Para responder el inciso 3, se utilizaron los datos de la estación de Sontalaco dado que es la estación que contaba con datos de precipitación y de escurrimiento. Precipitación 800 700
Precipitación
600 500 Normal
400
Pearson III
300
Datos reales
200
Gumbel
100
0 1
10
100
1000
Periodo de retorno
Periodo de retorno Error 2 5 10 15 20 25 50 100 500 1000 Gumbel 92.20 701.97 167 259.74 321.11 355.74 379.98 398.66 456.18 513.28 645.24 Normal 97.82 177.2 241.1 274.5 291.2 302.1 310.1 333.2 353.9 395.8 411.9 Pearson 98.97 173.4 242 282.1 303.2 317.4 328.1 359.7 389.4 453.3 479.3
Escurrimiento 300.00
Precipitación
250.00 200.00 Gumbel
150.00
Normal Pearson III
100.00
Datos reales 50.00 0.00 1
10
100
1000
Periodo de retorno
Periodo de retorno Error 2 5 10 15 20 25 50 100 500 1000 Gumbel 127.58 23 56.453 78.601 91.097 99.846 106.59 132.78 147.95 195.57 216.04 Normal 151.12 27.85 54.957 69.139 76.215 80.848 84.258 94.023 102.8 120.58 127.41 Pearson 70.20 17.36 46.034 71.711 87.595 99.144 108.24 137.07 166.61 237 267.87
El objetivo de la comparación era determinar si existía correlación entre el comportamiento de ambos datos, para lo cual se utilizó apoyo del programa llamado: Minitab para tener ambas gráficas dentro del mismo diagrama y poder visualizar su tendencia. A continuación, presentamos la gráfica obtenida:
Gráfica de dispersión de Gastos vs. Prec 300
250
Gastos
200
150
100
50
0 100
200
300
400
500
600
700
Prec
Correlación de Pearson de Prec y Gastos = 0.996 Valor p = 0.000 Gastos = -78.97 + 0.4831 Prec Derivado de ello, se llegó a la siguiente conclusión:
Existe una correlación positiva alta dado que ambas gráficas presentan el mismo comportamiento, aunque para el valor en el eje de las y varíe en cantidad. Dicha variación se puede explicar al hacer notar que el valor de la infiltración no se encuentra graficado en esta relación pero que, como recordamos, se trata de la diferencia entre lo llovido y el escurrimiento presentado. Los datos de gastos con los que contamos se grafican y se trata de ajustar a una regresión lineal, dado que existe la correlación de casi 1, podríamos tomar como una opción de predicción de algún evento este modelo de regresión lineal para relacionar el gasto resultante a una tormenta que se presente.