Upload
yofan-ramirez-sanchez
View
222
Download
0
Embed Size (px)
DESCRIPTION
hidrologia
Citation preview
UNIVERSIDAD SAN PEDROHIDROLOGIA
RESUMEN
Mediante el presente informe se determinará el caudal de diseño mediante
los Métodos Estadísticos, para lo cual teniendo la información de la estación
hidrológica de Recreta, se pueden realizar los cálculos correspondientes
para dicho fin. Empezando por la completación de la información y el
análisis de Consistencias y Tendencias si es que el caso lo amerite ya que si
se cuenta con los datos completos de procede directamente a realizar las
pruebas de Bondad y Ajuste como la prueba CHI CUADRADO, para datos
agrupados, y SMIRNOV-KOLMOGOROV, para datos no agrupados, y así
poder realizar las Distribuciones Teóricas como la Distribución Normal, La
Distribución Log Normal 2 Parámetros y la Distribución Gumbel.
I. INTRODUCCION
UNIVERSIDAD SAN PEDROHIDROLOGIA
Puede ser necesario determinar un gasto de diseño con periodo de
retorno de 1000 años a partir de 25 años de registro. Si los gastos
máximos anuales registrados se dibujan contra sus respectivos periodos
de retorno, generalmente se observa alguna tendencia más o menos
definida. El problema radica en cómo extender esta tendencia hasta el
periodo de retorno deseado.
Una posibilidad es extrapolar los datos a ojo, es decir, gráficamente.
Aunque este método puede dar muy buenos resultados si se aplica por
una persona con experiencia, tiene la desventaja de la subjetividad; esto
es, si veinte ingenieros diferentes lo aplican, es probable que el
resultado sean veinte gráficas diferentes.
Para eliminar esta subjetividad, se debe buscar entre las distintas
funciones de distribución de probabilidad teóricas la que se ajuste mejor
a los datos medidos, y usar esta función para la extrapolación.
II. OBJETIVOS
2.1 Objetivos Generales
Calcular el Caudal de la Estación Hidrológica de Recreta mediante Métodos Estadísticos
2.2Objetivos Específicos
UNIVERSIDAD SAN PEDROHIDROLOGIA
Conocer la Información de la Estación Hidrológica con la cual se
van a realizar los cálculos.
Completar la Información de la Estación Hidrológica
Realizar el Análisis de Consistencias y Tendencias
Realizar las Pruebas de Bondad y Ajuste
o Análisis de la Prueba CHI CUADRADO
o Análisis de la Prueba SMIRNOV KOLMOGOROV
Realizar las Distribuciones Teóricas
o Análisis de la Distribución Normal
o Análisis de la Distribución Log Normal 2 Parámetros
o Análisis de la Distribución Gumbel
Determinar el Caudal de Diseño para los meses de mayor
precipitación
III. REVISION BIBLIOGRAFICA
3.1 Métodos Estadísticos
Según Ing. Pedro Reyes:
Para el Calculo del Caudal Máximo se procede a realizar los siguientes
pasos:
1. Analizar la información de una Estación Hidrológica
2. Completar la información si existieran datos faltantes
3. Realizar el análisis de Consistencias y Tendencias
a. Método Gráfico
b. Análisis de Tendencias
c. Análisis de Consistencias
4. Realizar la Prueba de Bondad y Ajuste
a. Prueba Chi Cuadrado
b. Prueba Smirnov Kolmogorov
UNIVERSIDAD SAN PEDROHIDROLOGIA
5. Realizar las Distribuciones Teóricas
a. Distribución Normal
b. Distribución Log Normal
c. Distribución Gumbell
3.2 Análisis de Consistencias y Tendencias
3.2.1 Análisis de Consistencias
Análisis de consistencia a la Media
Según Ing. Pedro Reyes:
Es el análisis de las muestras mediante la media, donde
nos determinará si los datos calculados están bien o
necesitan ser corregidos.
Análisis de consistencia a la Desviación Estándar
Según Ing. Pedro Reyes:
Es el análisis de las muestras mediante la Desviación
Estándar, donde nos determinará si los datos calculados
están bien o necesitan ser corregidos.
3.2.2 Análisis de Tendencias
Según Ing. Esp. Rubén Villodas:
Es aquel que se utiliza estadísticamente, observando datos
históricos de varios años, con el fin de determinar patrones
significativos.
3.3 Pruebas de Bondad y Ajuste
Según Ven Te Chow:
La Bondad del Ajuste de una distribución de probabilidad puede
probarse comparando los valores teóricos y muestrales de las
UNIVERSIDAD SAN PEDROHIDROLOGIA
funciones de frecuencia relativa o de frecuencia acumulada. En el
caso de la función de
frecuencia relativa se utiliza la prueba x2. El valor muestral de la
frecuencia relativa del intervalo i es, de la ecuación fi(xi) = ni/n; el
valor teórico es p(xi) = F(xi) – F (xi - 1). La prueba estadística está
dada por
Donde m es el número de intervalos
Según Ing. Esp. Rubén Villodas:
Ambas pruebas caen en la categoría de lo que en estadística se
denominan pruebas de “Bondad de Ajuste” y miden, como el nombre
lo indica, el grado de ajuste que existe entre la distribución obtenida
a partir de la muestra y la distribución teórica que se supone debe
seguir esa muestra. Ambas pruebas están basadas en la hipótesis
nula de que no hay diferencias significativas entre la distribución
muestral y la teórica. Ambas pruebas están basadas en las siguientes
hipótesis:
H0: f(x,q) = f0(x,q)
H1: f(x,q) ¹ f0(x,q)
Donde f0(x,q) es la distribución que se supone sigue la muestra
aleatoria. La hipótesis alternativa siempre se enuncia como que los
datos no siguen la distribución supuesta. Si se desea examinar otra
distribución específica, deberá realizarse de nuevo la otra prueba
suponiendo que la hipótesis nula es esta nueva distribución. Al
especificar la hipótesis nula, el conjunto de parámetros definidos por
q puede ser conocido o desconocido. En caso de que los parámetros
sean desconocidos, es necesario estimarlos mediante alguno de los
métodos de estimación analizados con anterioridad.
UNIVERSIDAD SAN PEDROHIDROLOGIA
Para formular la hipótesis nula deberán tenerse en cuenta los
siguientes aspectos o criterios:
a) La naturaleza de los datos a analizar. Por ejemplo, si tratamos de
investigar la distribución que siguen los tiempos de falla de unos
componentes, podríamos pensar en una distribución exponencial, o
una distribución gama o una distribución Weibull, pero en principio no
consideraríamos una distribución normal. Si estamos analizando los
caudales
de un río en un determinado sitio, podríamos pensar en una
distribución logarítmica normal, pero no en una distribución normal.
b) Histograma. La forma que tome el histograma de frecuencia es
quizás la mejor indicación del tipo de distribución a considerar
3.3.1 Prueba CHI CUADRADO
Según Francisco Javier Aparicio:
La prueba Chi Cuadrado es la más popular. Fue propuesta por
Karl Pearson en 1900.
Para probar la hipótesis H0 “F = F0” a partir de una muestra
aleatoria simple X1, . . . , Xn de F, Karl Pearson propuso el
siguiente procedimiento, que es en realidad una prueba de H˜0
“Para cada uno de los intervalos I de una partición finita P de R,
se cumple F(I) = F0(I)”, y, como consecuencia, una prueba
aproximada de H0 en la medida que la partición P sea
suficientemente fina.
Llamemos p0 al vector de las probabilidades F0(I)
correspondientes a los intervalos de P, y p al de las
probabilidades F(I). Entonces, H˜0 equivale a “p = p0”. Esta
’ultima es una hipótesis simple sobre el parámetro p de la
distribución multinomial (n, p) del vector M cuyas componentes
son las frecuencias M(I) = nFn (I) = n i=1 1{Xi∈I}, I ∈ P.
UNIVERSIDAD SAN PEDROHIDROLOGIA
Denotemos ahora P = {I1, . . . , Ik}, y p0,j = F0(Ij), Mj = M(Ij). El
estadístico de Pearson es:
Su distribución bajo H0 depende de n y p0, y
puede obtenerse en cada caso mediante el cálculo directo a
partir de la distribución multinomial, o por simulación. Su
distribución asintótica para n → ∞ es χ2 con k − 1 grados de
libertad. En la sección siguiente se aportan argumentos
basados en la utilización de la distribución normal asintótica de
la multinomial, o bien en el comportamiento asintótico del
cociente de verosimilitudes, para obtener la mencionada
distribución asintótica.
3.3.2 Prueba SMIRNOV – KOLMOGOROV
Según Francisco Javier Aparicio:
Esta prueba consiste en comparar el máximo valor absoluto
de la diferencia D entre la función de distribución de
probabilidad observada Fa (xm) y la estimada F (xm)
Con un valor crítico d que depende del número de datos y el
nivel de significancia seleccionado. Si D < d, se acepta la
hipótesis nula. Esta prueba tiene la ventaja sobre la Chi
Cuadrado de que compara los datos con el modelo estadístico
sin necesidad de agrupados. La función de distribución de
probabilidad observada se calcula como:
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.
UNIVERSIDAD SAN PEDROHIDROLOGIA
3.4 Distribución Teórica
3.4.1 Distribución Normal
Según Ven Te Chow:
La distribución Normal surge del teorema del límite central, el
cual establece que si una secuencia de variables aleatorias xi
son independientes y están idénticamente distribuidas con
media y varianza, entonces la distribución de la suma de n de
estas variables aleatorias, Y = ∑Xi, tiende hacia la distribución
normal con media nµ y nδ2 a mediad que n aumente. El punto
importante es que esto es cierto sin importar cual es la función
de distribución de probabilidad de X. Las variables
hidrológicas, como la precipitación anual calculadas como la
suma la suma de los efectos de muchos eventos independientes
tienden a seguir la distribución normal.
Según Francisco Javier Aparicio:
La función de densidad de probabilidad normal se define como:
Donde fJ, Ya son los parámetros de la distribución. Estos
parámetros determinan la forma de la función/(x) y su posición
en el eje x.
Es posible demostrar que fJ, ya son, respectivamente, la media y
la desviación estándar de la población y pueden estimarse como
la media y desviación estándar de los datos. La función de
distribución de probabilidad normal es:
UNIVERSIDAD SAN PEDROHIDROLOGIA
Hoy en día, no se conoce analíticamente la integral de la
ecuación, por lo que es necesario recurrir a métodos numéricos
para evaluarla. Sin embargo, para hacer esto se requeriría una
tabla para cada valor de fJ, y a, por lo que se ha definido la
variable estandarizada que está normalmente distribuida con
media cero y desviación estándar unitaria.
Así, la función de distribución de probabilidad se puede escribir
como:
3.4.2 Distribución Log Normal 2 Parámetros
Según Ven Te Chow:
Si la variable aleatoria Y = log X está normalmente distribuida,
entonces de dice q X está distribuida en forma Lognormal. Se ha
encontrado que la distribución log normal describe la
distribución de la
conductividad hidráulica en un medio poroso, la distribución de
tamaño de gotas de lluvia en una tormenta y otras variables
hidrológicas. La distribución log normal tiene las ventajas sobre
la distribución normal de que esta limitada y de que la y
transformación log tiende a reducir la asimetría positiva
comúnmente encontrada en información hidrológica, debido a
UNIVERSIDAD SAN PEDROHIDROLOGIA
que al tomar logaritmos se reducen en una proporción mayor los
números grandes que los números pequeños. Algunas
limitaciones son por un lado, que tienen solamente 2 parámetros
y por otro que requiere que los logaritmos de los datos sean
simétricos alrededor de su media.
Según Francisco Javier Aparicio:
En esta función los logaritmos naturales de la variable aleatoria
se distribuyen normalmente. La función de densidad de
probabilidad es:
donde α y β son los parámetros de la distribución. En la figura
se muestra una gráfica de la función de densidad de
probabilidad para diferentes valores de α y β . Como se
observa, esta función no necesariamente es simétrica.
Los valores de α y β se estiman a partir de n observaciones Xi, i
= 1, 2, ... n, como:
3.4.3 Distribución Gumbel
Según Francisco Javier Aparicio:
Supóngase que se tienen N muestras, cada una de las cuales
contiene n eventos. Si se selecciona el máximo x de los n
eventos de cada muestra, es posible demostrar que, a medida
que n aumenta, la función de distribución de probabilidad de x
tiende a:
UNIVERSIDAD SAN PEDROHIDROLOGIA
La función de densidad de probabilidad es entonces
donde α y β son los parámetros de la función
Los parámetros α y β se estiman como:
Para muestras muy grandes
IV CALCULOS Y RESULTADOS
UNIVERSIDAD SAN PEDROHIDROLOGIA
V CONCLUSIONES Y RECOMENDACIONES
DISTRIBUCION NORMAL
Las principales limitaciones en la descripción de variables hidrológicas son que esta varia a lo largo de un rango continuo, mientras que la mayor parte de las variables hidrológicas no son negativas y por otro lado, que es simetrice alrededor de la media, mientras que la información hidrológica tiende a ser asimétrica.
DISTRIBUCION LOG NORMAL
Esta distribución se aplica a variables hidrológicas formadas como productos de otras variables, lo cual tiende a la distribución normal para valores grandes de n siempre y cuando los Xi sean independientes y estén idénticamente distribuidos.
Las funciones normal y lognormal son generalmente apropiadas para variablesaleatorias que cubren todo el rango de valores de los resultados posiblesdel experimento bajo análisis, como por ejemplo los volúmenes de
UNIVERSIDAD SAN PEDROHIDROLOGIA
escurrimiento mensual en un río.
DISTRIBUCION GUMBEL
se desarrollaron parael análisis de los valores extremos , comolos gastos máximos o mínimos anuales.
VI BIBLIOGRAFIA
6.1 “Hidrología Aplicada”. Ven Te Chow. McGRAW-HILL Interamericana
S.A.. Santafé de Bogotá Colombia 1994.
6.2 “Hidrología”. Ing. Esp. Rubén Villodas. Universidad Nacional de
Cuyo Facultad de Ingeniería Civil
6.3 Docente del Curso. Ing. Pedro Reyes
6.4 “Fundamentos de Hidrología de Superficie”. Francisco Javier
Aparicio. Cuarta adición 1996. Editorial LIMUSA
UNIVERSIDAD SAN PEDROHIDROLOGIA
VII ANEXOS