IIO352 TP02 Grupo02 CuencaRioCauquenes

Universidad de La Frontera – Facultad de Ingeniería y Ciencias- Departamento de Obras IIO352
Civiles
ANÁLISIS DE FRECUENCIA EN LA SUB-CUENCA DEL RÍO CAUQUENES

Rodrigo Marinao Rivas1 – Marcelo Zapata Muñoz2
r.marinao01@ufromail.cl1 – m.zapata05@ufromail.cl2
Resumen
En este informe se presenta el análisis de frecuencias realizado en dos estaciones pluviométricas y dos
estaciones fluviométricas ubicadas dentro de la sub-cuenca del Río Cauquenes, en la Región del Maule, a fin de
establecer una distribución de probabilidad que mejor se adecue a los eventos extremos anuales registrados
cada una de ellas. Los resultados obtenidos denotaron importantes diferencias en el caso de análisis de las series
temporales de caudales máximos anuales, considerando que las distribuciones además se desarrollaron con
distintas variantes de estimación de parámetros, muchas de las cuales fueron rechazadas por las pruebas de
bondad del ajuste. En el caso de las series temporales de precipitación máxima en 24 horas se obtuvieron
resultados mucho más homogéneos para cada estación, donde además no hubo rechazo de las pruebas de
bondad en ningún caso. De la aplicación de criterios estadísticos, criterios de observación gráfica y criterios
ingenieriles, se llegó a la conclusión de que el mejor ajuste para las series de caudales máximos anuales en las
dos estaciones fluviométricas es representado por la función Gamma, en particular con el método de
Maximización del Criterio de Bondad del Ajuste, y por otro lado también se concluyó que en cuanto a las series
de precipitaciones máximas anuales en 24 horas, para una estación el mejor ajuste se logra mediante la
distribución de Gumbel, bajo el mismo método de estimación señalado anteriormente, y que para la otra serie
de precipitaciones máximas el mejor ajuste se puede obtener con la distribución Log-Pearson Tipo III con
método de los Momentos.
Palabras claves: Precipitación máxima en 24 horas, caudal máximo anual, distribuciones de probabilidad, bondad
del ajuste, periodo de retorno.
1. Introducción
El análisis de los eventos extremos es un estudio fundamental dentro del campo de la hidrología, el cual se
realiza previo al diseño de obras hidráulicas. Este estudio permite estimar un evento de acuerdo a su
probabilidad de ocurrencia futura, para así dimensionar las obras de manera tal que ellas no colapsen frente a
dicho evento. Como es de esperar, en esta área estos sucesos se manifiestan como precipitaciones y caudales
máximos. Dado que existen un sinfín de factores e incertidumbres que determinan a los eventos extremos no se
puede recurrir a un estudio determinístico para conocer sus magnitudes, sino a la interpretación de variables
aleatorios que no son más que las mediciones históricas de estaciones fluviométricas y pluviométricas, que
permiten constituir estadísticas de caudales o de precipitaciones, respectivamente (Stowhas, 2017).
Este análisis, considerando por un lado dos estaciones fluviométricas y dos estaciones pluviométricas ubicadas
dentro de la cuenca de estudio, se tomaron las series temporales de eventos anuales extremos para realizar
distintos ajustes de probabilidad, distinguiendo cuatro métodos de estimación de parámetros para cada una de
ellas, y realizando los distintas pruebas de bondad del ajuste en cada caso. El objetivo fue encontrar para cada
estación, la distribución que mejor se adecúe a su serie temporal para así estimar acertadamente eventos
asociados a distintos periodos de retorno. Para el caso de precipitaciones máximas en 24 horas se hizo una
comparación con los resultados obtenidos con la metodología descrita en el capítulo 2 del “Manual de cálculo de
crecidas y caudales mínimos para cuencas sin información fluviométrica” (Dirección General de Aguas, 1995).
1
Civiles
2. Metodología
2.1. Área de estudio
El área de estudio corresponde a la sub-cuenca del Río Cauquenes, la que puede ser definida a partir del punto
de captación ubicado en la estación Río Cauquenes en Desembocadura, de latitud 35.900°S y longitud 72.050°O,
donde la delimitación de la sub-cuenca se realizó en SAGA GIS v2.3.2 con el modelo de elevación digital SRTM
con resolución de 30 metros (Watkins, 2014).
La principal actividad económica de la Región se basa principalmente en la agricultura, proveedora de materias
primas para las industrias vitivinícola, de esta manera el vino representa el 82% del total de sus exportaciones,
en menor proporción le sigue la producción de madera aserrada o desbastada longitudinalmente que
representa solo el 11% (Datawheel, 2018). El área de estudio, siendo cercana a la costa chilena, está
caracterizada con un clima mediterráneo de lluvia invernal (Csb) según la clasificación de Köppen
(Infraestructura de Datos Espaciales Chile, 2016), y particularmente la zona presenta un balance adecuado de
temperaturas y precipitaciones que explican desarrollo vitivinícola explotado en Cauquenes.
La situación hídrica de Cauquenes se puede poner en contexto con la Región del Maule, donde se encuentran
muchos sectores con constantes decretos de escasez. Actualmente Cauquenes tiene un decreto vigente que la
declara como zona de escasez hídrica junto a otras comunas de la zona (Ministerio de Obras Públicas, 2018).
En la Figura 1 aparece delimitada la zona de estudio, destacando la red de drenaje y las estaciones de interés del
presente estudio.
Figura 1: Cuenca aportante a las estación Río Cauquenes en Desembocadura.
2
Civiles
2.2. Estaciones fluviométricas seleccionadas

Las estaciones fluviométricas seleccionadas para el análisis de frecuencias se presentan en la Tabla 1, y se
tomaron bajo el criterio de disponibilidad de registros en un periodo de mayor o igual a 30 años, donde
convenientemente se consideraron los años comprendidos entre 1987 y 2016, ambos incluidos. En la Figura 1
pueden ubicarse estas estaciones dentro de la cuenca delimitada.
Tabla 1: Detalle de las estaciones fluviométricas seleccionadas para el análisis de frecuencia.
Nombre Río Cauquenes en Desembocadura Río Cauquenes en el Arrayán
Región VII VII
Código BNA 07336001-3 07339001-K
Latitud 35.900°S 36.017°S
Longitud 72.050°O 72.383°O
Elevación 125 m 590 m
Cuenca Río Maule Río Maule
Estado Vigente Vigente
Inicio observaciones 22-04-1986 04-03-1945
Fin Observaciones (actualización) 31-10-2017 31-12-2017
Registros (1987-2016) 94.99% 96.88%
El relleno de datos puntuales faltantes fue realizado en base al promedio de los registros de estaciones vecinas
ponderados por sus respectivos módulos fluviométricos (Stowhas, 2017). Para este relleno se consideraron
estaciones vecinas con similares condiciones a las estaciones de interés, y estas fueron la del Río Purapel en
Sauzal y la del Río Purapel en Nirivilo, cuyas características se detallan en el anexo B.
2.3. Estaciones pluviométricas seleccionadas

Respecto a las estaciones con registros de precipitación, se consideraron las dos únicas existentes dentro de la
cuenca que son la estación del Embalse Tutuvén y la estación El Álamo, la primera con una cantidad favorable de
registros y la otra con registros no mayores 24 años. A pesar de esto se consideró el periodo 1984-2015, con
ambos años incluidos, para realizar el análisis de frecuencia, esto no sin antes haber rellenado los datos.
Tabla 2: Detalle de las estaciones pluviométricas seleccionadas para el análisis de frecuencia.
Nombre Embalse Tutuvén El Álamo
Región VII VII
Código BNA 07337002-7 07336003-K
Latitud 35.897°S 36.113°S
Longitud 72.374°O 72.421°O
Registros (1984-2015) 99.41% 67.72%
Para el relleno de registros pluviométricos, en el entorno de programación R v3.4.3 se usó la función “FillGap”
(Xu, 2017) que completa los valores faltantes en base a correlaciones sobre la serie de datos de precipitaciones
de las estaciones, esto para el mismo periodo. Las estaciones consideradas para el relleno de datos y análisis de
homogeneidad fueron de Quella, Nirivilo y Melozal, las que también se observan en la Figura 1, y de las que se
adjunta detalle en el anexo B.
3
Civiles
2.4. Distribuciones de probabilidad

Los detalles de las funciones de cada distribución se presenta en el anexo C, a continuación se justifica su uso.
Distribución Log-Normal
Es bien sabido que la distribución Normal tiene una amplia aplicación en diversas disciplinas donde el dominio
de las variables se define entre valores positivos y negativos, pero en el análisis de eventos extremos los datos
tienen valores siempre positivos y cuando menos nulos (Stowhas, 2017). En los análisis hidrológicos ha sido
conveniente transformar las variables originales aplicando logaritmos, de paso restringiendo el dominio a
valores mayores que cero, resultando en la distribución Log-Normal que bien puede ajustarse a la recurrente
asimetría positiva de las series anuales de eventos extremos.
Distribución de Valores Extremos Tipo I o Distribución de Gumbel
Dado que las series temporales a analizar corresponden a series de excedencias anuales, resulta legítimo
considerar como potencial candidato a representar a estos valores máximos anuales, a una distribución de
valores extremos (Stowhas, 2017). En particular se ha considerado a la Distribución de Valores Extremo Tipo I o
Distribución de Gumbel. Esta función se describe en base a dos parámetros, de ubicación y de escala, los cuales
han sido determinados por los cuatro métodos descritos en la sección 2.5.
Distribución Log-Pearson Tipo III
La distribución Pearson Tipo III con transformación logarítmica de los datos (Log-Pearson Tipo III) se define por
tres parámetros (forma, escala y posición), y también ha sido considerada dentro del actual estudio debido a su
versatilidad demostrada en las diferentes formas que puede adoptar su función densidad de acuerdo a los
mencionados parámetros (Chow, Maidment, & Mays, 1994), que en este caso pueden ajustar una satisfactoria
distribución que represente los caudales máximos y/o las precipitaciones máximas en 24 horas. Además del
hecho anterior, su aplicación a valores extremos se ve respaldada por su recomendado y estandarizado uso en el
cálculo de frecuencias de crecientes máximas anuales, por agencias federales de los Estados Unidos (Interagency
Advisory Commite on Water Data (IACWD), 1982). Para la estimación de sus parámetros también se han
realizado las metodologías que se especifican en la sección 2.5, con excepción del Método de la Máxima
Verosimilitud, esto debido su algoritmo numérico aplicado a una de las series de datos de caudales evidenció
dificultades que no permitieron llegar a alguna estimación.
Distribución Gamma
La distribución Gamma es una distribución de dos parámetros (forma y escala), que ha resultado ser muy útil
para la descripción de variables hidrológicas asimétricas sin el uso de la transformación logarítmica de los datos
(Chow, Maidment, & Mays, 1994), claramente en referencia a la distribución Log-Pearson Tipo III presentada
anteriormente. Una ventaja de esta distribución frente a la anterior es que se ha desarrollado literatura en
relación a la bondad de su ajuste mediante el test de Anderson-Darling (Stephens, 1972), una potencial prueba
que será descrita en la sección 2.6 que pone atención en como se ajusta la distribución en las colas, los cuales
son de interés de un estudio como el presente.
Desarrollo de las distribuciones en R v3.4.3
El desarrollo de las distribuciones de probabilidad en el entorno R v3.4.3, fue en base a sus respectivas funciones
de densidad, probabilidad, cuantiles y generación de valores aleatorios. Por un lado estas funciones vienen
integradas para la distribución Gamma y Log-Normal, y para la distribución de Gumbel y Log Pearson Tipo III
tuvieron que ser implementadas mediante el paquete FAdist (Aucoin, 2015).
4
Civiles
2.5. Métodos de estimación de parámetros

Además de enfocarse en la discusión de las distribuciones de probabilidad a emplear, en el presente informe se
han analizado los métodos con los que se obtienen los parámetros de cada una de ellas, los cuales también
pueden presentar grandes variaciones en los resultados, dependiendo de cuál de ellos se utilice.
Método de los Momentos (MME)
Esta metodología considera que unos buenos estimativos de los parámetros de una función de probabilidad son
aquellos para los cuales los momentos de la función densidad de probabilidad alrededor del origen son iguales a
los momentos correspondientes de la información de la muestra (Chow, Maidment, & Mays, 1994). En vista de
que la popularidad de este método ha dejado suficiente literatura como para que existan fórmulas que permiten
calcular los parámetros de muchas distribuciones, dentro de las que se incluyen las desarrolladas en el presente
análisis, en este caso se optó por usar a éstas en lugar de los algoritmos numéricos. Dichas fórmulas, que se
calculan en función de los momentos muestrales y se adjuntan en el anexo C.
Método de la Máxima Verosimilitud (MLE)
Este método se basa en que la maximización de la probabilidad conjunta de la muestra equivale a la
maximización de la función de verosimilitud, y que el mejor valor de un parámetro de una distribución de
probabilidad debería ser justamente el valor que maximice dicha función de verosimilitud (Chow, Maidment, &
Mays, 1994):
Como se señaló en la sección 2.5, la aplicación numérica de este método a una de las series de datos de
caudales para estimar los parámetros de la distribución Log-Pearson Tipo III, evidenció problemas que no
permitieron llegar a alguna estimación. Esta situación resultó ser una adversidad sobre la cual se ha desarrollado
cierta literatura que reconoce que hay dificultades computacionales relacionadas con la resolución de las
ecuaciones de verosimilitud sobre la distribución en cuestión (Matalas & Wallis, 1973), que incluso puede
conducir a múltiples estimadores de posición (Arora & Singh, 1988). Por estas razones se optó por descartar este
método solo en el caso de esta distribución.
Método de Igualación de Cuantiles (QME)
Esta metodología está basada en el método de los mínimos cuadrados, dado que para propósitos de cálculos
numéricos, la comparación que se realiza es de cuantiles y se lleva a cabo minimizando la suma de las diferencias
al cuadrado entre cuantiles observados y teóricos (Delignette-Muller & Christopher, 2015). La cantidad de
cuantiles a ajustar se corresponde con la cantidad parámetros de la función, así por ejemplo para la distribución
Gumbel (dos parámetros) se trabajó con los cuantiles 0.333 y 0.666 y para la Log-Pearson Tipo III (tres
parámetros) se trabajó en los cuantiles 0.25, 0.5 y 0.75.
Método Maximización del Criterio de Bondad del Ajuste (MGE)
Este método es también conocido como el método de estimación de distancia mínima, y se basa estimar los
parámetros de acuerdo a que tan bien estos ajustan cierta distribución a un conjunto de datos y a juicio de algún
test de bondad. Dado que el presente análisis tiene su foco en los eventos más extremos dentro de la serie
temporal, los que se evidencian en la cola derecha de un histograma de precipitaciones o de caudales extremos,
fue oportuno entonces usar un test con exigencias en esta zona y justamente se tiene a la prueba de Anderson-
Darling de Right-Tail (cola derecha). En este test, el estadístico ADR (Delignette-Muller & Christopher, 2015) en
su forma continua queda representado por:
5
Civiles
( )
∫
Donde corresponde a la frecuencia acumulada observada y a la frecuencia acumulada teórica según

la distribución. El hecho de que el valor ADR se enfoque en la cola derecha queda representado por el
denominador que es más pequeño en esa zona haciendo que ADR pudiese ser más semejante que los
valores críticos. Cabe destacar que la función anterior tiene una fórmula equivalente para ser tratada
computacionalmente (Delignette-Muller & Christopher, 2015).
Desarrollo de las estimaciones de parámetros en R v3.4.3
Con excepción del primer método (el de los momentos), los ajustes de las distribuciones de probabilidad han
sido desarrollados en R v3.4.3 para obtener los parámetros, mediante los algoritmos numéricos implementados
en la función perteneciente al paquete fitdistrplus (Delignette-Muller & Dutang, 2017). Para la función fitdist del
mencionado paquete, aplicada a los métodos MLE, QME y MGE se necesitaron valores iniciales para comenzar
estimar los parámetros, estos valores iniciales fueron considerados como los que se obtuvieron por fórmulas en
base al método de los momentos, o sea se trabajó con la hipótesis de que los parámetros que se obtienen por
este método son una aceptable referencia inicial para encontrar los parámetros con los tres métodos restantes.
2.6. Tests de bondad del ajuste

Para evaluar de manera objetiva si es que una distribución se ajusta a un set de datos, se consideraron distintas
pruebas de bondad del ajuste, mediante las que se puede plantear una hipótesis nula que solo puede ser
rechazada o no rechazada de acuerdo a ciertos valores críticos. En el presente análisis se consideraron tres
pruebas de hipótesis cuya aplicación se justifica a continuación:
Test de Chi-Cuadrado
Este test entonces funciona en base a las diferencias de frecuencias relativas observadas en intervalos
definidos por la regla de Sturges según la cantidad de datos (Stowhas, 2017), con sus respectivas frecuencias
relativas esperadas según la distribución puesta a prueba. La fórmula de la prueba (Chow, Maidment, &
Mays, 1994) está dada por:
[ ]
∑
Este valor debe ser comparado con un valor crítico en función grado de libertad , donde
corresponde a la cantidad de parámetros de la distribución, y de un nivel de significancia .
Como preámbulo al posterior análisis, cabe destacar que el valor describe las diferencias a lo largo de todo el
histograma, o sea tanto en los valores medios como en los extremos, razón por la que esta fórmula no
necesariamente es exigente en la zona extrema derecha de particular interés en el presente estudio.
Test de Kolmogorov-Smirnov
Este test, a diferencia del test , compara las diferencias entre la función de frecuencia acumulada de la
distribución teórica con la curva de frecuencia acumulada empírica según los datos (Stowhas,
2017). Si la hipótesis nula, como siempre, propone que la distribución teórica es la correcta, habrá que
contrastar entonces algún valor con un umbral crítico. El valor a comparar será entonces:
6
Civiles
Que vendría siendo la máxima diferencia encontrada en las curvas de frecuencia acumulada teórica y empírica.
El valor crítico tabulado, se encuentra a partir de un nivel de confianza y un grado libertad , donde
corresponde a la cantidad de datos empíricos.
Test de Anderson-Darling
El test de Anderson-Darling especialmente formulado para evaluar exigentemente las colas de las distribuciones
de probabilidad (Mohd Razali & Bee Wah, 2011) tiene la siguiente formulación:
∫[ ] ( ) [ ( )]
Como puede notarse, la función siempre tendrá un factor cercano a cero cuando se encuentra en la cola
izquierda o en la cola derecha de la distribución, por lo que el estadístico tenderá a ser mayor en esas zonas,
y posiblemente muy cercano a los valores críticos tabulados según cada distribución. A pesar de ser una
herramienta muy poderosa para el presente análisis solo se ha desarrollado literatura para valores críticos con
la distribución Gamma, la Normal, la Exponencial y la de Gumbel (Stephens, 1972).
3. Resultados
3.1. Curva de Duración de Caudales
En la Figura 2 se muestran las curvas de duración de caudales en base a los datos empíricos de caudales
promedio mensuales de los 30 años abarcados, la probabilidad de excedencia asociada a cada uno de los 360
datos se calculó en base a la fórmula de California (Stowhas, 2017). Es importante destacar que la cuenca
aportante hasta el punto de la estación Río Cauquenes en el Arrayán está contenida dentro de la cuenca
aportante a la estación Río Cauquenes en Desembocadura, lo que añade consistencia a lo que se evidencia en
las curvas donde para una misma probabilidad de excedencia el caudal para la primera estación señalada es
bastante mayor.
Figura 2: Curvas de Duración de Caudales en base a los promedios mensuales (1987-2016)
3.2. Resumen cuantitativo de los datos de caudales

A continuación se presentan una descripción cuantitativa de los sets de datos para las dos estaciones
fluviométricas de interés:
7
Civiles
Tabla 3: Resumen cuantitativo de las estaciones fluviométricas

Estación en el Río 1.- 2.- Para la Tabla 3 se hacen las siguientes
Cauquenes Desembocadura El Arrayán observaciones. El cuantil 0 indica que los
Cantidad de datos 30.000 30.000 registros mínimos corresponden a un valor de
Cuantil 0 11.200 9.960 11.2 m3/s y 9.96 m3/s respectivamente, lo que
Cuantil 0.25 88.225 80.925 indican por lo menos una año muy seco. El rango
Cuantil 0.5 237.500 189.500 intercuartil para la estación 1 indica que tiene
Cuantil 0.75 valores altos bastante cerca de la mediana, en
623.500 414.000
comparación con la estación 2 donde esta
Cuanti 1 1199.106 853.000 medida es menor. Las asimetrías positivas son
Media Aritmético 351.790 269.590 similares para ambas estaciones, y el coeficiente
Desviación Estándar 311.613 225.541 de Kurtosis indica para la estación 1 una leve
Rango Intercuartil 535.275 333.075 mayor concentración de sus datos alrededor de
Coeficiente de asimetría 0.961 0.952 la media o en los extremos, en comparación con
Coeficiente de Kurtosis 2.973 2.844 la estación 2.
3.3. Ajuste para la estación Río Cauquenes en Desembocadura

Para la serie de datos correspondiente a la estación Río Cauquenes en Desembocadura se presentó la
particularidad de que el histograma, según sus 30 datos empíricos de caudales máximos, no seguía un
decaimiento uniforme en vista de la asimetría positiva que habitualmente describen los datos hidrológicos de
carácter extremo. Esto queda evidenciado en el anexo E donde en los primeros tres intervalos hubo un
decaimiento en las frecuencias para que luego en el cuarto (entre 600 y 800 m3/s) las frecuencias aumenten
abruptamente, esto ha provocado que los ajustes para una misma distribución varíen notablemente según el
método empleado.
3.3.1. Bondad del ajuste a un nivel de confianza del 95%
Tabla 4: Comparación de valores de las distintas pruebas de bondad con sus valores críticos para la estación Río Cauquenes
en Desembocadura, en naranjo se destacan las pruebas cuyas hipótesis nulas fueron rechazadas.
Log-Normal Gumbel Log-Pearson III Gamma
Prueba Crítico Prueba Crítico Prueba Crítico Prueba Crítico
AD-MME 3.539 - 0.866 0.757 0.896 - 0.609 0.786
KS-MME 0.220 0.254 0.128 0.254 0.144 0.259 0.139 0.254
CHI2-QME 13.801 7.815 11.072 7.815 17.890 5.992 8.798 7.815
AD-QME 0.709 - 1.237 0.757 1.591 - 0.643 0.786
KS-QME 0.152 0.254 0.204 0.254 0.182 0.259 0.112 0.254
CHI2-QME 12.308 7.815 12.413 7.815 16.702 5.992 8.312 7.815
AD-MGE 0.519 - 0.870 0.757 0.615 - 0.349 0.786
KS-MGE 0.118 0.254 0.153 0.254 0.118 0.259 0.111 0.254
CHI2-MGE 11.447 7.815 11.115 7.815 12.418 5.992 7.996 7.815
AD-MLE 0.513 - 1.073 0.757 - - 0.432 0.786
KS-MLE 0.138 0.254 0.153 0.254 - - 0.135 0.254
CHI2-MLE 13.284 7.815 12.131 7.815 - - 8.616 7.815
Como es esperable, la particularidad de la serie de datos de la presente estación provoca que los valores
empíricos se distancien bastante respecto de los esperados según la distribución a analizar por lo menos en la
zona de conflicto señalada, lo que se ve reflejado en la Tabla 4 donde la prueba rechaza a todas las
distribuciones y según cada uno de los métodos de estimación de parámetros. Como se ha hecho mención, los
valores críticos de Anderson-Darling no se encuentran para la distribución Log-Pearson III ni la Log-Normal, por
8
Civiles
lo que, en evidencia de los resultados de la Tabla 4, con este test solo pudo concluir que ninguna variante de la
distribución de Gumbel se ajusta a las colas y que la distribución Gamma sí lo hace para todas las variantes de
estimaciones de parámetros.
3.3.2. Comparación de los cuantiles empíricos y teóricos
Tabla 5: Comparación de los cuantiles empíricos y teóricos para la estación Río Cauquenes en Desembocadura.
Q=0.025 Q=0.055 Q=0.25 Q=0.50 Q=0.75 Q=0.95 Q=0.975
EMPÍRICO 27.730 34.675 88.225 237.500 623.500 863.914 957.820
Log-Normal (MGE) 26.395 37.492 110.478 234.159 496.299 1462.457 2077.274
Gumbel (MME) -105.594 -55.025 132.192 300.601 514.260 933.201 1104.745
Log-Pearson III (MGE) 30.063 40.866 110.205 229.095 493.394 1584.940 2353.319
Gamma (MGE) 8.056 16.882 102.086 253.856 518.140 1139.432 1408.439
En la Tabla 5 se muestran tanto los cuantiles empíricos como los cuantiles teóricos asociados a distintas
probabilidades de no excedencia. Como para cada función de probabilidad se estimaron los parámetros con
distintos métodos, para cada distribución solo se consideró aquel que más se alejó del umbral de rechazo de
cada test, es decir el “más aceptable” dentro de los no rechazados, que en tres de los cuatro casos resultó ser el
MGE. En la Tabla 5 se puede apreciar como en el caso de la distribución Log-Normal y Log-Pearson III
sobreestiman notablemente los cuantiles a probabilidades altas de no excedencia.
3.3.3. Elección de la distribución a representar caudales máximos anuales
Dado que ninguna distribución fue aceptada íntegramente por todos los tests de bondad a un 95% de nivel de
confianza, se puede realizar una proposición en base a lo siguiente. En vista de que la distribución Gamma solo
fue rechazada por el test (en todas sus variantes de estimación de parámetros), se puede apreciar que el
valor de esta prueba sobrepasa solo levemente al valor crítico con el método MGE, y con solo elevar un poco el
nivel de confianza (a 97.5%) la hipótesis nula ya dejaría de ser rechazada, pues el valor crítico sube a un 9.3484.
De esta manera se eligió a la distribución Gamma con método de estimación MGE, condicionada a un nivel de
confianza del 97.5%.
3.3.4. Caudales máximos asociados a distintos Periodos de Retorno
Elegida la distribución Gamma, se estimaron los siguientes caudales asociados a distintos periodos de retorno:
Tabla 6: Caudales estimados con el uso de la distribución Gamma.
Periodo de Retorno 2 años 5 años 20 años 50 años 100 años
Caudal [m3/s] 253.86 603.84 1139.43 1495.15 1764.75
3.4. Ajuste para la estación Río Cauquenes en el Arrayán
Los datos de caudales máximos anuales, en el caso de esta estación permitieron generar un histograma con un
comportamiento más uniforme que se pudiese adaptar a las distribuciones candidatas (Anexo E), lo que se ve
reflejado en el hecho de que centrándose en una distribución cualquiera los distintos métodos de estimación de
parámetros generaban curvas de FDA muy similares.
3.4.1. Bondad del ajuste a un nivel de confianza del 95%
En este caso, en base a los resultados que se muestran en la Tabla 7, con las pruebas de bondad se pudo
concluir que para la mayoría de las distribuciones no existen argumentos para rechazar sus respectivas hipótesis
nulas a un 95% de nivel de confianza, con excepción de la distribución Log-Pearson III con método MME que es
rechaza por el test , la distribución de Gumbel con método QME y con método MLE que son rechazas por el
test de Anderson-Darling (ambas). Nuevamente la distribución Gamma se acomoda se relativamente mejor a las
pruebas de bondad como para no ser rechazada por ninguna de estas, independiente del método de estimación.
9
Civiles
Tabla 7: Comparación de valores de las distintas pruebas de bondad con sus valores críticos, en naranjo se destacan las
pruebas cuyas hipótesis nulas fueron rechazadas.
AD-MME 2.317 - 0.634 0.757 0.888 - 0.380 0.786
KS-MME 0.216 0.254 0.125 0.254 0.123 0.259 0.128 0.254
CHI2-MME 3.416 7.815 2.812 7.815 6.034 5.992 1.118 7.815
AD-QME 0.463 - 0.913 0.757 0.998 - 0.394 0.786
KS-QME 0.107 0.254 0.176 0.254 0.128 0.259 0.106 0.254
CHI2-QME 3.042 7.815 3.022 7.815 4.341 5.992 1.262 7.815
AD-MGE 0.385 - 0.657 0.757 0.498 - 0.244 0.786
KS-MGE 0.114 0.254 0.138 0.254 0.111 0.259 0.090 0.254
CHI2-MGE 2.206 7.815 2.856 7.815 2.915 5.992 0.916 7.815
AD-MLE 0.370 - 0.799 0.757 - - 0.298 0.786
KS-MLE 0.093 0.254 0.145 0.254 - - 0.113 0.254
CHI2-MLE 3.138 7.815 3.203 7.815 - - 1.052 7.815

En la Tabla 8 se hacen la comparación de los cuantiles correspondientes a la actual estación. Un detalle a
destacar es que para este caso nuevamente las distribuciones con transformación logarítmica de los datos
tienden a sobreestimar los valores para probabilidades de no excedencia altas, sobre todo la Log-Pearson Tipo
III. Otro punto a destacar es que el método MGE nuevamente marca mayor presencia de acuerdo a la
categorización como el método “más aceptable” dentro de los no rechazados por las pruebas de bondad, en el
contexto de cada distribución considerada.
Tabla 8: Comparación de los cuantiles empíricos y teóricos para la estación Río Cauquenes en el Arrayán.
Q=0.025 Q=0.055 Q=0.25 Q=0.50 Q=0.75 Q=0.95 Q=0.975
EMPÍRICO 30.869 41.725 80.925 189.500 414.000 662.400 743.525
Log-Normal (MLE) 23.674 32.705 88.477 176.708 352.925 954.762 1319.013
Gumbel (MME) -61.458 -24.857 110.648 232.540 387.183 690.406 814.568
Gamma (MGE) 10.348 19.377 91.178 203.906 388.388 804.119 980.816
3.4.3. Elección de la distribución a representar caudales máximos anuales
Teniendo como argumentos a los hechos evidenciados anteriormente, se consideró que para la estación Río
Cauquenes en el Arrayán se pudo hacer ajuste acertado con la distribución Gamma con método de estimación
MGE, a un 95% de nivel de confianza.
3.4.4. Caudales máximos asociados a distintos Periodos de Retorno
Se estimaron los siguientes caudales asociados a distintos periodos de retorno:
Tabla 9: Caudales estimados con el uso de la distribución Gamma con método de estimación de parámetros MGE.
Periodo de 2 años 5 años 20 años 50 años 100 años
Retorno
Caudal [m3/s] 203.91 446.76 804.12 1037.52 1213.24
10
Civiles
3.5. Resumen cuantitativo de los datos de precipitación

En la Tabla 10 se muestran un resumen de los cuantiles y parámetros muestrales correspondientes a cada
estación pluviométrica, es importante destacar que por recomendación bibliográfica (Stowhas, 2017), la serie
temporal de precipitaciones máximas diarias fue amplificada por un factor de 1.06 para obtener las
precipitaciones máximas en 24 horas.
Tabla 10: Resumen cuantitativo de las estaciones.
Estación pluviométrica 1.-Embalse 2.-El Álamo En la Tabla 10 se pueden hacer importantes
Tutuvén observaciones respecto a la muestra. El rango
Cantidad de datos 32.000 32.000 intercuartil en este caso indica que para ambas
Cuantil 0 44.838 34.450 estaciones los valores extremos tienen igual
Cuantil 0.25 60.685 59.142 presencia en cantidad, sin embargo el
Cuantil 0.5 75.631 67.322 coeficiente de asimetría indica que la moda de la
Cuantil 0.75 91.293 89.305 estación 2 está más cercana a valores más bajos
Cuanti 1 139.920 166.420 que la estación 1. Por otro lado, también para la
Media Aritmético 80.096 76.785 estación 2 se tiene una mayor cercanía de
Desviación Estándar 24.828 27.840 algunos datos al promedio y el resto
Rango Intercuartil 30.608 30.163 mayormente concentrado en los extremos,
Coeficiente de asimetría 0.711 1.200 según el coeficiente de Kurtosis.
Coeficiente de Kurtosis 2.820 4.674
3.6. Ajuste para la estación Embalse Tutuvén
Los datos de precipitación máxima en 24 horas en la estación del Embalse Tutuvén permitieron generar un
histograma con un decaimiento uniforme, donde para las tres primeras clases se detectó la misma frecuencia, lo
que puede apreciarse en el anexo F. Las distintas distribuciones evidenciaron resultados muy similares con cada
método de estimación aplicado a ellas, por lo que el método de estimación de parámetros marcó menores
diferencias en el caso de esta primera estación pluviométrica, a diferencia de las estaciones de caudales donde
hubieron resultados muy diversos.
3.6.1. Bondad del ajuste para un nivel de confianza del 95%
En la Tabla 11 se muestran los resultados de aplicar las pruebas de bondad a cada distribución con los distintos
métodos. Lo más relevante de estos resultados es que ninguna hipótesis fue rechazada según los valores críticos
de cada test. Considerando lo anterior, en la decisión de elegir la distribución para estimar las precipitaciones
máximas en 24 horas hubo una mayor vaiedad para evaluar.
Tabla 11: Comparación de valores de las distintas pruebas de bondad con sus valores críticos, el que ninguna
celda esté marcada con un color especial indica que ninguna fue rechazada por las pruebas.
AD-MME 0.204 - 0.212 0.757 0.182 - 0.224 0.755
KS-MME 0.073 0.246 0.068 0.245 0.067 0.250 0.090 0.246
CHI2-MME 2.740 7.815 2.719 7.815 2.396 5.992 2.788 7.815
AD-QME 0.353 - 0.374 0.757 0.198 - 0.378 0.754
KS-QME 0.089 0.246 0.094 0.245 0.078 0.259 0.090 0.246
CHI2-QME 3.723 7.815 3.406 7.815 1.850 5.992 4.549 7.815
AD-MGE 0.176 - 0.171 0.757 0.172 - 0.245 0.755
KS-MGE 0.072 0.246 0.069 0.245 0.070 0.259 0.082 0.246
CHI2-MGE 2.087 7.815 2.138 7.815 2.074 5.992 2.314 7.815
11
Civiles
AD-MLE 0.198 - 0.199 0.757 - - 0.249 0.754

KS-MLE 0.072 0.246 0.067 0.245 - - 0.093 0.246
CHI2-MLE 2.674 7.815 2.612 7.815 - - 3.219 7.815

En la Tabla 12 la comparación de los cuantiles indican que los resultados teóricos para todas las distribuciones
son muy similares a los valores empíricos, un detalle relevante es que la distribución gamma, con buenos
resultados para las estaciones fluviométricas, en este caso tuvo resultados que para bajas probabilidades de no
excedencia subestimaron a los datos empíricos y que para valores más altos de probabilidades de no excedencia
fueron más similares a los datos empíricos, tal vez muy ajustados.
Tabla 12: Comparación de los cuantiles empíricos y teóricos para la estación del Embalse Tutuvén.
Q=0.025 Q=0.05 Q=0.25 Q=0.50 Q=0.75 Q=0.95 Q=0.975
EMPÍRICO 45.002 46.508 60.685 75.631 91.293 124.274 134.662
Log-Normal (MGE) 40.696 45.019 61.436 76.256 94.652 129.168 142.890
Gumbel (MGE) 41.403 45.725 61.726 76.119 94.380 130.185 144.846
Gamma (MME) 39.074 44.074 62.257 77.546 95.162 124.822 135.594
3.6.3. Elección de la distribución a representar las precipitaciones máximas en 24 horas

En este caso parece tentador considerar nuevamente a la distribución Gamma, pero en este caso los resultados
de ella fueron demasiado ajustados con los empíricos, según lo evidenciado en la comparación de cuantiles.
Como una medida más conservadora en este caso se optó por elegir a la distribución de Gumbel con método de
estimación MGE.
3.6.4. Precipitaciones máximas en 24 horas. asociadas a distintos periodos de retorno
Se estimaron los siguientes valores de precipitación en base a la distribución de Gumbel con método de
estimación de parámetros MGE, también se calcularon los valores según el Manual DGA señalado anteriormente
y usando el mapa de isoyetas del Anexo A, con resultados bastante inferiores.
Tabla 13: Precipitaciones estimadas con el uso de la distribución Gumbel, con método GME.
Precipitación Análisis de frecuencia 76.12 99.65 130.18 149.53 164.03
[mm] Manual DGA 57.62 79.9 107.54 125.11 138.65
3.7. Ajuste para la estación El Álamo
En la Tabla 14 se muestran los resultados de aplicar las prueba de bondad del ajuste. Nuevamente ninguna
hipótesis fue rechazada según los valores críticos. La decisión de elegir una distribución nuevamente queda
ciertamente liberada de los resultados de estas pruebas de bondad al no existir los argumentos para rechazar
alguna de ellas.
Tabla 14: Comparación de valores de las distintas pruebas de bondad con sus valores críticos.
AD-MME 0.265 - 0.264 0.757 0.239 - 0.382 0.757
KS-MME 0.108 0.246 0.107 0.246 0.099 0.250 0.116 0.246
CHI2-MME 2.694 7.815 2.668 7.815 2.736 5.992 2.769 7.815
AD-QME 0.410 - 0.445 0.757 0.255 - 0.470 0.758
12
Civiles
KS-QME 0.113 0.246 0.119 0.246 0.086 0.259 0.124 0.246

CHI2-QME 2.746 7.815 2.728 7.815 3.110 5.992 2.803 7.815
AD-MGE 0.280 - 0.282 0.757 0.242 - 0.398 0.757
KS-MGE 0.094 0.246 0.096 0.246 0.091 0.259 0.114 0.246
CHI2-MGE 2.700 7.815 2.696 7.815 2.749 5.992 2.882 7.815
AD-MLE 0.273 - 0.271 0.757 - - 0.379 0.757
KS-MLE 0.113 0.246 0.111 0.246 - - 0.130 0.246
CHI2-MLE 2.803 7.815 2.949 7.815 - - 3.182 7.815

En la Tabla 15 se presentan los cuantiles teóricos donde nuevamente las distribuciones permitieron obtener
resultados similares.
Tabla 15: Comparación de los cuantiles empíricos y teóricos para la estación El Álamo.
Q=0.025 Q=0.05 Q=0.25 Q=0.50 Q=0.75 Q=0.95 Q=0.975
EMPÍRICO 38.558 45.289 59.142 67.322 89.305 117.925 131.096
Log-Normal (MME) 36.692 40.921 57.259 72.320 91.342 127.810 142.542
Gumbel (MME) 35.921 40.439 57.166 72.212 91.301 128.730 144.056
Log-Pearson III (MME) 38.155 41.984 57.124 71.629 90.738 129.857 146.576
Gamma (MME) 32.297 37.398 56.645 73.448 93.298 127.563 140.205
3.7.2. Elección de la distribución a representar las precipitaciones máximas en 24 horas

Para la estación pluviométrica El Álamo se eligió, en base a los resultados gráficos y a la comparación de
cuantiles, como distribución a estimar la precipitación máxima en 24 horas a la Log-Pearson Tipo III con método
MME, esto en vista de que sus resultados son levemente más conservadores. Esta determinación se basa en la
consideración de que como los resultados de comparar cuantiles para todas las distribuciones son tan similares a
los valores empíricos, la incertidumbre pasa a tener mayor incidencia si se considera una distribución muy
ajustada, por esto se optó por una que relativamente sobreestime a estos valores empíricos, esto por supuesto
considerando los resultados no serán exageradamente mayores como es el caso.
3.7.3. Precipitaciones máximas en 24 horas asociadas a distintos periodos de retorno
Se estimaron los siguientes valores de precipitación con la distribución Log-Pearson tipo III, también se muestran
los obtenidos con Manual DGA, en base al mapa isoyetas del anexo A.
Tabla 16: Precipitaciones estimadas con el uso de la distribución Log-Pearson tipo III con MME.
Precipitación Análisis de frecuencia 71.63 96.37 129.86 152.02 169.23
[mm] Manual DGA 56.16 76.5 102.96 119.79 132.75
13
Civiles
4. Conclusión
Respondiendo a los objetivos del presente trabajo, se encontraron importantes diferencias entre las distintas
distribuciones de probabilidad candidatas, los métodos empleados para calcular sus parámetros y las pruebas de
bondad a las que se sometieron. A estas diferencias también se añade el tipo de variable aleatoria a ajustar que
en este caso fueron caudales y precipitaciones.
Para las series temporales de caudales máximos anuales, para las dos estaciones fluviométricas seleccionadas, el
mejor desplante se logró a través de la distribución Gamma con método de estimación de Maximización del
Criterio de Bondad del Ajuste. En el caso de la estación Río Cauquenes en Desembocadura se lidió con el hecho
de que los registros generaban un histograma bimodal, lo que hizo complejo ajustar apropiadamente una
distribución, asunto que fue superado al condicionar el nivel de confianza a un 97.5%, donde la distribución
Gamma pudo inmediatamente ser aceptada, además gráficamente ésta se ajustaba mejor en la cola derecha
(Anexo G, Figura 16). Para la estación Río Cauquenes en El Arrayán no se presentaron particularidades que
generasen problemas y nuevamente la Distribución Gamma indicó ser la más adecuada, aun así los métodos de
estimación variaron bastante dentro del contexto de cada distribución, produciendo variadas curvas de densidad
y de función de distribución acumuladas, como se aprecia en el anexo G. De esta manera con las series de
caudales máximos anuales se obtuvo una variedad de resultados que quedó evidenciada en la comparación de
los cuantiles, donde las distribuciones Log-Normal y Log-Pearson Tipo III sobrestimaron bastante los valores a
altas probabilidades de no excedencia, comparando con los datos empíricos, por lo que en estos casos se
consideraron no adecuadas.
Para las series temporales de precipitaciones máximas en 24 horas, para ambas estaciones pluviométricas
seleccionadas se consiguieron resultados muy similares, en cada caso por separado, e independiente del método
de estimación de parámetros, lo que gráficamente puede apreciarse en el anexo H. Para la Estación del Embalse
Tutuvén se eligió a la distribución de Gumbel con método de estimación Maximización del Criterio de Bondad
del Ajuste, y para la estación El Álamo se eligió a la distribución Log-Pearson Tipo III con estimación de
parámetros por Momentos. En ambos casos la elección pasó por un criterio conservador frente a las leves
diferencias que ofrecían las distintas distribuciones de probabilidad. La comparación de los resultados obtenidos
con el presente análisis de frecuencia con los obtenidos con el procedimiento detallado en el capítulo 2 del
“Manual de cálculo de crecidas y caudales mínimos para cuencas sin información fluviométrica” (Dirección
General de Aguas, 1995), evidenciaron que estos últimos resultados son bastante más bajos, posiblemente
debido a que los coeficientes de frecuencias asociados a distintos periodos de retorno son muy generalizados, ya
que en dicho manual se considera como zona homogénea a toda la Región del Maule.
Concentrándose en los métodos de estimación de parámetros, en base a los resultados, en general se apreció
un mejor ajuste mediante el método de Maximización del Criterio de Bondad del Ajuste, lo que se debe en gran
parte a que el criterio impuesto consistió en la prueba de Anderson-Darling cargada hacia la cola derecha (ADR),
lo cual implicó principalmente que la distribución se ajustase a la zona de interés del presente análisis.
Un análisis de frecuencia, ya sea para estimar eventos extremos de crecidas o de precipitación máxima en 24
horas, requiere de una robusta responsabilidad, ya que los resultados que aquí se obtienen son determinantes al
momento de diseñar obras hidráulicas y evitar catástrofes que puedan desencadenar inundaciones, colapso de
estructuras e incluso eventos que pueden comprometer vidas humanos. Por estas razones al enfrentarse a este
estudio es importante poner en conjugación por lo menos un criterio objetivo realizado en base a la las pruebas
de bondad, un criterio gráfico que facilite la interpretación de los resultados y un criterio ingenieril capaz de
juzgar los aspectos claves para tomar la decisión de elegir un modelo probabilístico adecuado para estimar un
evento futuro.
14
Civiles
Bibliografía
Dirección General de Aguas. (s.f.). Mapoteca Digital - DGA. Obtenido de
http://www.dga.cl/estudiospublicaciones/mapoteca/Paginas/default.aspx#seis
Arora, K., & Singh, V. P. (1988). On The Method of Maximum Likelihood Estimation for the Log-Pearson Type 3
Distribution. Journal of Stochastic Hydrology and Hydraulics, 2(2), 155-160.
Aucoin, F. (2015). FAdist: Distributions that are Sometimes Used in Hidrology. Obtenido de https://cran.r-
project.org/web/packages/FAdist/FAdist.pdf
Chow, V. T., Maidment, D. R., & Mays, L. W. (1994). Hidrología Aplicada. Mc Graw Hill.
Datawheel. (2018). datachile.io. Obtenido de https://es.datachile.io/geo/maule-7/cauquenes-34
Delignette-Muller, M. L., & Christopher, D. (2015). fitdistrplus: An R Package for Fitting Distributions. Journal of
Statistical Software, 13-18.
Delignette-Muller, M.-L., & Dutang, C. (2017). fitdistrplus: Help to Fit of a Parametric Distribution to Non-
Censored or Censored Data. Obtenido de https://cran.r-
project.org/web/packages/fitdistrplus/fitdistrplus.pdf
Dirección General de Aguas. (1995). Manual de Cálculo de Crecidas y Caudales Mínimos en Cuencas Sin
Información Fluviométrica. Santiago: Ministerio de Obras Públicas.
Gumbel, E. J. (1941). The Return Period of Flood Flows. The Annals of Mathematical Statistics, 163-190.
Infraestructura de Datos Espaciales Chile. (2016). Zonas climáticas de Chile según Köppen-Geiger escala
1:1.500.000. Obtenido de http://www.ide.cl/descarga/capas/item/zonas-climaticas-de-chile-segun-
koeppen-geiger-escala-1-1-500-000.html
Interagency Advisory Commite on Water Data (IACWD). (1982). Guidelines for determing flood flow Frecuency.
Washington: U.S. Department of the Interior Geological Survey.
Matalas, N. C., & Wallis, J. R. (1973). Eureka! It fits a Pearson type: 3 distribution. Water Resources Research,
281-289.
Ministerio de Obras Públicas. (2018). Decreto MOP N° 95/2018.
Ministerio de obras Publicas, D. g. (2004).
Mohd Razali, N., & Bee Wah, Y. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and
Anderson Darling tests. Journal of Statistical Modeling and Analytics, 21--33.
Salvo, S. (2014). Estimación de Parámetros. En S. Salvo Garrido, Probabilidad y Estadística, Apuntes de Curso.
Temuco: Universidad de La Frontera.
Stephens, M. A. (1972). EDF Statictics for Goodness-of-Fit: Par. 1. Stanford: Office of Naval Research.
Stowhas, L. (2017). Fundamentos de Hidrología Aplicada. Valparaíso: USM Editorial.
Watkins, D. (2014). 30-Meter SRTM Tile Downloader. Obtenido de http://dwtkns.com/srtm30m/
Xu, Y. (2017). hyfo: Hydrology and Climate Forecasting. R package version 1.3.9. Obtenido de https://CRAN.R-
project.org/package=hyfo
15
Civiles
Anexos
Anexo A: Mapa de isoyetas
Figura 3: Mapa de isoyetas de precipitación máxima en 24 horas ( Dirección General de Aguas)
Anexo B: Estaciones fluviométricas y pluviométricas usadas para el relleno de datos

Tabla 17: Estacionesfluviométricas vecinas.
Nombre Río Purapel en Sauzal Río Purapel en Nirivilo

Región VII VII
Código BNA 07343001-1 07341001-0
Latitud 35.7500°S 35.5500°S
Longitud 72.0667°O 72.1000°O
16
Civiles
Tabla 18: Estaciones pluviométricas vecinas.

Nombre Quella Nirivilo Melozal
Región VII VII VII
Código BNA 07335004-2 07341002-9 07357003-4
Latitud 36.0572°S 35.5383°S 35.7856°S
Longitud 72.0809°O 72.0914°O 71.7664°O
Elevación 130 m 200 m 96 m
Cuenca Río Maule Río Maule Rio Maule
Estado Vigente Vigente Vigente
Inicio observaciones 01-08-1961 01-02-1956 01-09-1950
Fin Observaciones (actualización) 28-07-2018 27-09-2017 30-11-2017
Anexo C: Distribuciones de probabilidad utilizadas

Tabla 19: funciones de distribución y parámetros según método de los momentos (Chow, Maidment, & Mays, 1994).
Distribución de Función Parámetros obtenidos por
Probabilidades método de los momentos
Log-Normal Log - Mean: ̅
Log - S. Desv.:
( )
√
̅
Gamma Rate:
̅̅̅̅
Shape:
Log-Pearson Tipo III Rate:

√
( )
Shape: ( )
Threshold: ̅ √
Gumbel Scale:
√
( ( )) Location: ̅
17
Civiles
Anexo D: Homogeneidad de las estaciones pluviométricas
Figura 4: Homogeneidad antes del relleno de datos.
Figura 5: Homogeneidad después del relleno de datos.
18
Civiles
Anexo E: Histogramas y curvas de función de distribución acumulada para las estaciones fluviométricas
Figura 6: Histograma y curva de FDA para la estación Río Cauquenes en Desembocadura.
Figura 7: Histograma y curva de FDA para la estación Río Cauquenes en El Arrayán.
19
Civiles
Anexo F: Histogramas y curvas de función de distribución acumulada para las estaciones pluviométricas
Figura 8: Histograma y curva de FDA para la estación Embalse Tutuvén.
Figura 9: Histograma y curva de FDA para la estación El Álamo.
20
Civiles
Anexo G: Comparación gráfica según los métodos de estimación de parámetros para las estaciones
fluviométricas
.Figura 10: Comparación gráfico para la distribución Log-Normal en la estación Río Cauquenes en Desembocadura.
Figura 11: Comparación gráfico para la distribución Log-Normal en la estación Río Cauquenes en El Arrayán.
21
Civiles
Figura 12: Comparación gráfico para la distribución de Gumbel en la estación Río Cauquenes en Desembocadura.
Figura 13: Comparación gráfico para la distribución de Gumbel en la estación Río Cauquenes en El Arrayán.
22
Civiles
.Figura 14: Comparación gráfico para la distribución Log-Pearson III en la estación Río Cauquenes en Desembocadura.
Figura 15: Comparación gráfico para la distribución Log- Pearson III en la estación Río Cauquenes en El Arrayán.
23
Civiles
Figura 16: Comparación gráfico para la distribución Gamma en la estación Río Cauquenes en Desembocadura.
Figura 17: Comparación gráfico para la distribución Gamma en la estación Río Cauquenes en El Arrayán.
24
Civiles
Anexo H: Comparación gráfica según los métodos de estimación de parámetros para las estaciones
pluviométricas
Figura 18: Comparación gráfico para la distribución Log-Normal en la estación Embalse Tutuvén.
Figura 19: Comparación gráfico para la distribución Log-Normal en la estación El Álamo.
25
Civiles
Figura 20: Comparación gráfico para la distribución de Gumbel en la estación Río Tutuvén.
Figura 21: Comparación gráfico para la distribución de Gumbel en la estación El Álamo.
26
Civiles
Figura 22: Comparación gráfico para la distribución de Log- Pearson III en la estación Río Tutuvén.
Figura 23: Comparación gráfico para la distribución de Log- Pearson III en la estación El Álamo.
27
Civiles
Figura 24: Comparación gráfico para la distribución Gamma en la estación Río Tutuvén.
Figura 25: Comparación gráfico para la distribución Gamma en la estación El Álamo.
28

IIO352 TP02 Grupo02 CuencaRioCauquenes

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

IIO352 TP02 Grupo02 CuencaRioCauquenes

Hochgeladen von

Copyright:

Verfügbare Formate

Universidad de La Frontera – Facultad de Ingeniería y Ciencias- Departamento de Obras IIO352

ANÁLISIS DE FRECUENCIA EN LA SUB-CUENCA DEL RÍO CAUQUENES

Figura 1: Cuenca aportante a las estación Río Cauquenes en Desembocadura.

2.2. Estaciones fluviométricas seleccionadas

2.3. Estaciones pluviométricas seleccionadas

2.4. Distribuciones de probabilidad

2.5. Métodos de estimación de parámetros

Donde corresponde a la frecuencia acumulada observada y a la frecuencia acumulada teórica según

2.6. Tests de bondad del ajuste

Figura 2: Curvas de Duración de Caudales en base a los promedios mensuales (1987-2016)

3.2. Resumen cuantitativo de los datos de caudales

Tabla 3: Resumen cuantitativo de las estaciones fluviométricas

3.3. Ajuste para la estación Río Cauquenes en Desembocadura

3.4.2. Comparación de los cuantiles empíricos y teóricos

3.5. Resumen cuantitativo de los datos de precipitación

AD-MLE 0.198 - 0.199 0.757 - - 0.249 0.754

3.6.2. Comparación de los cuantiles empíricos y teóricos

3.6.3. Elección de la distribución a representar las precipitaciones máximas en 24 horas

KS-QME 0.113 0.246 0.119 0.246 0.086 0.259 0.124 0.246

3.7.1. Comparación de los cuantiles empíricos y teóricos

3.7.2. Elección de la distribución a representar las precipitaciones máximas en 24 horas

Figura 3: Mapa de isoyetas de precipitación máxima en 24 horas ( Dirección General de Aguas)

Anexo B: Estaciones fluviométricas y pluviométricas usadas para el relleno de datos

Nombre Río Purapel en Sauzal Río Purapel en Nirivilo

Tabla 18: Estaciones pluviométricas vecinas.

Anexo C: Distribuciones de probabilidad utilizadas

Log-Pearson Tipo III Rate:

Anexo D: Homogeneidad de las estaciones pluviométricas

Figura 4: Homogeneidad antes del relleno de datos.

Figura 5: Homogeneidad después del relleno de datos.

Figura 6: Histograma y curva de FDA para la estación Río Cauquenes en Desembocadura.

Figura 7: Histograma y curva de FDA para la estación Río Cauquenes en El Arrayán.

Figura 8: Histograma y curva de FDA para la estación Embalse Tutuvén.

Figura 9: Histograma y curva de FDA para la estación El Álamo.

Figura 19: Comparación gráfico para la distribución Log-Normal en la estación El Álamo.

Figura 21: Comparación gráfico para la distribución de Gumbel en la estación El Álamo.

Figura 25: Comparación gráfico para la distribución Gamma en la estación El Álamo.

Das könnte Ihnen auch gefallen