Parmetros estadsticos

El hidrlogo generalmente tendr disponible un registro de datos hidrometeorolgico (precipitacin, caudales, evapotranspiracin, temperaturas, etc.), a travs de su conocimiento del problema fsico, escoger un modelo probabilstico a usar, que represente en forma satisfactoria el comportamiento de la variable. Para utilizar estos modelos probabilsticos, se deben calcular sus parmetros estadsticos y realizar la prueba de bondad de ajuste. Dentro de estos parmetros estadsticos calculados por los momentos ordinarios, se tiene: media rango desviacin estndar varianza coeficiente de variacin coeficiente de sesgo coeficiente de curtosis tambin estos parmetros estadsticos se pueden calcular utilizando los momentos lineales (Lmoments)

Media
Media muestral o poblacional datos no agrupados: 1 n X = = xi n i =1 donde: X = = media muestral o poblacional xi = valor i-simo de la muestra n = nmero total de datos Media muestral o poblacional datos agrupados: 1 k X = = xi f i n ni =1 donde: X = = media xi = valor de la i-sima marca de clase fi = valor de la i-sima frecuencia absoluta, es decir, nmero de datos en el intervalo i k = nmero de intervalos de clase n = nmero total de datos

Rango
Es una medida de distancia y representa la diferencia entre el mayor y el menor de los valores observados, es decir: R = Xmx - Xmn donde: R = rango Xmx = valor mximo de los datos Xmn = valor mnimo de los datos

El rango o la amplitud es una manera conveniente de describir la dispersin, sin embargo, no da medida alguna de la dispersin entre los datos con respecto al valor central.

Desviacin estndar
Desviacin estndar poblacional datos no agrupados:

1 n 2 xi n 2 n i =1 Desviacin estndar muestral datos no agrupados: 1 n 2 2 S= xi n x n 1 i =1 donde: S = desviacin estndar muestral = desviacin estndar poblacional xi = valor i-simo de la muestra x = = media muestral o poblacional n = nmero total de datos 1 n X = = xi n i =1 Desviacin estndar poblacional datos agrupados: 1 k 2 = xi f i n 2 n i =1 Desviacin estndar muestral datos agrupados: 1 k 2 2 S= xi f i n x n 1 i =1 donde: S = desviacin estndar muestral = desviacin estndar poblacional xi = valor de la i-sima marca de clase x = = media fi = valor de la i-sima frecuencia absoluta, es decir, nmero de datos en el intervalo i k = nmero de intervalos de clase n = nmero total de datos 1 k X = = xi f i n i =1

Varianza
Varianza poblacional datos no agrupados: 1 n 1 n 2 2 = ( xi ) = xi2 n 2 n i =1 n i =1 Varianza muestral datos no agrupados:

donde: S = varianza muestral = varianza poblacional xi = valor i-simo de la muestra x = = media muestral o poblacional n = nmero total de datos 1 n X = = xi n i =1 Varianza poblacional datos agrupados: 1 k 1 k 2 2 = ( xi ) f i = xi2 f i n 2 n i =1 n i =1 Varianza muestral datos agrupados:
S2 =
2 k 1 k 1 2 2 ( x X ) f = x f n X i i i i n 1 i =1 n 1 i =1

2 n 1 n 1 2 2 S = ( xi X ) = xi n X n 1 i =1 n 1 i =1 2

donde: S = varianza muestral = varianza poblacional xi = valor de la i-sima marca de clase x = = media fi = valor de la i-sima frecuencia absoluta, es decir, nmero de datos en el intervalo i k = nmero de intervalos de clase n = nmero total de datos 1 k X = = xi f i n i =1

Coeficiente de variacin
Es una medida relativa de dispersin, que relaciona la desviacin estndar y la media, es decir:
CV = S x

Es una medida adimensional de la variabilidad alrededor de la media, generalmente en Hidrologa se suele trabajar con datos muestrales.

Coeficiente de sesgo
El sesgo es el estadstico que mide la simetra y asimetra. Sesgo poblacional datos no agrupados: 3 = 3 donde:

3 =
=

(x
i =1
n

n
1 ( xi ) 2 n i =1

1 n xi n i =1 Sesgo muestral datos no agrupados: n2M 3 Cs = ( n 1)( n 2) S 3 donde:

M3 =
S=

(x
i =1

x)

n
1 n ( xi x) 2 n 1 i =1

1 n x = xi n i =1 Sesgo poblacional datos agrupados: 3 = 3 1 n = ( xi ) 2 f i n i =1 Sesgo muestral datos agrupados:

n2M 3 Cs = ( n 1)( n 2) S 3

S=

1 k 2 2 xi f i n x n 1 i =1
1 k xi f i n i =1

X ==

Coeficiente de curtosis
El grado de achatamiento se mide con el estadstico denominado coeficiente de curtosis. Curtosis poblacional datos no agrupados: 4 k= 4

donde:

4 =
=

(x
i =1
n

n
1 ( xi ) 2 n i =1

1 n xi n i =1 Curtosis muestral datos no agrupados: n3M 4 Cs = ( n 1)( n 3) S 4 donde:

M4 =
S= x=

(x
i =1

x)

n
1 n ( xi x) 2 n 1 i =1

1 n xi n i =1 Curtosis poblacional datos agrupados: 4 k= 4 donde:

4 =
=

(x
i =1

) fi
4

n
1 n ( xi ) 2 f i n i =1

Curtosis muestral datos agrupados: n3M 4 Cs = ( n 1)( n 3) S 4 donde:

4 =
S=

(x
i =1

) fi
4

1 k 2 2 xi f i n x n 1 i =1

X ==

1 k xi f i n i =1

Momentos lineales (L-Moments)

Los momentos lineales (Lmoments), constituyen una metodologa moderna que permite estimar los parmetros estadsticos de una poblacin o de una muestra. Son otra manera de expresar las propiedades estadsticas de datos hidrolgicos, son similares a los momentos ordinarios pues proporcionan las medidas de localizacin, dispersin, asimetra, curtosis, pero se calculan de las combinaciones lineales de los datos (de aqu el nombre de momento lineal). Los parmetros estadsticos estimados con esta metodologa, son menos sensibles a los valores extremos, por lo que permite determinar la distribucin terica de probabilidad que mejor ajusta a los datos analizados. Por el mtodo de momentos lineales la dispersin no se calcula con respecto a un valor central, sino que se calculan las diferencias de todos los datos entre s, considerando todas las posibles combinaciones. Adems, las diferencias nunca se elevan a ninguna potencia, se mantienen lineales, por lo cual los parmetros estimados por este mtodo son menos sensibles a los valores extremos. Las ecuaciones simplificadas de los momentos lineales, son: 1 n 1 = n X i C1 i =1

2 =

1 1 n 2 C2 1 1 3 C 3n

(C
n i =1 n

i 1 1

C1n i X i
n i 2C1i 1C1n i + C 2 Xi

3 =

(C
i =1

i 1 2

1 1 n i 1 n i C3 3C1i 1C1n i + 3C1i 1C 2 C 3n i X i n 4 C 4 i =1 donde: Xi (para i = 1,2 , 3, ..., n) = son los valores de la muestra ordenados ascendentemente n Ck = combinaciones de n elementos en grupos de k en k

4 =

para k<n Si k = n C = 1 n Si k > n C k = 0 El primer momento lineal 1 representa la media aritmtica de la muestra, es una medida de localizacin y su valor es el mismo que el calculado por el mtodo tradicional. El segundo momento lineal 2 es equivalente a la desviacin estndar pero calculada mediante las diferencias de todos los datos entre s, no con respecto a un valor central; es un parmetro de escala o dispersin de la variable aleatoria X. Dividiendo el segundo momento lineal entre el primer momento lineal (desviacin estndar entre la media), se obtiene el coeficiente lineal de variacin (CLV), es decir:
n n

2 1 Dividiendo el momento lineal de orden r, entre la medida de dispersin, se obtiene la relacin de momentos, es decir: tr = r 2 El t3 es una medida de asimetra y t4 es una medida de curtosis, stas son respectivamente el coeficiente lineal de asimetra o sesgo (CLS) y el coeficiente lineal de curtosis (CLK), es decir: t 3 = CLS = 3 2 t 4 = CLS = 4 2 Los clculos de los momentos lineales 1, 2, 3, 4, con el uso de calculadoras e incluso con la computadora, resulta bastante complejo. Con el fin de simplificar stos clculos, se presenta el cdigo fuente en Basic, de la subrutina que calcula estos momentos, tambin se incluyen los clculos de los parmetros estadsticos lineales. En el cdigo: L1= 1, L2=2, L3=3, L4=4 y xxord(j) es la serie ordenada en forma ascendente. ' Clculo de los parmetros lineales ' xxord(j) es la serie ordenada en forma ascendente que se tiene disponible L1 = 0 L2 = 0 L3 = 0 L4 = 0 For j = 1 To n CL1 = j - 1 CL2 = CL1 * (j - 1 - 1) / 2 CL3 = CL2 * (j - 1 - 2) / 3 CR1 = n - j CR2 = CR1 * (n - j - 1) / 2 CR3 = CR2 * (n - j - 2) / 3 L1 = L1 + xxord(j) L2 = L2 + (CL1 - CR1) * xxord(j) L3 = L3 + (CL2 - 2 * CL1 * CR1 + CR2) * xxord(j) L4 = L4 + (CL3 - 3 * CL2 * CR1 + 3 * CL1 * CR2 - CR3) * xxord(j) Next j C1 = n C2 = C1 * (n - 1) / 2 c3 = C2 * (n - 2) / 3 C4 = c3 * (n - 3) / 4 L1 = L1 / C1 L2 = L2 / C2 / 2 L3 = L3 / c3 / 3 L4 = L4 / C4 / 4 'Clculo de los parmetros con momentos lineales CIMedia = L1
CLV =

CIDesEstandar = L2 CIVarianza = L2 ^ 2 CIVariacion = L2 / L1 CISesgo = L3 / L2 CIKurtosis = L4 / L2

Ecuaciones de regresin
El anlisis de regresin, es una tcnica determinstica, que permite determinar la naturaleza de la relacin funcional entre dos o ms variables, permite predecir los valores de y = f(x), ecuaciones de regresin, con un cierto grado de aproximacin. Algunas ecuaciones de regresin ms utilizadas en hidrologa, son: Ecuacin de regresin lineal simple Ecuacin de regresin no lineal simple Ecuacin de regresin lineal mltiple Ecuacin de regresin no lineal mltiple Ecuacin de regresin polinomial

Regresin lineal simple

En hidrologa el modelo ms simple y comn, est basado en la suposicin de que dos variables se relacionan en forma lineal. Como ejemplo se puede mencionar: Caudales y precipitacin de una misma cuenca Precipitacin de una estacin, con precipitacin de otra estacin Caudal de una estacin con caudal de otra estacin Precipitacin con la altitud de una cuenca Este hecho, permite correlacionar estas variables para completar datos o extender un registro.

Ecuacin de regresin
La ecuacin general de la ecuacin de regresin lineal es: y = a + bx donde: x = variable independiente, variable conocida y = variable dependiente, variable que se trata de predecir a = intercepto, punto donde la lnea de regresin cruza el eje y, es decir valor de y cuando x = 0 b = pendiente de la lnea o coeficiente de regresin, es decir, es la cantidad de cambio de y asociada a un cambio unitario de x. Los valores de los parmetros a y b, se calculan utilizando el mtodo de mnimos cuadrados.

y x x y x a= n x ( x ) n x y x y b= n x ( x ) Regresin no lineal simple

i 2 i i i i 2 i 2 i

2 i

Existen varias relaciones no lineales, que con un artificio adecuado pueden reducirse a relaciones lineales, dentro de las cuales se pueden mencionar:
1 a + bx 1 y = a +b x y=
y = ab x y = ax + bx 2

(inversa)

(exponencial) (potencial) Para el uso de estas ecuaciones, en todos los casos, el proceso es como sigue: 1. Realizar la transformacin de variables a fin de obtener una regresin lineal. 2. En la ecuacin lineal obtenida, aplicar el mtodo de mnimos cuadrados para estimar los nuevos parmetros a1 y b1. 3. Restituir los cambios de variables, a fin de obtener los parmetros iniciales a y b. 4. Utilizar la ecuacin siempre y cuando exista correlacin adecuada entre las variables

Ecuacin de regresin lineal mltiple

Esta tcnica de anlisis, se utiliza cuando la variable dependiente y, es funcin de dos o ms variables independientes x1, x2, x3, . . ., xm, siendo el modelo lineal: y = ao + a1 x1 + a2 x2 + a3 x3 + . . . + amx m donde: n = nmero de variables independientes ao, a1, a2, . . . , am = parmetros a estimar p = m + 1 = nmero de parmetros

Ecuaciones normales
0 1 1

. .

y = a n + a x + a x + a x + ....... + a x x y = a x + a x + a x x + a x x + ....... + a x x x y = a x + a x x + a x + a x x + ....... + a x x

2 2 3 3 m m

2 1 1

m m

2 2

2 y = a 0 x m + a1 x1 x m + a 2 x 2 x m + a3 x 3 x m + ....... + a m x m

La solucin del sistema proporcionan los valores ao, a1, a2, . . . , am

Error estndar del estimado para regresin mltiple (Se)

Es la medida de dispersin que se calcula con la siguiente ecuacin:
Se =

a 0 y a1 x1 y a 2 x 2 y .... a m x m y np

donde: Se= error estndar del estimado y = valores muestrales (experimentales) de la variable dependiente n = nmero de grupos de la muestra p = m+1 = nmero de parmetros a estimar a partir de la muestra n - p = grados de libertad

Coeficiente de determinacin mltiple

Representa la proporcin de la variacin total de y que es explicada por las variables involucradas en la ecuacin de regresin mltiple, se puede calcular a partir de la ecuacin:
R2 = a 0 y + a1 x1 y + a 2 x 2 y + a3 x3 y + ..... + a m x m y n y
2

donde: R2 = coeficiente de determinacin y = valores muestrales (experimentales) de la variable dependiente n = nmero de grupos de la muestra
y= 1 y = media de la variable dependiente n

n y

Coeficiente de correlacin mltiple

R= y + a1 x1 y + a 2 x 2 y + a 3 x3 y + ..... + a m x m y n y
2

n y

Ecuacin de regresin no lineal mltiple

La forma general de una ecuacin de regresin no lineal mltiple es: a 2 a3 y = a 0 x1a1 x 2 x3 ... la misma que es posible transformar con un adecuado artificio, en una ecuacin de regresin lineal mltiple, de la siguiente forma: 1. Tomando ln a ambos miembros de la ecuacin, se tiene: ln y = ln a 0 + a1 ln x1 + a 2 ln x 2 + a3 ln x3 +... 2. Haciendo: ln y = z
' ln a 0 = a 0

lnx1 = w1 lnx2= w2 lnx3 = w3

. .
' z = a0 + a1 w1 + a 2 w2 + a 3 w3 ....

La ecuacin obtenida es una ecuacin de regresin lineal mltiple.

Ecuacin de regresin polinomial

La ecuacin polinomial de grado m es:
y = a 0 + a1 x + a 2 x 2 + a3 x 3 + ..... + a m x m

Para el ajuste de los pares de valores, se puede utilizar la metodologa descrita para el caso de una ecuacin de regresin lineal mltiple, siendo las ecuaciones normales:

y = a n + a x + a x + a x + .... + a x xy = a x + a x + a x + a x + .... + a
2 3 m 0 1 2 3 m 2 3 4 0 1 2 3

x m +1

. .

x
x

y = a 0 x 2 + a1 x 3 + a 2 x 4 + a 3 x 5 + .... + a m x m +2
y = a 0 x m + a1 x m +1 + a 2 x m +2 + a 3 x m +3 + .... + a m x 2 m