,629 0,590 8,21 10,62
500 0,002 0,998 10,057 2,891 1,758 0,637 8,75 11,36

Ahora, realizando la gráfica de los límites correspondientes:

12

10

8
Q (m3/s)

6 Qp
L. Inferior
4
L. Superior
2

0
0 100 200 300 400 500 600
Periodo de retorno (años)
El análisis de las distribuciones obtenidas se dará en base a la siguiente tabla, donde se expresan los
valores de caudales de cada periodo de retorno para cada distribución. Así mismo, se consignan en
ella los valores promedio de los caudales para cada periodo de retorno (promediando los obtenidos
para cada distribución), junto al valor estadístico de la prueba de bondad de ajuste de Kolmogorov-
Smirnov, para cada distribución, y la amplitud de las bandas de confianza de las mismas.

TR/Qp (m3/s) Gumbel Lognormal Frechet Weibull G. Paretto Promedio

2,33 4,228 4,114 4,173 4,286 4,262 4,21
5 5,677 5,678 5,645 5,650 6,057 5,74
10 6,857 7,032 6,881 6,590 7,250 6,92
25 8,348 8,832 8,492 7,610 8,370 8,33
50 9,454 10,223 9,724 8,275 8,969 9,33
100 10,552 11,682 10,979 8,876 9,415 10,30
500 13,089 15,275 14,003 10,096 10,057 12,50
Kolmogorov-Smirnov 0,12574 0,1208 0,12412 0,10817 0,10794
Amp. Bandas de confianza 2,24 6,37 5,59 1,95 2,06

Inicialmente, se pueden hacer dos básicas acotaciones. Primero, se observó, en base alas bandas de
confianza de todas las distribuciones estudiadas, que a medida que el periodo de retorno aumente, las
incertudumbres asocidadas al caudal también lo hacen. Segundo, que, aunque no se rechazó ninguna
hipótesis en las pruebas de bondad de ajuste, no hay evidencia estadística suficiente para afirmar que
se distribuían de cierta manera. Es necesio realizar otro tipo de pruebas que confirmen o nieguen que
la serie se distribuye o no con alguna de las funciones de distribución de probabilidad.
Aunque la distribución Generalizada de Pareto es la que presenta mejor ajuste según el valor
estadístico obtenido en la prueba de bondad de ajuste (0,10794), es la que presenta el menor caudal
para el periodo de retorno de 500 años, por lo que no es una opción indicada para realizar un diseño
conservador.
Aunque la distribución Lognormal es la tercera mejor ajustada de acuerdo al parámetro estadístico,
es la que presenta un mayor caudal, para un periodo de retorno de 500 años, lo que indica que es apta
para realizar un diseño conservador para una obra que requiera altos periodos de retorno de lo
contrario, se estaría presentando un sobredimensionamiento del diseño.
Con base a las bandas de confianza, la menor amplitud la presenta la distribución de probabilidad de
Weibull, indicando que ésta presenta una menor dispersión de los datos respecto a la media. Por el
contrario, la Lognormal, presenta la mayor amplitud promedio, mostrando que los valores estimados
estarán más alejados de la media en comparación con las demás funciones de probabilidad.
En la gráfica ___ se puede evidenciar que, para todas las distribuciones, se encuentra creciendo
lentamente, representando la posibilidad de que caudales extremos máximos tengan probabilidad de
ocurrencia. Es así que se puede llegar a la conclusión de que las distintas funciones de distribución
de probabilidad se comportan como no Gaussianas, es decir, presentan colas pesadas.
5. Estime los caudales mínimos de 5, 10, 25 y 50 años de periodo de retorno, usando las
FDP Weibull y Log Normal
Con base a la serie de caudales diarios, se obtuvo el caudal mínimo para cada año hidrológico
(que comprende el tiempo desde el 1 de junio de un año hasta el 31 de mayo del siguiente). Fue
así como se consigue elaborar la tabla y la figura que se presenta a continuación:

0.600

0.500
Cuadales (m3/s)

0.400

0.300

0.200

0.100

0.000

Tiempo (años)
 5.1 Weibull
En esta oportunidad se utilizó la función Weibull, ya que se observó un mejor ajuste en comparación
con la Weibull (3P). Así, se obtuvo la función de densidad de probabilidad y la función acumulativa
de la misma.
 Realizando una prueba de bondad de ajuste para esta fundión de distribución, con una confianza
del 95%, se llega a que no se debe rechazar la hipótesis de que la función se distribuye Weibull,
aunque no existe evidencia muestral para afirmar que la hipótesis es válida.

TR P. Exced P. No exced Qp (m3/s)

5 0,200 0,8000 0,3773
10 0,1 0,900 0,4313
25 0,04 0,960 0,48878
50 0,02 0,980 0,52571

Se observa que el caudal aumenta a la par con el periodo de retorno, lo que transmite la
posibilidad de que ocurran eventos extremos con alta frecuencia en estos periodos.

5.2 Lognormal
A continuación se muestran las gráficas de la función de densidad de probabilidad y la función
acumulativa para la función Lognormal.
 Realizando una prueba de bondad de ajuste para esta función de distribución, con una confianza
del 95%, se llega a que no se debe rechazar la hipótesis de que la función se distribuye
Lognormal, aunque no existe evidencia muestral para afirmar que la hipótesis es válida.

TR P. Exced P. No exced Qp (m3/s)

5 0,200 0,8000 0,39624
10 0,1 0,900 0,50175
25 0,04 0,960 0,6454
50 0,02 0,980 0,75939

Nuevamente se evidencia la tenencia de la serie a obtener mayores cuadales a medida que se tienen
mayores periodos de retono, significando que la probabilidad de que ocurran eventos extremos,
sean máximos o mínimos, es muy alta, por ende, se demoraría pocos años en suceder de nuevo.
Se muestran a continuación los valores obtenidos por medio de la prueba de bondad de ajuste
usando la prueba Kolmogorov.Smirnov para ambas funciones:

Weibull Lognormal
0,12838 0,13144

Se oberva que la distribución que mejor ajuste genera es la de Weibull ya que arroja un valor
menor. Aunque es importante señalar que dicha distribución presenta menores caudales para los
periodos de retorno de 5, 10, 25 y 50 años.
Finalmente, se concluye que se podrían obtener unos diseños más conservadores si se diseña con los
caudales obtenidos por la distribución lognormal, ya que presentan condiciones más crísticas que
los obtenidos con Weibull.