Sei sulla pagina 1di 85

FIC

Hidrologa Estadstica y
Probabilstica

Ing. Walter La Madrid, M.Sc.


wwlamadrid@yahoo.es

La planeacin y el diseo de obras hidrulicas estn relacionados con


eventos hidrolgicos futuros, cuyo tiempo de ocurrencia o magnitud no
pueden predecirse, ya que no estn gobernados por leyes fsicas o
qumicas conocida, sino por las leyes de azar.
Es por ello que la probabilidad y la estadstica juegan un papel muy
importante para pronosticar eventos hidrolgicos.
Debido a que en hidrologa se cuenta con periodos muy cortos de
precipitaciones para poder estimar la lluvia de diseo de una avenida, se
requiere buscar entre las distintas funciones de distribucin de
probabilidad tericas la que se ajuste mejor a los datos medidos, y usar
esta funcin para poder extrapolar los eventos de diseo, ya sea por
medios grficos o por medio de la obtencin de los parmetros de su
funcin de distribucin.

DISTRIBUCIONES DE PROBABILIDAD
Funciones que mejor se ajustan al comportamiento de las variables
hidrolgicas.
Una variable aleatoria es aquella que toma un conjunto de valores
numricos asociados a los resultados de nuestra bsqueda que
produce un proceso aleatorio.
Una distribucin de probabilidad es una lista del total de valores
que puede tomar una variable aleatoria con una probabilidad
asociada.
Existen dos tipos de distribuciones de probabilidad, las
distribuciones de probabilidad discretas y las distribuciones de
probabilidad continuas.

Distribuciones Continuas
Las distribuciones de probabilidad continuas son
aquellas en las que la variable aleatoria puede
asumir un nmero infinito de valores, que son
resultado de una medicin.
Por ejemplo, el valor de la temperatura media del
aire en intervalos dados de tiempo. Por supuesto
que las variables aleatorias continuas dependen de
la exactitud del instrumento de medicin en este
caso del termmetro.

Poblacin y muestra:
Poblacin, es el conjunto total de individuos o sucesos que queremos estudiar.
A veces disponemos de medidas de toda la poblacin estudiada, pero
generalmente, esto sera muy difcil (medir la estatura de todos los peruanos)
imposible (estudiando el caudal de un ro tendramos que medir los caudales de
todos los aos pasados y futuros). En estos casos debemos conformarnos con
medir una parte de la poblacin (una muestra). En cualquier caso, consideramos
los datos disponibles y con ellos intentamos extraer estimaciones vlidas para
toda la poblacin.
Muestra, es una pequea parte de la poblacin elegida adecuadamente para
que sea representativa del total de la poblacin.
Si se midiera la estatura de los alumnos de Hidrologa para conocer la estatura
media del curso, ellos seran toda la poblacin estudiada. Pero si, a partir de ellos,
se quisiera extraer conclusiones sobre la estatura de toda la juventud peruana,
mis alumnos seran solamente una muestra representativa de la poblacin
estudiada.

Distribucin Normal

1.

Conocida como campana de Gauss-Laplace. Tiene media, moda y mediana


iguales y se localizan en el centro de la distribucin.

2.

La distribucin de probabilidad normal es simtrica alrededor de su media. La


mitad del rea bajo la curva est antes del punto central y la otra mitad
despus.

3.

El rea total bajo la curva es igual a 1.

Distribucin Normal
Misma media y distintas
desviaciones estndar

Distintas medias y
desviacin estndar

misma

Distintas medias y distintas


desviaciones estndar

Distribucin Normal
F x

1
e
2

2
1 x

Distribucin Normal Estandarizada

Modelo Normal
Es un modelo matemtico que describe
la probabilidad de variables continuas
en una Poblacin.
La Normal (=campana de Gauss):

N (,)

Media esperanza () en torno a la


que se centran los datos.
Frecuencia

Desviacin tpica (): dispersin de los


datos.
Frecuencia densidad: mientras ms a
la izquierda/derecha de la media, menos
frecuencia.
Es muy frecuente en la naturaleza.

Altura de humanos
Peso de gatos
Resistencia del hormign
litros (=alas) de insectos
Capa de xido de un microchip

Definicin: N (,)
Modelo matemtico (con frmula).

x
N (0,1)
/ n
10

Modelo Normal (cont)


puede calcular la probabilidad (o el %) de datos que queda a la derecha/izquierda de .

N (,)

Frecuencia

Se

68%
95%
99%

68% de los datos: ( 1, +1)


95% de los datos: ( 2, +2)
99% de los datos: ( 3, +3)

11

Variable aleatoria discreta


Se dice que una variable aleatoria X es discreta cuando sus valores se
restringen a un conjunto enumerable finito o infinito.
Ejemplo: Nmero de das de lluvias ocurridas en los meses de un ao
cualquiera.
Variable aleatoria continua
Se dice que una variable aleatoria X es continua, cuando sus valores se
encuentran en un rango continuo y puede ser representado por cualquier
nmero entero o decimal.
Ejemplo: El caudal diario registrado en una estacin de aforo.
Distribuciones
El comportamiento de una variable aleatoria se describe mediante su ley de
probabilidades, que, a su vez, se puede caracterizar de varias maneras. La ms
comn es mediante la distribucin de probabilidades de la variable aleatoria.
Notacin:
X variable aleatoria de la funcin
x valor particular que toma la variable aleatoria
f(x) funcin de densidad de probabilidad (funcin de probabilidad,
distribucin de probabilidad de x)
F(x) funcin acumulada (funcin de distribucin acumulada)

DISTRIBICIONES DE PROBABILIDAD
CONTINUA

Trabajando con caudales o precipitaciones el nmero de datos puede ser de 30


40, o a veces menos, y no son suficientes para agruparlos en intervalos (caudales
entre 5 y 10, entre 10 y 15, etc.). Pero s podemos realizar un grfico acumulado
como el anterior con los datos individuales.
Veamos como ejemplo 21 precipitaciones anuales en Corral del Medio.
A la izquierda de la tabla aparecen en orden cronolgico. A la derecha se han
clasificado de mayor a menor, y en la ltima columna se refleja el porcentaje de
datos que supera ese valor.

Por ejemplo, para n=4, n/N=4/21*100=19 %. Quiere decir que el 19% de los datos
es igual o menor que 896 mm.

En el grfico podramos leer directamente la probabilidad de que la


precipitacin sea <1300 mm, o, a la inversa, qu valor de
precipitacin no se supera el 30% de los aos.

DISTRIBUCIONES SIMTRICAS Y ASIMTRICAS


Si en la Fig. N 1 hiciramos los intervalos ms
pequeos, y aumentramos el nmero de
valores medidos, el grfico continuara con
esa forma de campana, pero se ira suavizando
hasta ser una curva continua.

Lo mismo sucedera con la curva en forma de S


de la fig. 2. As obtendramos las dos curvas
que aparecen en la Fig. 4 Gauss encontr la
ecuacin de estas curvas.
La ecuacin de la curva en forma de campana
se llama funcin de densidad y la de forma de
S funcin de distribucin. Nosotros vamos a
trabajar con la segunda.

MUESTRA

fr

f(x)

POBLACION

xi

xi

FUNCIN DE FRECUENCIA RELATIVA

FUNCIN DENSIDAD DE PROBABILIDADES


F (x )

FUNCIN DE FRECUENCIA
ACUMULADA

FUNCIN DISTRIBUCION DE
PROBABILIDADES

Distribucin Normal
Descubierta en 1733 por el francs Moiure, descrita tambin
por Laplace y Gauss (sinnimo de la forma grfica de esta
distribucin).
Importancia prctica de esta distribucin terica:
Muchos fenmenos distribuidos suficientemente Normal
Distribucin de promedios.
Distribucin de errores.

Caractersticas D. Normal
rea bajo la curva entre 2 puntos representa probabilidad que ocurra un
hecho entre esos dos puntos
Su dominio va de menos infinito a ms infinito;
Es simtrica con respecto a su media;
Tiene dos colas y es asinttica al eje x por ambos lados;
El valor del rea debajo de toda la curva es igual a 1;
El centro de la curva est representado por la media poblacional ().
Para cualquier curva normal, el rea de - a + es igual a 0.6827; de -2 a
+2 de 0,9545 y de -3 a +3 de 0,9973;
Distribucin muestreal de varios estadsticos, como `x es normal e
independiente de distribucin de la poblacin.

D. Normal Tipificada (estandarizada)


Distribucin especial que representa a todas las variables aleatorias
normales y que es la distribucin de otra variable normal llamada Z:

Z=

x -

= NORMALIZACION ( x; media; desv_estndar)


Z se la conoce como variable aleatoria estandarizada.
Esta funcin se caracteriza por tener media igual a cero y desviacin
tipificada igual a uno : N(0,1)
Representa a todas las distribuciones Normales. Igual densidad de
probabilidad, si medimos desviaciones de media en base a .
Valores obtenidos de tabla Normal vlidos para todas las distribuciones
Normal de media = y varianza =2.

Muchas variables naturales se ajustan a la distribucin simtrica


estudiada por Gauss, pero no todas. En ocasiones no hay la misma
proporcin de pequeos que de grandes, eso dar lugar a una
distribucin asimtrica.
Por ejemplo, si representramos los
ingresos de la poblacin de una
ciudad, seguro que la campana no
sera simtrica: la riqueza se
distribuye con menor equidad que la
estatura, y mientras que la
proporcin de altos y bajos es similar,
no as la de ricos y pobres (hay pocos
ricos y muchos pobres). Quiz la
campana correspondiente tendra
una forma similar a la figura 5.
Fig. 5.- Distribucin asimtrica en la que los valores
ms frecuentes (pico de la curva) son ms bajos que
la media, (esta curva corresponde a la ecuacin de
Gumbel)

Los matemticos han determinado las ecuaciones de muchas de estas


campanas asimtricas (Gumbel, Pearson III, etc.).

En otras ocasiones, los valores no se ajustan a la distribucin de Gauss,


pero sus logaritmos s, se denomina entonces log-normal (LN,LN2, y LN3),
la distribucin de Gauss se llama normal).

En Hidrologa, las precipitaciones o caudales anuales suelen


ajustarse a la distribucin simtrica de Gauss, pero los valores
mximos, no: si consideramos el da ms caudaloso o el ms
lluvioso de cada ao de una serie larga de aos (eso es
necesario para estudiar la previsin de avenidas), no se
ajustarn a Gauss, sino probablemente a la campana
asimtrica descrita por Gumbel o alguna similar.

PROBABILIDAD, PERIODO DE RETORNO Y RIESGO DE


FALLA
A lo largo de los temas anteriores se ha estado utilizando indistintamente
probabilidad (por ejemplo: un 2% de los aos) y expresiones como cada 50
aos.
Es evidente que si un suceso se presenta (por trmino medio) cada 10 aos,
su probabilidad es de 0,10 (10%).
Anloga e inversamente, si la probabilidad de que algo suceda es de 0,04
(4%), ello quiere decir que, en promedio, suceder 4 veces en 100 aos, o
sea: una vez cada 25 aos.
Estos conceptos se relacionan mediante la expresin:

En Hidrologa se utiliza ms el periodo de retorno que la probabilidad. As, se habla


de la crecida de 50 aos en lugar de referirse a la crecida con probabilidad 0,02 o de la
precipitacin con retorno de 100 aos en vez de la precipitacin con probabilidad 0,01.
Supongamos que hemos calculado un cierto caudal que corresponde al retorno de 50
aos. La probabilidad de que se produzca el ao prximo ser de 0,02 (=1/50); y la
probabilidad de que se produzca el siguiente ao ser de 0,02 y as cada ao.
Necesitamos conocer la probabilidad de que se alcance ese caudal en los prximos n
aos:

Vamos a denominar a la ltima expresin obtenida arriba el riesgo de falla (R), es decir: la
probabilidad de que s se produzca alguna vez un suceso de periodo de retorno T a lo
largo de un periodo de n aos:

Ejemplo: Se va a construir un canal cuya vida til es de 75 aos.


Si el caudal supera el valor correspondiente al periodo de retorno
de 100 aos, se desbordar. Calcular la probabilidad de que se
produzca un desbordamiento en alguno de los prximos 75
aos

Por tanto, existe un 52,9% de probabilidad de que el caudal de


retorno 100 aos se alcance en alguno de los prximos 75 aos

Ajuste de Distribucin Normal datos


aos rio Guapor de 1940 a 1995

Subestima!

DISTRIBUCIN DE GUMBEL

= - Ln(-Ln(1 1/TR))
X=Q

DISTRIBUCIN DE GUMBEL

Distribucin Exponencial
Consideraciones:
Proceso de eventos aleatorios (los parmetros no cambian con el
tiempo).
No es posible tener mas de un evento en cualquier instante.

Descripcin de un proceso Poisson.


La v.a. t representa el tiempo entre tormentas.
Funcin de Densidad:

La media es:
La varianza es:

f (t ) e t ,

t0

E (t ) 1 /

2 (t ) 1/ 2

La funcin de distribucin acumulada es:


t

F (t ) e t d 1 e t
0

Ejemplo: Distribucin exponencial


En un ao en un sitio determinado ocurren 110 tormentas independientes con
una duracin promedio (todas) de 5.3 h. El intervalo entre tormentas es:

= 1/ = 1/74.3 = 0.0135 h-1

8760 110 5.3


74.3h
110

a) Cul es la probabilidad de que pasen al menos 4 das (96 h) entre tormentas?


P(t 96) =1- F(96)

96

F (96) e t dt 1 e t
0

P(t 96) 1 1 e t e 0.0135*96 0.27

b) Cual es la probabilidad de que el tiempo entre dos tormentas sea


exactamente 12 horas?
P(t = 12)= 0
intervalo es cero.

la probabilidad que una V.A continua valga cero en un

c) Cual es la probabilidad que la separacin entre 2 tormentas sea menor o


igual que 12 h?

Distribucin Log Normal


En general, cuando la variable aleatoria X es el producto de un gran nmero

de otras variables aleatorias, la distribucin de los logaritmos de X puede


aproximarse a la Normal, ya que los logaritmos de X son la suma de los
logaritmos de los factores contribuyentes.

Si se tiene una variable aleatoria X y ln X = Y, se ajusta a una distribucin


Normal, se dice que la variable aleatoria X es log normalmente distribuida.
Funcin de Distribucin de Probabilidad

Asumiendo Y = loga (X)

1
1 y - y
f(x) =
exp 2
2
y x 2

Parmetros y Factor de frecuencia


Media (Parmetro de escala)
Desviacin estandar (Parmetro de forma)
Estimacin de parmetros: Mtodo de los momentos
1 N

Y loga ( X i )
N i1

ln X T = y + K y

12

1 N
2

log
(
X
)

Y
a i Y
N i1

K es la misma de la distribucin normal

Si se quiere trabajar con la variable no transformada en el campo


logartmico se tiene que:

ln 1 + Cv 2
2 1/2
expK T ln 1 + Cv -
- 1
2

K=
Cv

-1

K T = Fu 1

F u 1

Tr

Es el inverso de la funcin de distribucin Normal


estandarizada acumulada y Cv es el coeficiente
de variacin

Intervalos de confianza
: Nivel de confianza o significancia
ST: Error estndar

ln X T u1- 2 S T

Y
ST =
N

1/2

K
= 1 + T
2

Ejemplo: Distribucin Log Normal


La media y desviacin estndar de los Qmax anuales de la estacin del ro
Nare son:
=94.35 m3/s y =22.45 m3/s
Y=4.52 y Y=0.2337
Hallar el QTR=100 si los Qmax tienen una distribucin Log Normal.

K=2.326
QY Tr=100=4.52+2.326*0.237
QTr=100=159 m3/s
Intervalos de Confianza: Ln(QTR=100) 95ST

Es un intervalo de dos colas, con una probabilidad en cada una de 5%

=1.92
ST=0.075
4.94 QY 5.14

Y
ST =
N

K
T
= 1 +
2

5.0711.6*0.075
139159 170 m3/s

1/2

Distribucin Gamma (2 Parmetros)


Una de las mas usadas en Hidrologa.

Crecientes mximas anuales


Caudales mnimos
Volmenes de flujo anuales y
estacionales
Valores de precipitaciones extremas
Volmenes de lluvia de corta duracin

Tiene 2 3 parmetros (Pearson Tipo III).

-1

1
x -x
f(x) =
e
| | ( )

Parmetros y Factor de frecuencia


(Parmetro de escala)
> 0 (Parmetro de forma)
() es la funcin Gamma completa

() = z-1 e-z dz
0

Estimacin de parmetros: Mtodo de los momentos

=
2

1
=

v2
C

1 3

1
2
2
K K T + (K t 1) + (K T 6K T ) (K T 1) + K T
6 3
6
6
6 36

Distribucin Gamma (3 Parmetros)


Funcin de distribucin de probabilidad
-1

1
x - xo
x - xo
f(x) =

exp
| | ()

Funcin de densidad acumulada

1
P ( X x)
( )

X x x0

x x0

Parmetros
y , parmetros de escala y forma respectivamente.
xo parmetro de localizacin.

() = z-1 e-z dz
0

dx

Parmetros e Intervalos de confianza (Funcin Gamma)


Estimacin de Parmetros
Parmetros:: Mtodo de los momentos

2
=

0 =

Que tan cercano puede estar el estimado al verdadero valor desconocido


de la poblacin: Conocer con cierta certeza. Franja grande: mucha
incertidumbre.

X T u1 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estndar

ST =
N

Tabla Factor de frecuencia


Pearson tipo III

Valores de para la Distribucin Gamma Pearson tipo III

Ejemplo: Distribucin Gamma


Hallar el QTR=100. Si la distribucin de los caudales de la estacin de Nare es
Gamma.
= 94.35 m3/s y = 22.45 m3/s, = 0.845
Y = 4.52 y Y = 0.2337, Y = 0.0069
De tabla:

K = 2.32
QTR=100 = 94.35 + 2.32*22.45 = 146.4

Intervalos de confianza:

XT u1 2 ST

De tabla =4.7, N= 36 datos.

ST
N
De tabla 95=1.6

ST = 17.6
146,4 1.6*17.6
146.4 28.16 m3/s

Distribucin Log Pearson Tipo III


Funcin de distribucin de probabilidad
1
ln(x) - y o
f x (x) =

x ()

-1

ln(x) - y o
-

Parmetros
y , parmetros de escala y forma
y yo parmetro de localizacin
Estimacin de Parmetros
Mtodo de los momentos

=
y
2

y0

Factor de Frecuencia
Frecuencia::

Y T = ln X T =
y + K
y
Intervalos de Confianza
Confianza:: Que tan cercano puede estar el estimado al
verdadero valor desconocido de la poblacin: Conocer con cierta certeza.
Franja grande: mucha incertidumbre.

X T u1- 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estndar

ST =
N

ln XT 1 / 2ST

Conclusin
Distribuciones para variables continuas

Uniforme
Normal, Lognormal
Gamma
Pearson III, Log-Pearson III
Dist. Valores Extremos I y II

Cul usar? TODAS y elegir la que mejor se AJUSTE


a los datos de una distribucin de probabilidad.

Pruebas de Bondad 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.
Una de las bases fundamentales del control estadstico de la
calidad es la inferencia estadstica. Por ello, la determinacin
del tipo de distribucin correspondiente a un conjunto de datos

provenientes del estudio es absolutamente necesario.

La

prueba de bondad de ajuste permite probar el ajuste de datos a


una distribucin de probabilidad terica sujeto a un error o

nivel de confianza.

Pruebas de Bondad de Ajuste


Para la prueba de hiptesis utilizaremos dos
estadsticos: El Chi-cuadrado y la prueba de
Kolmogorov-Smirnov

Chi-Cuadrado
2
=

(fo fe)2
fe

En donde:
fo =Frecuencia observada de datos discretos
fe =Frecuencia esperada de la distribucin terica
Los grados de libertad se emplea (k-1) y luego se resta un
grado adicional de libertad para cada parmetro de
poblacin que tenga que ser estimado de los datos de la
muestra

Test de Kolmogorov-Smirnov
Es un simple mtodo no paramtrico para probar si hay una diferencia
significativa entre una distribucin observada y una distribucin terica de
frecuencia.
Para la aplicacin del test sealado, es necesario determinar la frecuencia
observada acumulada.
Para la frecuencia observada en el caso especial de Gumbel, se ordena la
informacin de menor a mayor y se aplica:

donde:
Fn (x): frecuencia observada acumulada.
n: N total de orden
N: N total de datos.
En el caso de la frecuencia terica acumulada, sta se determina a travs de
la funcin de Gumbel.

Una vez determinadas ambas frecuencias, se obtiene el supremo de las


diferencias entre ambas, en la i-sima posicin de orden, que se denomina D.

El coeficiente de determinacin seala qu proporcin de la variacin total de las


frecuencias observadas, es explicada por las frecuencias tericas acumuladas.
EJEMPLO PRACTICO

Ajuste a Gumbel:
Se desea conocer la ley de distribucin de las precipitaciones mximas en 24
horas, de la estacin Monte Patria provincia de Limar. Para ello, se dispone de
los siguientes datos.

De lo expuesto, se deduce que se cuenta con una informacin de doce aos, y


adems que los montos denotan una extrema variabilidad.
En relacin al primer aspecto, es un denominador comn en muchas
estaciones del pas, la carencia de series hidrolgicas consistentes, por lo cual
es difcil soslayarlo.

En cuanto a la variabilidad, es preciso destacar que las zonas


ridas se caracterizan por presentar este elemento como
caracterstica de la distribucin y cantidad de las
precipitaciones.
No obstante lo anterior, y como se tiende a estimar valores
mximos, se puede obviar este ltimo aspecto considerando las
dos o tres precipitaciones mximas anuales, para con esta
nueva serie de datos elegir un nmero mayor de aos a
considerar.
Luego, el enfrentamiento de este problema es resorte del
criterio que el ingeniero utilice para tomar la decisin, y la cual
slo podr ser calificada a la luz de los antecedentes que cada
situacin denote. As, para el caso en cuestin, se trabajar con
la informacin de precipitacin mxima anual en 24 horas, toda
vez que se trata de un ejercicio metodolgico.

De lo expuesto, se deduce que se cuenta con una informacin de doce aos, y adems
que las cantidades denotan una extrema variabilidad.
Por otra parte, aplicando la expresin n/N+1, se obtiene la frecuencia observada
acumulada, la cual se expresa en la columna (2) del cuadro N 2. Asimismo, reemplazando
en la ecuacin (1) los valores de x, se obtienen las frecuencias tericas acumuladas, las
cuales constituyen la columna (3) del cuadro N 2.
Aplicacin de Kolmogorov-Smirnov.
Con la informacin del cuadro N 2, se busca el Sup |Fn(x)i F(x)i| = D.

En este caso, corresponde a D = 0.073 en el tercer valor del cuadro mencionado. Con un
95% de confiabilidad y n = 12, se obtiene un valor de tabla Dt = 0.375.
Luego D < Dt, por consiguiente se acepta con 95% de seguridad que el ajuste es bueno.
Aplicacin del Coeficiente de determinacin (R2):

Utilizando la ecuacin descrita en 3.2., y las columnas 2 y 3 del cuadro N 2, queda:


R2 = 0,988
Luego se considera que el modelo elegido, explica en un 98,8% las variaciones de las
frecuencias observadas, lo cual es muy bueno.

nivel de significancia a = 0.05

Utilidad Prctica del Ajuste a Gumbel:


Una vez que se ha validado el ajuste a la funcin de Gumbel, resta definir la utilidad
que esto puede determinar. En este marco, si de la ecuacin,

Luego, se puede deducir del cuadro anterior, que existe un 1% de


probabilidad, de que sean superados los 118.44 mm. en 24 horas de
precipitacin, y lo cual corresponde a un evento centenario; en otras
palabras, existe un 99% de probabilidades de que el ao 1985, la
precipitacin en 24 horas sea menor o igual a 118.44 mm. Similar anlisis,
puede realizarse para todos los perodos de retorno involucrados.
No obstante lo anterior, se recomienda que los perodos de retorno
considerados, no incluyan un nmero mayor de informacin que el doble o
el triple como mximo, de la longitud de la serie de datos en estudio. En
este caso, como la informacin base corresponde a 12 aos, se recomienda
no exceder de 24 aos o un mximo de 36 aos, dado que la serie
estadstica no presenta una longitud adecuada. Por ello, se recomienda el
valor de T = 30, como intermedio de lo sealado precedentemente; el
considerar mayor nmero de aos no posee sentido desde el punto de vista
estadstico.

En Tabla 4.3 se muestra un resumen de la prueba Kolmogorov Smirnov segn el


orden de preferencia indicado por cada prueba, dando 1 a la "mejor" y 5 a la
"peor
Tabla 4.3 Resumen de la prueba Kolmogorov Smirnov
FUNCIN
KOLMOGOROV
D
Normal
5
0.1585
Log Normal
4
0.1316
Pearson III
2
0.1150
Log Pearson III
3
0.1176
Gumbel
1
0.1124
Adaptado: Fundamentos de Hidrologa de superficie, Aparicio (1992), pg. 280
La funcin de distribucin con el menor valor de D es la Gumbel (tabla 4.3) por lo
que, segn esta prueba, esta funcin sera la preferible.

FIC

GRACIAS POR SU ATENCIN

Walter La Madrid
wwlamadrid@yahoo.es