1.

1 DISTRIBUCION GUMBEL O EXTREMA TIPO I

Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico
es la distribucin general de valores extremos, la cual ha sido ampliamente utilizada
para representar el comportamiento de crecientes y sequas (mximos y mnimos).

1.1.1 Funcin de densidad:

En donde y son los parmetros de la distribucin.

1.1.2 Estimacin de parmetros

donde

son la media y la desviacin estndar estimadas con la muestra.

1.1.3 Factor de frecuencia:

Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal

para un perodo de retorno de 2.33 aos es igual a la media de los caudales mximos.

1.1.4 Limites de confianza

Xt t(1-) Se

KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una

probabilidad de no excedencia de 1-.
EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno
y los intervalos de confianza. x= 15 m3/s, s = 5 m3/s
QTr100 = x + KT s

KT = 3.14
QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

= 3.93

Xt t(1-) Se
30.7 m3/s (1.64) (3.58)
[24.83 m3/s
1.2

36.58 m3/s]

Intervalo de confianza para QTr100

DISTRIBUCION GAMMA DE TRES PARMETROS O PEARSON TIPO 3

Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de
las variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la
distribucin de frecuencia de variables tales como crecientes mximas anuales,
Caudales mnimos, Volmenes de flujo anuales y estacionales, valores de
precipitaciones extremas y volmenes de lluvia de corta duracin. La funcin de
distribucin Gamma tiene dos o tres parmetros.

1.2.1 Funcin de densidad:

donde,
x0 x para 0
x x0 para 0
y son los parmetros de escala y forma, respectivamente , y x 0 es el parmetro de
localizacin.

1.2.2 Estimacin de parmetros:

Cs es el coeficiente de asimetra,
muestra respectivamente.

son la media y la desviacin estndar de la

1.2.3 Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la
muestra.

1.2.4 Intervalos de confianza:

Xt t(1-) Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y se

encuentra tabulado en funcin de Cs y Tr.
EJEMPLO: Se tiene una estacin con 30 aos de registros de caudales mximos
instantneos con Media de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el

coeficiente de asimetra de los caudales es de 1.981 pie 3/s cual es caudal para un periodo
de retorno de 100 aos y su intervalo de confianza.
QTr100 = X+ SK
K es F(1.981, 100)

de tablas se obtiene K=3.595

(1.9,100) = 3.553
(2.0,100) = 3.605

QTr100 = 4144+ (3.595) (3311)

QTr100 = 16050 pie3/s
Intervalos de confianza
Xt t(1-) Se

= F(1.981,100)

de tablas se obtiene =8.4922

(1.9,100) = 8.2196
(2.0,100) = 8.5562

Se = 5133.56 pie3/s
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
16050 (5133.56) (1.645)
[7605.29 pie3/s

1.3

24494.71pie3/s]

Intervalos de confianza para QTr100

DISTRIBUCIN LOG GAMMA O LOGPEARSON DE 3 PARMETROS

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin Pearson

tipo III, se dice que la variable aleatoria X se ajusta a una distribucin Log Pearson Tipo
III. Esta distribucin es ampliamente usada en el mundo para el anlisis de frecuencia
de Caudales mximos. Esta se trabaja igual que para la Pearson Tipo III pero con X y y
Sy como la media y desviacin estndar de los logaritmos de la variable original X.

1.3.1 Funcin de densidad:

donde,
y0 y para 0
y y0 para 0
y son los parmetros de escala y forma, respectivamente , y y 0 es el parmetro de
localizacin.

1.3.2 Estimacin de parmetros:

Cs es el coeficiente de asimetra,
son la media y la desviacin estndar de
los logaritmos de la muestra respectivamente.

1.3.3 Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la
muestra.

1.3.4 Intervalos de confianza:

Xt t(1-) Se

Donde Sy es la desviacin estndar de los logaritmos de la muestra, n es el nmero de

datos y se encuentra tabulado en funcin de Cs y Tr.
4

AJUSTE DE DISTRIBUCIONES

Para la modelacin de caudales mximos se utilizan, entre otras, las distribuciones Log Normal, Gumbel y Log-Gumbel principalmente. Para seleccionar la distribucin de
probabilidades de la serie histrica se deben tener en cuenta algunas consideraciones.

Cuando en la serie histrica se observan outliers 1[1] es necesario verificar la

sensibilidad del ajuste debido a la presencia de estos, (Ashkar, et al. 1994)

Aunque no existe una definicin generalmente aceptada, se puede entender como

valores extremos, muy superiores a los dems registrados (Ashkar, et al. 1994).

Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y Log-Pearson se

requiere transformar la variable al campo logartmico para modelarla, con lo que
se disminuye la varianza muestral, pero tambin se filtran las variaciones reales
de los datos.

Las distribuciones de dos parmetros fijan el valor del coeficiente de asimetra,

lo que en algunos casos puede no ser recomendable. La distribucin Log Normal de dos parmetros slo es recomendable s el coeficiente de asimetra es
cercano a cero. Las distribuciones Gumbel y Log - Gumbel son recomendables
si el coeficiente de asimetra de los eventos registrados es cercano a 1.13

Para ajustar distribuciones de tres parmetros (Log Normal III, Log Pearson) se
requiere estimar el coeficiente de asimetra de la distribucin; para ello es
necesario disponer de una serie con longitud de registros larga, mayor de 50
aos, (Kite, 1988). Las distribuciones de dos parmetros son usualmente
preferidas cuando se dispone de pocos datos, porque reducen la varianza de la
muestra, (Ashkar, et al. 1994).

Para seleccionar la distribucin de probabilidades adecuada se debe tratar de

utilizar informacin adicional del proceso hidrolgico que permita identificar la
forma en que se distribuye la variable. Usualmente es muy difcil determinar las
propiedades fsicas de los procesos hidrolgicos para identificar el tipo de
distribucin de probabilidad que es aplicable.

Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cual es
la distribucin que mejor se ajusta a los caudales mximos y recomiendan
seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste
grfico o basado en el comportamiento de las pruebas estadsticas de bondad del
ajuste (por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von Mises)
en las que se calcula un estimador y se compara con un valor tabulado para
determinar si el ajuste es adecuado o no. En la prueba de ajuste grfica se
dibujan los valores registrados en la serie contra la distribucin terica de
probabilidades y de manera visual (subjetiva) se determina si el ajuste es
adecuado o no.

Cuando la informacin es adecuada el anlisis de frecuencia es la metodologa ms

recomendable para la evaluacin de eventos extremos, ya que la estimacin depende
1

solamente de los caudales mximos anuales que han ocurrido en la cuenca y no da

cuenta de los procesos de transformacin de la precipitacin en escorrenta.
Obviamente tiene algunas limitaciones relacionadas con el comportamiento de la serie
histrica y con el tamao y calidad de los datos de la muestra.

Cuando se presenten cambios o tendencias en la serie histrica se deben utilizar

tcnicas estadsticas que permitan removerlos para poder realizar el anlisis de
frecuencias (Kite, 1988; Mamdouh, 1993; Ashkar, et al. 1994).

La seleccin inadecuada de la distribucin de probabilidades de la serie histrica

arrojar resultados de confiabilidad dudosa, (Ashkar, et al. 1994).

El tamao de la muestra influye directamente en la confiabilidad de los

resultados, as a mayor perodo de retorno del estimativo mayor longitud de
registros necesaria para mejor confiabilidad en los resultados.

El ajuste a distribuciones se puede hacer de dos tcnicas, con el factor de frecuencia

como se refiri en el numeral Error: Reference source not found o hallando la
distribucin emprica de los datos muestrales, por el mtodo de Plotting Position.
1.4

4.1

Plotting Position

Trabaja con la probabilidad de excedencia asignada a cada valor de la muestra. Se han

propuesto numerosos mtodos empricos. Si n es el total de valores y m es el rango de
un valor en una lista ordenada de mayor a menor (m=1 para el valor mximo) la
probabilidad de excedencia se puede obtener por medio de las siguientes expresiones

California

Weibull

Hazen
La expresin ms utilizada es la Weibull. Con las anteriores expresiones se halla lo que
se conoce como la distribucin emprica de una muestra, esta luego se puede ajustar a
una de las distribuciones tericas presentadas anteriormente. Los resultados pueden ser
dibujados en el papel de probabilidad; este es diseado para que los datos se ajusten a
una lnea recta y se puedan comparar los datos muestrales con la distribucin terica
(lnea recta).
1.5

4.2

Pruebas de Ajuste

Para determinar que tan adecuado es el ajuste de los datos a una distribucin de
probabilidades se han propuesto una serie de pruebas estadsticas que determinan si es

adecuado el ajuste. Estos son anlisis estadsticos y como tal se deben entender, es
decir, no se puede ignorar el significado fsico de los ajustes.

1.5.1 4.2.1 Prueba Smirnov Kolmogorov

El estadstico Smirnov Kolmogorov D considera la desviacin de la funcin de
distribucin de probabilidades de la muestra P(x) de la funcin de probabilidades
terica, escogida Po(x) tal que

La prueba requiere que el valor Dn calculado con la expresin anterior sea menor que el
valor tabulado Dn para un nivel de probabilidad requerido.
Esta prueba es fcil de realizar y comprende las siguientes etapas:
El estadstico Dn es la mxima diferencia entre la funcin de distribucin
acumulada de la muestra y la funcin de distribucin acumulada terica
escogida.
Se fija el nivel de probabilidad , valores de 0.05 y 0.01 son los ms usuales.
El valor crtico D de la prueba debe ser obtenido de tablas en funcin de y n.
Si el valor calculado Dn es mayor que el D, la distribucin escogida se debe
rechazar.

1.5.2 4.2.2 Prueba Chi Cuadrado

Una medida de las discrepancia entre las frecuencias observadas (fo) y las frecuencias
calculadas (fc) por medio de una distribucin terica esta dada por el estadstico
en donde
si el estadstico =0 significa que las distribuciones terica y emprica ajustan
exactamente, mientras que si el estadstico >0, ellas difieren. La distribucin del
estadstico se puede asimilar a una distribucin Chi-cuadrado con (k-n-1) grados de
libertad, donde k es el nmero de intervalos y n es el nmero de los parmetros de la
distribucin terica. La funcin se encuentra tabulada. Supongase que una hiptesis
Ho es aceptar que una distribucin emprica se ajusta a una distribucin Normal. Si el
valor calculado de por la ecuacin anterior es mayor que algn valor crtico de ,
con niveles de significancia de 0.05 y 0.01 (el nivel de confianza es 1-) se puede
decir que las frecuencias observadas difieren significativamente de las frecuencias
esperadas (o calculadas) y entonces la hiptesis Ho se rechaza, si ocurre lo contrario
entonces se acepta.