Beruflich Dokumente
Kultur Dokumente
CLASE VI
ANLISIS DE TORMENTAS
1. Conceptos
1.1. Tormenta
En primer lugar debe notarse que el registro no es continuo; asimismo la tormenta tiene una
determinada duracin que en este caso es de 24 horas y finalmente podemos tener idea de su
magnitud mediante el valor de la lmina de lluvia precipitada que en este caso es igual a 91.8
mm.
Para el ejemplo, la intensidad pico es de 14.2 mm/h, con una intensidad media de 3.8 mm/h.
El periodo de retorno se define como el lapso promedio entre la ocurrencia de un evento igual o
mayor a una magnitud dada.
Entonces, al hablar de una tormenta de periodo de retorno igual a 25 aos, se entiende que
dicho evento ser igualado o excedido en promedio una vez cada 25 aos, en el transcurso de
un gran nmero de aos.
Como en hidrologa se utilizan muestras integradas por eventos hidrolgicos anuales, se podr
plantear la siguiente ecuacin basndose en el concepto de probabilidad:
1 1
T
P( X x) 1 P( X x)
1 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Sea p la probabilidad de excedencia del evento igual a 1/T, esto es, la probabilidad de
ocurrencia en cualquier ao. La probabilidad de no ocurrencia del evento en cualquier ao ser
(1-p). Considerando que los eventos anuales son estadsticamente independientes, la
probabilidad de que el evento no suceda en dos aos consecutivos es (1-p)2. Extendiendo este
razonamiento a la vida til (N) del proyecto, se tendr (1-p)N. Finalmente, la probabilidad de
que el evento si ocurra durante la vida til ser:
1 N
R 1 (1 p) N 1 (1 )
T
1
T 1
1 (1 R) N
Nos interesa entonces la situacin en la que un evento de precipitacin mxima con tiempo de
retorno T denotado por PT, sea sobrepasado durante un intervalo de tiempo fijo en un ao.
Ejemplo:
Desea Usted construir una obra de proteccin para una vida til de 100 aos y quiere saber la
probabilidad de que un evento con tiempo de retorno de 50 aos sea sobrepasado dentro de
los prximos 100 aos.
La variable aleatoria x representar el nmero de veces que el evento crtico pueda ser
sobrepasado durante el periodo de 100 aos siguiendo la ley Binomial B(100, 0.02). La
probabilidad ser:
2 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Entonces, se podra afirmar que un evento con periodo de retorno de 50 aos tiene una
probabilidad del 87% de ser sobrepasado durante un periodo de vida til de obra de 100 aos.
Ello evidentemente sera muy peligroso de aceptar.
Entonces la pregunta sera Qu tiempo de retorno se debe elegir en este caso para por
ejemplo tener una probabilidad de ocurrencia de sobrepaso del 25%?
Se obtiene
Es as que si conocemos por ejemplo la precipitacin anual durante 100 aos, podemos,
mediante la estadstica, determinar y pronosticar muchas propiedades a partir de este conjunto
de datos.
Por ejemplo, la siguiente figura muestra las diferentes distribuciones estadsticas de los
registros diarios de lluvia para el Reino Unido (Shaw, 1994).
3 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
3. Anlisis Intensidad - Duracin - Frecuencia (IDF)
El anlisis intensidad -duracin - frecuencia tiene como objeto construir la curva IDF similar a la
mostrada en la siguiente figura:
En ellas se puede mostrar que a medida que aumenta la intensidad de la lluvia, su duracin
a
disminuye, es decir I t-1. Esto puede expresarse como: I n , para t > 120 minutos.
t
Para el caso en que la duracin de la tormenta est entre 5 minutos <= t <= 120 minutos, la
a
ecuacin ser : I , donde a y b son parmetros caractersticos de cada regin, que
bt
pueden ser determinados estadsticamente.
Con el objeto de considerar la variacin de la intensidad con la frecuencia, se fija, cada vez una
duracin determinada.
kt m
I n
D
Donde: k, m y n, son constantes que se determinan mediante correlacin lineal mltiple.
4 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
4. Mtodos Estadsticos1
Los mtodos estadsticos se apoyan en la existencia de series que son, sometidas a un anlisis
de frecuencias basadas por lo tanto en la observacin de eventos pasados.
Los resultados sern confiables siempre que exista suficientes datos disponibles y se acepta la
condicin de que el comportamiento del sistema continuar siendo el mismo durante el futuro.
Las distribuciones probabilsticas a tratar en esta clase sern la Distribucin Log Normal 2 P y
la Distribucin Gumbel.
La distribucin Log-Normal al igual que la distribucin Normal son de gran utilidad debido a la
facilidad de calcular sus dos parmetros respectivamente. Basta calcular la media y la
desviacin estndar de los datos para el caso de la distribucin Normal y la media y la
desviacin estndar de sus logaritmos para el caso de la distribucin Log - Normal.
Por el teorema de lmite central, tenemos que si X es una variable aleatoria con distribucin
normal, se puede esperar una variable Y = ln(X), tambin con distribucin normal con media Y
y variancia y2. La funcin de densidad de distribucin normal para Y es:
Por lo tanto, Y tiene distribucin normal, mientras que X tiene distribucin Log-normal.
Los parmetros Y y y2 pueden ser estimados por sus parmetros muestrales mediante la
transformacin Yi = Ln (Xi)
1
Texto extrado del Libro Hidrologa Aplicada. Abel Meja M. UNALM.
5 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
4.2. Distribucin de Gumbel
La Distribucin de Gumbel o de valor extremo, tiene actualmente gran utilidad. De acuerdo con
la ley de los extremos (Pinto et al., 1976), la ley de distribucin de la serie de n trminos
constituidos por los mayores valores de cada muestra tiende asintticamente a una ley simple
de probabilidades, que es independiente de la que rige la variable aleatoria en las diferentes
muestras y en el propio universo de la poblacin infinita.
6 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Ejemplo:
Si se muestra de datos de caudales picos tiene como media 81 y desviacin estndar 23.
Determinar el perodo de retorno T, correspondiente a Q = 91 m 3/s, si se asume que los datos
siguen una distribucin Gumbel.
5. Factores de frecuencia1
Este concepto fue usado por Ven Te Chow (1951) en combinacin con la frmula general para
el anlisis de frecuencias hidrolgicas:
_
X X KS
Donde :
7 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Tabla de factores de frecuencia para la distribucin Normal y Log Normal
6
T
K 0.5772 ln ln
T 1
8 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Segn la frmula se determinan la media (Xn) y la desviacin tpica (Sn) de la muestra. Pero si
existe algn valor alto se le debe abstraer y calcular las nuevas media (X n-m) y desviacin
estndar (Sn-m), originndose los siguientes factores de correccin:
X nm
f 12
Xn
S nm
f 14
Sn
Por la longitud del periodo de registro nacen los factores correctivos f11 y f13.
Sin embargo, hay que tener en cuenta la demostracin realizada por Koutsoyiannis (1999),
correspondiente a que la PMP es equivalente a una precipitacin mxima para un periodo de
retorno de aproximadamente 60,000 aos.2
2A probabilistic view of Hershfields method for estimating probable maximum precipitation. Demetris
Koutsoyiannis. Department of Water Resources, Faculty of Civil Engineering, National Technical
University, Athens, Greece.
9 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
FACTOR f1
10 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Fuente: D.M.Hershfield citado por Campos Aranda 'Procesos del Ciclo Hidrolgico',1987.
11 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
FACTOR K
Fuente: D.M.Hershfield citado por Campos Aranda 'Procesos del Ciclo Hidrolgico',1987.
12 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
FACTOR f14
Fuente: D.M.Hershfield citado por Campos Aranda 'Procesos del Ciclo Hidrolgico',1987
13 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
FACTOR f12
Fuente: D.M.Hershfield citado por Campos Aranda 'Procesos del Ciclo Hidrolgico',1987.
14 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
FACTOR f2
Fuente: D.M.Hershfield citado por Campos Aranda 'Procesos del Ciclo Hidrolgico',1987.
15 10/05/17
Universidad Nacional Agraria La Molina Facultad de Ingeniera Agrcola
Departamento de Recursos Hdricos
Curso: Hidrologa
Dr. Eduardo A. Chvarri Velarde
Ejemplo del clculo de la precipitacin mxima probable considerando una serie de 48 aos de
precipitacin mxima 24 horas registrada en la Estacin Jos A. Quinez (Huanuco)
16 10/05/17