Académique Documents
Professionnel Documents
Culture Documents
HIDROLOGÍA
GENERALIDADES
INTRODUCCIÓN
Los fenómenos de inundación son frecuentes en épocas de avenidas principalmente en los meses de
Enero, Febrero y Marzo
El presente estudio tiene como objetivo plantear una alternativa de solución con la obra de defensa
ribereña en el río Entaz
La realización del presente estudio, permitirá otorgarle mayor consistencia a la información existente
relacionada a la disponibilidad de los recursos hídricos y sus usos dentro del ámbito del proyecto,
cuyos estudios han sido realizados por consultores e instituciones del Estado. Una vez compilada la
información existente, se tomaron datos de campo en relación a descargas base, uso actual del agua
y la fisiografía de la subcuenca, con lo cual se ha evaluado y complementado la información
hidrológica.
El presente estudio se realiza en el tramo del proyecto, con el objeto de complementar la protección
de las viviendas y Centros Educativos asentadas en la margen derecha del río Entaz, a fin de evitar el
desborde del río y la erosión, ya sea por avenidas normales o extremas en función al desplazamiento
del lecho del río.
MARCO TEÓRICO
HIDROLOGÍA
La hidrología, versa sobre el estudio del agua de la tierra, su existencia y distribución, sus
propiedades físicas y químicas y su influencia sobre el medio ambiente, incluyendo su relación con
los seres vivos. El dominio de la hidrología abarca la historia completa del agua sobre la tierra.
EL CICLO HIDROLÓGICO
DEFINICIÓN
En general, una CUENCA, es el área de alimentación de una red natural de drenaje cuyas aguas
provenientes de las precipitaciones son recogidas por un colector común. Una quebrada o un cauce
cualquiera, es el dren natural de toda una cierta zona de terreno; esta quebrada, a la salida entrega a
otro dren natural mayor el agua por ella recogida, este dren mayor que puede recoger el agua de
varias quebradas, entrega a su vez toda el agua a otro dren aún mayor y así sucesivamente. La zona
de terreno drenada por el dren recibe el nombre de cuenca.
UBICACIÓN
La zona de estudio está ubicada en el Distrito de Villa Rica, Provincia de Oxapampa, Región Pasco,
esta conformado por las viviendas y Centros Educativos asentados en la margen derecha del río
Entaz en su tramo frente a la ciudad de Villa Rica.
INFORMACIÓN CARTOGRÁFICA
Oxapampa (22m)
La Merced (23m)
Satipo (23n)
Puerto Prado (23ñ)
Jauja (24m)
Andamarca (24n)
Se designa como delimitación de una cuenca, a la línea que separa las precipitaciones que caen en
cuencas inmediatamente vecinas y que encaminan la escorrentía resultante para uno u otro sistema
fluvial. La divisoria sigue una línea rígida, atravesando el curso de agua solamente en el punto de
salida y une los puntos de máxima cota entre cuencas contiguas, lo que no impide que en el interior
de una cuenca existan picos aislados con una cota superior a cualquier punto de la divisoria. Para la
delimitación de la subcuenca, se ha utilizado la carta nacional digitalizada a escala 1:25 000 de
acuerdo con su divisoria topográfica. El resultado de la delimitación puede observarse en el plano
correspondiente.
Bajo estos criterios, se han efectuado las delimitaciones dentro de la subcuenca del río Entaz, de
acuerdo al interés del proyecto y por la falta de información hidrométrica
ÁREA
PERÍMETRO
Dentro del trabajo realizado en esta etapa, se ha recopilado y actualizado la información básica
existente en el área de influencia del proyecto y, para las mediciones caudales en campo, se ha
utilizado las huellas de los registros en el mismo rio.
PRECIPITACIÓN
La precipitación se define como el fenómeno de la caída del agua desde las nubes en forma líquida o
sólida, la cual es precedida por el proceso de condensación o sublimación o de ambos a la vez y, está
asociada primariamente con las corrientes convectivas del aire.
MAXIMAS AVENIDAS
HIDROLOGIA ESTADISTICA Y DISTRIBUCION DE PROBABILIDADES
INTRODUCCIÓN
En todo estudio de planificación para el aprovechamiento de los recursos hídricos, con fines de
defensas ribereñas, un aspecto muy importante, es la determinación con cierto nivel de confianza de
las máximas avenidas. Una sobreestimación para determinar caudales de diseño, implicara
necesariamente el sobredimensionamiento de las estructuras con el consiguiente incremento de los
costos; por el contrario, una subestimación del caudal de diseño implicara un dimensionamiento
inadecuado de las obras y no cumplirá el objetivo de su planeamiento a cabalidad.
Para determinar los máximos eventos, existen muchas metodologías, las que podemos mencionar:
Métodos Directos, Empíricos, Probabilísticas e Hidrométricas.
El río Entaz en la zona de estudio, no cuenta con mediciones de descargas pico, por lo tanto la
máxima avenida ha sido estimada en forma indirecta, haciendo uso de las precipitaciones máximas en
24 horas, registradas dentro del área de estudio
REGISTROS DE PRECIPITACIÓN
El análisis de los registros nos conducirá a escoger la mejor distribución de probabilidad que
se ajusta a nuestros datos y con esta distribución finalmente construir el diagrama de
Intensidad Duración y Frecuencia.
ESTACIONES
AÑO
OXAPAMPA VILLA RICA
1982 0 51.30
1983 0
Existen varias formulas para calcular la probabilidad de ocurrencia, la misma que se muestra
en las siguientes tablas, siendo la mas utilizada la formula de Weibull.
California m
n
Hazen m 1/ 2
n
Weibull m
n 1
Chegadayev m 0.3
n 0.4
Blom m3/8
n 1/ 4
Tukey 3m 1
3n 1
Gringorten ma
n 1 2a
Donde:
P= Probabilidad experimental o frecuencia relativa empírica
m= Número de Orden
n= Número de datos
a= Valor comprendido en el intervalo 0<a<1, y depende de n, de acuerdo a la siguiente tabla
N 10 20 30 40 50 60 70 80 90 100
A 0.448 0.443 0.442 0.441 0.440 0.440 0.440 0.440 0.439 0.439
Los valores históricos, completos y consistentes utilizados datan desde el año 1982 hasta el
año 1998 ( 17 años), en el siguiente cuadro se presenta la información de la precipitación de
la estación Villa Rica anual máxima de 24 horas eliminándose el año 1983 que no se cuenta
con información.
N° VILLA RICA
1 51.30
2 70.60
3 60.50
4 43.30
5 67.00
6 43.30
7 54.00
8 67.00
9 63.20
10 88.10
11 82.80
12 74.70
13 63.80
14 42.00
15 58.00
16 65.70
Para el análisis de las precipitaciones máximas de la microcuenca del río Entaz se han
utilizado los últimos registros históricos máximos de 24 horas de 15 años (1986-2006) , para
ello se ajustaron a 6 Distribuciones de probabilidades las cuales son:
Existen varias técnicas para la estimación de los parámetros de una distribución entre otras
estas son:
- Método de Momentos
- Método de máxima verosimilitud
- Método de mínimos cuadrados
- Método gráfico
Método de Momentos
El método de momentos fue desarrollado por primera vez por Karl Pearson en 1902. Él
consideró que unos buenos estimativos de los parámetros de una función de probabilidad
son aquellos para los cuales los momentos de la función de densidad de probabilidad
alrededor del origen son iguales a los momentos correspondientes de la información de la
muestra.
El método de momentos selecciona valores para los parámetros de la función de densidad de
probabilidad de tal manera que sus momentos son iguales a aquellos de la información de la
muestra.
n
Xi 1 n
i 1 n
Xi X
n i 1
Cuando la distribución de probabilidad, a la que se estima los parámetros por este método es
simétrica y particularmente si es normal, se puede demostrar que este método es muy
eficiente, pero cuando las distribuciones son asimétricas y por lo tanto sesgadas, como
ocurre muy a menudo con las variables hidrológicas, el utilizar este método representa una
perdida de eficiencia en la estimación.
El método de la máxima verosimilitud fue desarrollado por R.A. Fisher (1922). Él razonó que
el mejor valor de un parámetro de una distribución de probabilidad debería ser el valor que
maximizara la función de verosimilitud o probabilidad conjunta de ocurrencia de la muestra
observada.
n
L( i ) L( 1 , 2 ,...... m ) f ( X i , 1 , 2 ,......... m )
i 1
Los m parámetros son desconocidos, por lo tanto la estimación de estos se realizan teniendo
presente que deben maximizar la función de verosimilitud. Esto es posible tomando la
derivada parcial de L(θi), respecto a cada θi e igualando a cero.
L L L
0, 0................. 0
i 2 m
X N( u , 2 )
El gráfico de la función densidad es:
xu
Z
Para z
Los valores de f(x) ó f(z) puede ser fácilmente evaluadas para un valor dado de x ó de z por
las ecuaciones anteriores, respectivamente.
El gráfico de la función densidad de la distribución normal estándar es:
x 1 ( x u ) 2
1
e
2
F ( x)
dx
2
O su equivalente,
x Z 2
1
F ( z)
2 e
2
dz
Z 2
H(Z) = 1
1
e 2
b q b q
1 2
2
b3q 3
2
1
Siendo q=
1 bo z
Masting (1955): a dado una aproximación polinomial que ha sido utilizado por la IBM (1968),
esta aproximación con un error menor que 7,5 x 10-8 es:
Z 2
H(Z) = 1
1
2
e 2
b w b w
1 2
2
b3 w3 b4 w4 b5 w5
1
Donde w
1 0.2316419 z
b4 -1.821255978, b5 1.330274429
Estimación de parámetros
Donde:
_
X = Es el estimado de la media, llamado también parámetro de posición
S = Es el estimado insesgado de la desviación estándar o parámetro de escala
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
Nota: En la distribución normal tanto por el método de momentos como por el método de
Máxima verosimilitud dan resultados iguales
Para x , 0
Donde:
El parámetro α se le conoce como parámetro de escala.
El parámetro β se le conoce como parámetro de posición.
Función densidad de probabilidad.
f ( x ) * e x e
z x
Para x ,
El signo (+) se aplica para valores mínimos y el signo (-) se aplica para valores máximos
(distribución Gumbel o Tipo I).
Si se hace la transformación:
Y x
f ( y) e y e
y
El signo (+) se emplea para eventos mínimos y el signo (-) para eventos máximos.
La función de distribución acumulada es:
F ( y ) ee
y
(Máximo) F ( y ) 1 e e (Mínimo)
y
F ( y ) min 1 F ( y ) max
y
Y x ó x
Método de Gumbel (Valor extremo tipo I)
Según Paulet, 1974, El método de Gumbel se utiliza para predecir magnitudes máximas de
variables hidrológicas asumiendo que estos valores son independientes entre sí, también son
usadas frecuentemente para el estudio de magnitud - duración - frecuencias de lluvias
(Hershfiel 1961).
Según Linsley 1971, aplicó al río Clear Water en Idaho Estados Unidos. Este método es
adecuado cuando se utiliza como datos las descargas máximas anuales en un punto de
control de una vertiente o un Río.
Estimación de parámetros
Para la estimación de los parámetros y de la Función Acumulada F(x) se utilizaron 2
métodos de estimación.
Método de momentos
Según Lowery y Nash, 1970 utilizando el método de momentos se obtienen las siguientes
relaciones:
Media:
c
E(x)= x 2. 2
0.57721
X 2. 2
Varianza:
E X E ( x) S 2
2 2
2 *6
De donde se obtienen:
1.2825
S
0.57721
X
Reemplazando la ecuación (2.21) en (2.22) se tiene lo siguiente:
X 0.45 * S ==>Máximo
X 0.45 * S ==>Mínimo
Para muestras muy grandes, o bien como:
y
S
y
x
a
Para muestras relativamente pequeñas, los valores de y y y se muestran en la tabla
siguiente tabla
Por otro lado, conocemos que la ecuación de GUMBEL se expresa como:
y
X
De las ecuaciones anteriores se puede escribir la siguiente ecuación como:
y y * S
X X
y
y *S y*S
X X
y y
X X
S
y y
Y
T 1
y Ln Ln
T
Desarrollando y remplazando el valor de y se obtiene:
S T 1
X X y Ln Ln
y T
1 T
X X S LnLn
y y
T 1
K
1 6
S i consideramos que para valores grandes de N, la expresión tiende a y que y
y
tiende a c =0.5772 entonces hemos comprobado que la ecuación general para expresar un
valor de una serie hidrológica es:
X X K *S
Los resultados se obtienen en la siguiente cuadro
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
La distribución Pearson Tipo III, También llamada la distribución gamma de tres parámetros,
introduce un tercer parámetro, el límite inferior o parámetro de posición ε, de tal manera que
por el método de los momentos, los tres momentos de la muestra (la media, la desviación
estándar y el coeficiente de asimetría) pueden transformarse en los tres parámetros λ, β, ε de
la distribución de probabilidad.
f ( x ) ( x e x ) / parax
1
El sistema de distribuciones Pearson incluye siete tipos; todos son soluciones para f(x) en
una ecuación de la forma:
d ( f ( x) / dx ( f ( x) * ( x d )) /(C 0 C1 * x C 2 * x 2 )
Donde d es la moda de la distribución (el valor de x para la cual f(x) es un máximo) y C0, C1 y
C2 son coeficientes que deben determinarse. Cuando C 2 = 0 es la solución de la ecuación
anterior, es una distribución Pearson tipo III, con una función de densidad de probabilidad
según la ecuación anterior Para C 1 = C2 = 0, la solución de la ecuación anterior es una
distribución normal.
Según Markovick, 1965, mostró que no hay diferencia entre el ajuste de una distribución
Gamma y una Log Normal, esta función de distribución es muy popular debido a que cuando
el coeficiente de asimetría se iguala a cero se obtiene la distribución Normal.
Se dice que una variable aleatoria X tiene una distribución Tipo III si su función densidad de
probabilidades con origen en la moda, está dada por:
1 1 x 1
1 x 1
1
f ( x) *e
1 1 1
Donde α1, β1 y δ1, son los parámetros de la función Γ(β 1) es la función Gamma.
En el apéndice A (Tabla A-2) se halla las propiedades básicas y la tabla de valores de la
función Gamma.
Para: 1 x
Donde:
δ1 = Parámetro de Posición
α1 = Parámetro de escala
β1 = Parámetro de forma
La variable reducida.
x 1
y
1
Por lo que
1
f ( y) y 1 * e y
1
Función de distribución acumulada.
La función de distribución acumulada de la distribución Pearson Tipo III es:
x 1
1 x
1 x 1
F ( x)
1 1 0
e
*
1
dx
Método de Momentos
Los parámetros de 1, 1 y d1 de la Función Acumulada F(x) se evalúan a partir de n datos
medidos mediante el siguiente sistema de ecuaciones.
X 1 * 1 1
2*
S 2 1 1
2
g
1
Cs g
n X i X *n
3
i 1 n 1 n 2 S 3
Los resultados se muestran en el siguiente cuadro
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
La localización del límite X0 en la distribución Log - Pearson Tipo III depende de la asimetría
de la información, se plantea 2 casos:
Dependiendo de los valores de los parámetros, la distribución Log - Pearson Tipo III puede
asumir muchas formas diferentes, tal como se muestra en la siguiente tabla
Localización de la moda para la distribución Log - Pearson Tipo III como una
función de sus parámetros.
Parámetro de Forma β α<-Ln10 -Ln10<α<0 α >0
0<β<1 Sin moda, forma en J Moda mínima forma en Sin moda, forma en
U J invertida
Donde:
Z = Variable aleatoria con distribución Pearson Tipo III
X = Variable aleatoria con distribución Log - Pearson Tipo III
Z0 = Parámetro de Posición
α = Parámetro de escala
β = Parámetro de forma
Z Z0
Y
Por lo que la ecuación queda de la siguiente manera:
1
f ( y) * y 1 * e y
F ( y ) F x 2 / Fx 2 ( 2 y / 2 )
Método de Momentos
=
log x
Logx
n
Desviación Estándar:
log x log x
2
log x
n 1
n log x log x
3
Coeficiente de Asimétrica: g=
n 1 n 2 log x 3
El valor de X; para cualquier nivel de probabilidad se puede calcular a partir de la siguiente
expresión:
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
Si la variable aleatoria Y = log X está normalmente distribuida, entonces se dice que X está
distribuida en forma lognormal. Esta función fue estudiada por primera vez por Galtón en el
año de 1875, por eso es que se le llama también función de Galtón.
Por el teorema del límite central, tenemos que si X es una variable aleatoria con distribución
normal, se puede esperar una variable y=lnx, también con distribución normal con media μ y y
varianza σy2, se usan estos parámetros para especificar que la distribución es logarítmica,
puesto que también puede usarse la media y la varianza de x.
y 2
dy 1
Como Y=lnx , X>0
dx x
1 ln x y
1 2 y
f ( x) e
2 x y
Para X>0
Las tablas de distribución normal estándar pueden ser usadas para evaluar la
distribución Log Normal.
Como f(x) = f(y)/x; pero f(y) es una distribución normal tenemos: f(x)=f(z)/xσ y.
2
y 1 y y
1 2 y
F ( x)
2
y
e dy
Método de Momentos
Utilizando el método de momentos de las relaciones entre la media y la varianza de la
variable x y los parámetros y y y , pueden ser estimados por y y Sy2 mediante la
2
transformación yi = LnX i. Se sabe que y = Lnx tiene distribución normal, mientras que x tiene
distribución Log-Normal.
n
y1
y
i 1
n
n 2 2
yi n y
S y2 i 1
n 1
Los valores de y y Sy2 se estiman a partir de n observaciones Xi, i=1,2,3,4....n
Según Chow (1954), se presento la siguiente relación para calcular y y Sy2 sin que sea
necesario transformar los datos previamente en sus logaritmos.
1 x2
y Ln
2 Cv 2 1
S y2 Ln(Cv 2 1)
Sx
Donde Cv es el coeficiente de variación de los datos originales Cv
x
Existen las siguientes relaciones para obtener la Media y Varianza de la distribución Log
Normal.
1 2
y y
x E ( x) e 2
Var(x)= x 2 e 1
y2
Cv= e y 1
2
1/ 2
aproximada por:
g=0.52 + 4.85* y
2
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
Es una función de distribución análoga a la anterior con la única diferencia que el límite
inferior no es cero, fue introducida por primera vez por R. Gibrart el cual la llamó la ley de
efectos proporcionales.
Difiere de la distribución Log Normal de II parámetros por la introducción de un límite inferior
X0, tal que: y = ln(x-x0).
( x x 0 ) 2 y
Para x>x0
Donde:
x0 = Parámetro de posición
μy = Parámetro de escala o media
σy2 = Parámetro de forma o varianza
Para y
yy 1 z2
1
si z f ( z) e2
y 2
La función de distribución acumulada del Método Log - Normal de III Parámetros es:
2
1 ln( x x 0 ) y
x
1 y
e
2
F ( x) dx
( x x0 ) y 2 x0
2
y 1 y y
1 2 y
F ( y)
y 2 e
dy
y y 1
z
e
z2
Como z f ( z) dz
y 2
La función F(z) es una distribución normal estándar, la que puede ser usada para evaluar la
distribución Log Normal.
Método de Momentos
Donde:
X = variable aleatoria con distribución Log Normal de III parámetros
H = Variable aleatoria con distribución Log Normal de II parámetros
Xo = Parámetro de posición
x x0 E ( H ) x0 H
x H
2 2
1
y y2
Media: x e 2
x 0
Varianza: x 2 y2
e 1 * e
2 y y
2
g e y2
e
1
1
2 y2
2
Y de forma aproximada puede ser:
g 0.52 4.85sy2
g =0.52+4.85sy2
Luego de las ecuaciones anteriores se obtienen los siguientes resultados:
g 0.52
y
4.85
1 x
2
2
y Ln 2 y
2 e y 1
y2
y
X 0 x e 2
Skew = 1.339e-01
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
---------------------------------------------------------
los métodos podría traducirse en una estructura sobre diseñada y costosa o subdiseñada y
peligrosa
RESUMEN DE METODOS ESTADISTICOS (mm)
PERIODOS DE
RETORNO PEARSON LOG PEARSON LOG NORMAL LOG NORMAL
NORMAL GUMBEL
TIPOIII TIPO III II PARAMET. III PARAMET.
Para un mejor análisis de los datos hidrológicos es necesario conocer el tipo o forma de
distribución teórica que puede representar aproximadamente a la distribución empírica
(método estadístico) de estos datos. Para averiguar cuan aproximada es esta distribución
empírica a la teórica, es necesario realizar algunas pruebas estadísticas conocidas como
prueba de ajuste.
PRUEBAS DE AJUSTE.
Las pruebas estadísticas tienen por objeto medir la certidumbre que se obtiene al hacer una
hipótesis estadística sobre una población. Es decir, calificar el hecho de suponer que una
variable aleatoria se distribuye según un modelo probabilística.
Este método consiste en calcular, para cada función de distribución, el error cuadrático.
1
n 2
C ( X i Yi ) 2
i 1
donde
Xi = es el i-esimo dato estimado
Yi = es el i-ésimo dato calculado con la función de distribución bajo análisis
N = Número de datos
En el cuadro siguiente se muestra el procedimiento estimado para cada uno de los diferentes
métodos estadísticos usados en el presente estudio.
Esta prueba consiste en comparar el máximo valor absoluto de la diferencia D que hay entre
la función de distribución observada F o(Pm) y la estimada F(Pm)
D máx F0 ( Pm ) F ( Pm )
Con un valor crítico d que depende del número de datos y el nivel de significancia
seleccionada si D<d, se acepta la hipótesis. Esta prueba tiene la ventaja sobre la X 2 de que
compara los datos con el modelo estadístico sin necesidad de agruparlos. La función de
distribución de probabilidad observada se calcula como:
m
Fo ( Pm ) 1
n 1
Donde m es el número de orden del dato Xm en una lista de mayor a menor y n es el número
total de datos.
Normal 4 2
En conclusión después de realizar todas las pruebas de análisis estadístico la distribución que mejor
se adecua es el método de PEARSON TIPO III por que tiene menor error
Con la finalidad de obtener información de precipitación máxima en 24 horas para diferentes periodos
de retorno y que permita tener confiabilidad de su recurrencia, se le evaluó a través de 6
distribuciones de frecuencia
Uno de los primeros pasos que debe seguirse en muchos proyectos de diseño hidrológico,
como el diseño de un drenaje urbano, es la determinación del evento o los eventos de lluvia
que deben usarse. La forma más común de hacerlo es utilizar una tormenta de diseño o un
evento que involucre una relación entre la intensidad de lluvia (o profundidad), la duración, y
las frecuencias o periodos de retorno apropiados para la obra y el sitio. Deberían existir
curvas (IDF) estándar desarrolladas por instituciones del gobierno disponibles para el sitio
para que su uso sea de forma general, uniforme y oficial.
Para construir la curva IDF para diferentes periodos de retorno utilizamos la formula de DYCK
PESCHKE para el cálculo de máximas avenidas.
0.25
d
Pd P24 h
1440
Donde
Pd : Precipitación máxima para un periodo de duración
d : Periodo de duración (min. 10, 15, 30………., etc)
P24h : Precipitación maxima para 24 horas (En este estudio se utilizara el modelo
adecuado según las pruebas realizados en los acápites anteriores
periodo
de P.MAX. PERIODO DE DURACION (min)
retorno 24
horas
500 107.510 26.098 31.035 34.346 40.845 48.573 57.764 63.926 76.021 107.510
200 102.530 24.889 29.598 32.755 38.953 46.323 55.088 60.965 72.500 102.530
100 98.410 23.889 28.409 31.439 37.388 44.462 52.874 58.515 69.586 98.410
50 93.930 22.801 27.115 30.008 35.686 42.438 50.467 55.851 66.419 93.930
Prec.mm
25 88.970 21.597 25.683 28.423 33.801 40.197 47.802 52.902 62.911 88.970
10 81.390 19.757 23.495 26.002 30.922 36.772 43.730 48.395 57.551 81.390
5 74.450 18.072 21.492 23.785 28.285 33.637 40.001 44.268 52.644 74.450
3 68.160 16.546 19.676 21.775 25.895 30.795 36.621 40.528 48.196 68.160
2 61.770 14.994 17.831 19.734 23.468 27.908 33.188 36.729 43.678 61.770
500 107.510 313.17 186.21 137.39 81.69 48.57 28.88 21.31 12.67 4.48
200 102.530 298.66 177.59 131.02 77.91 46.32 27.54 20.32 12.08 4.27
100 98.410 286.66 170.45 125.76 74.78 44.46 26.44 19.50 11.60 4.10
50 93.930 273.61 162.69 120.03 71.37 42.44 25.23 18.62 11.07 3.91
Prec.mm/hr
25 88.970 259.17 154.10 113.69 67.60 40.20 23.90 17.63 10.49 3.71
10 81.390 237.09 140.97 104.01 61.84 36.77 21.86 16.13 9.59 3.39
5 74.450 216.87 128.95 95.14 56.57 33.64 20.00 14.76 8.77 3.10
3 68.160 198.55 118.06 87.10 51.79 30.79 18.31 13.51 8.03 2.84
2 61.770 179.93 106.99 78.94 46.94 27.91 16.59 12.24 7.28 2.57
1 1
periodo de retorno T
probabilidad P
T = periodo de retorno
P = probabilidad de ocurrencia de un caudal
En hidrología se utiliza más el periodo de retorno que la probabilidad
1
Probabilidad de que un suceso de retorno T se produzca el próximo año....... ........
T
1
Probabilidad de que un suceso de retorno NO se produzca el próximo año....... .....1 -
T
1 1
Probabilidad de que un suceso de retorno NO se produzca los proximos dos años..1 - 1 -
T T
n
1
Probabilidad de que un suceso de retorno NO se produzca los proximos n años.....1 -
T
n
1
Probabilidad de que un suceso de retorno SI se produzca los proximos n años...... .1 - 1 -
T
En el diseño de obras publicas, la ultima expresión obtenida es el Riesgo de falla (R, es
decir la probabilidad de que SI se produzca alguna vez un suceso de periodo de retorno T
a lo largo a un periodo de n años:
1
n
R 1 1
T
Un análisis de la tabla anterior muestra que si adopta un riesgo de 10% de que durante los 10 años de vida útil de una
estructura ocurra una descarga igual o superior a la del proyecto, se debe usar un periodo de retorno de 95.41 años.
Dada la magnitud de las subcuencas, para la estimación de las máximas avenidas se ha tenido en
consideración los siguientes rangos de superficies de cuenca de recepción:
Area Método
Donde
De los parámetros que intervienen en esta formula, sobre el que se tiene que incidir, es
decir, es sobre el factores C, el cual se compone de las tres componentes, es decir
C = C1 + C2 + C3
Donde
C1 = 0.12
C2 = 0.12
C3 = 0.15
0.385
L3
Tc 0.871
H
Donde
Tc = Tiempo de concentración en horas
L = Longitud del cauce principal Km.
H = Desnivel máximo en m
Para nuestro caso
L = 11.860 km
H = 1050 m.
Reemplazando en la ecuación anterior tenemos
0.385
11.86 3
Tc 0.871 1.1332hr. 67.99 min
1050
Una relación aceptable en términos de orden de magnitud que muestra flexibilidad es:
Q max inst 1 2.66 * A0.3
Donde
periodos de retorno