Clase 4

Capı́tulo 5
ar
in
ANÁLISIS DE FRECUENCIA EN
lim
HIDROLOGÍA
re
Introducción
rP
La medición o registro de todas las variables hidrológicas, sea evaporación, precipitación, escorrentı́a, ası́ como
muchas otras series de tiempo, pasa a constituir una “estadı́stica” de estas variables, las cuales pueden
considerarse como variables aleatorias, en el sentido de que no se tiene un conocimiento determinı́stico para
do
establecer la magnitud que ellas van a alcanzar en un determinado instante o perı́odo de tiempo.
En el diseño y estudio de obras hidráulicas se requiere interpretar estas estadı́sticas o registros hidrológicos
históricos, en términos de su futura probabilidad de ocurrencia. Esta necesidad se manifiesta, por ejemplo, en
rra
el diseño del vertedero de un embalse o de una obra de defensa fluvial en que se requiere dimensionar la obra,
de manera de asegurar su adecuado funcionamiento ante la ocurrencia de un evento de magnitud extrema,
sin provocar su falla o colapso.
Considerando los costos asociados a la construcción de estas obras hidráulicas, no siempre será conveniente
Bo
asegurar su funcionamiento ante un acontecimiento de caracterı́sticas catastróficas, debiendo aceptarse un

riesgo de que esta falle, con una probabilidad de ocurrencia, que dependerá de la importancia, magnitud y
consecuencias asociadas a la falla de la obra.
Ası́ por ejemplo, una alcantarilla en un camino provisorio que se requiera temporalmente para el acceso al
frente de trabajo de una obra, se diseñará con un riesgo de falla mucho más alto que una obra definitiva tal
como una presa o embalse, cuya falla puede tener caracterı́sticas catastróficas.
En el caso de estudios destinados a establecer la disponibilidad de recursos hı́dricos, también se presentan

situaciones parecidas. La evaluación de la disponibilidad de agua para satisfacer determinadas demandas
101
102 Análisis de Frecuencia en Hidrologı́a
de agua potable, por ejemplo, requerirá normalmente establecer niveles de seguridad de abastecimiento más
rigurosos que aquellos para satisfacer necesidades de regadı́o, tomando en consideración la trascendencia de
un eventual desabastecimiento.
Para la adecuada determinación de las magnitudes de diseño a adoptar para las distintas variables hidrológi-
cas ante los distintos escenarios posibles, la Hidrologı́a recurre a una herramienta de la ciencia Estadı́stica
o de la teorı́a de probabilidades, cual es la técnica del análisis de frecuencia, que puede definirse en forma
general, como el procedimiento que permite expresar los datos hidrológicos históricos en términos estadı́sti-
ar
cos y aplicar a ellos ciertos modelos probabilı́sticos que permiten establecer la probabilidad de ocurrencia o
repetición de dichos eventos hidrológicos en el futuro.
Los resultados que se obtienen con estos procedimientos, llevan siempre asociada una incertidumbre, pro-
in
veniente no sólo del método estadı́stico mismo, sino además, de la posible falta de representatividad de los
datos o estadı́stica disponible, respecto a la población total de la cual provienen. Por esto, si bien los resul-
lim
tados del análisis de frecuencia serán siempre fundamentales para establecer la seguridad y eficiencia de una
obra hidráulica, estos deberán complementarse con análisis de tipo económico y con el sentido práctico y
experiencia del proyectista, en función de la envergadura y trascendencia de la falla de la obra.
Ası́, para el diseño del sistema de drenaje de una carretera, cuya falla sólo origine la paralización temporal
re
del tránsito en ella mientras dure una tormenta, se elegirá una magnitud de lluvia moderada, que ocurra por
ejemplo, una vez cada 5 años, por establecer un criterio, o se diseñará para un valor que minimice el costo
conjunto de la construcción del sistema de drenaje, más los costos asociados a la paralización de la carretera.
rP
Por otra parte, el vertedero de un gran embalse, construido aguas arriba de sectores poblados, cuya falla
originarı́a una catástrofe de proporciones mayores, deberá ser diseñado para ser capaz de evacuar una crecida
lo suficientemente grande como para tener una bajı́sima probabilidad de ocurrencia dentro de la vida útil del
embalse, o bien para una crecida que se estime como la máxima fı́sicamente posible.
do
5.1. Tratamiento de Datos Hidrológicos para el Análisis de Frecuencia

rra
Si tenemos una serie de datos de una variable aleatoria, hidrológica o no, de ocurrencia secuencial en el tiempo,
hablamos de una serie de tiempo. Esta serie de datos, al ser finita en el tiempo, podemos interpretarla como
una muestra estadı́stica finita proveniente de un universo infinito asociado a la variable en cuestión, la cual
para poder ser tratada estadı́stica y probabilı́sticamente, deberá ser una muestra aleatoria representativa de
Bo
la población de la cual proviene, y sus valores deberán ser homogéneos e independientes.
La muestra será más representativa del universo a medida que aumente el número de datos disponibles,
estimándose en general, que una estadı́stica de al menos 30 años de longitud, es requerida para lograr una
adecuada representatividad. A ello se debe la conveniencia de extender estadı́sticas demasiado cortas, antes
de realizar un análisis de frecuencia. Considerando que los datos estimados tienen una mayor incertidumbre
que los directamente medidos, se requiere en general, de una extensión de al menos un 25 % de su longitud,
para lograr mejorar la representatividad de la muestra.
5.1. Tratamiento de Datos Hidrológicos para el Análisis de Frecuencia 103
Por otra parte, muestras de más de 50 años de longitud van aportando cada vez menor información
adicional, por lo que sumados los efectos de la manipulación de un excesivo número de datos y la posible
falta de estacionareidad de los información, no hacen aconsejable trabajar con muestras de mayor longitud a
la indicada.
Una muestra es homogénea si todos los datos disponibles provienen realmente de la misma población, razón
por la cual, considerando que normalmente nuestras variables son sólo ı́ndices hidrológicos, será necesario
aplicar procedimientos como el método de las curvas doble acumuladas, para verificar la consistencia y
ar
homogeneidad de la información.
El principal problema al analizar probabilı́sticamente datos hidrológicos, es su eventual falta de indepen-

dencia, ya que puede existir entre ellos, tanto dependencia espacial como temporal.
in
Existe dependencia en el espacio, por ejemplo, cuando dos pluviómetros están ubicados muy cercanos
uno del otro, registrando datos similares que posean algún grado de correlación. Para estos propósitos, ellos
lim
deberı́an ser considerados como un solo dato.
La dependencia en el tiempo es sin embargo, la causa de error más común en el análisis de frecuencia de
datos hidrológicos. Por ejemplo, los gastos máximos de dos crecidas que suceden una a continuación de la
otra, dentro de un intervalo corto de tiempo, pueden no ser independientes entre sı́, ya que pueden deberse al
re
mismo fenómeno meteorológico, o bien, de ser distintos fenómenos, la magnitud de la segunda crecida puede
quedar influenciada por las condiciones provocadas por la primera crecida. En un caso ası́, sólo uno de los
valores debe ser considerado para el análisis de frecuencia.
rP
Por último, como ya se adelantara, otra condición que debe cumplir una serie de tiempo para someterla
a un análisis de frecuencia, es que esta sea estacionaria, en particular autoestacionaria. Un proceso es auto-
estacionario cuando sus caracterı́sticas o propiedades no cambian al realizar un desplazamiento en el origen
do
del tiempo. Es decir, las caracterı́sticas de una serie de tiempo de m observaciones, (z1 , z2 , z3 , · · · , zm ) son
las mismas que la de una serie (z1+k , z2+k , z3+k , .....zm+k ), para cualquier valor del desplazamiento k.
Pueden definirse no estacionariedades de distinto orden, dependiendo del orden del momento de la distri-
bución al cual afectan. Los procesos no estacionarios más comunes que afectan al promedio de la serie, son
rra
los de tendencia, periodicidad y persistencia.
Existe tendencia en una serie, cuando el promedio móvil de las caracterı́sticas o parámetros de ella, muestran
una variación sostenida, ya sea creciente o decreciente en el tiempo. La periodicidad es una caracterı́stica
Bo
intrı́nseca de muchas variables hidrológicas, ya que quedan sujetas a los ciclos climatológicos diurnos y
anuales, habiendo sido sugeridas además, la existencia de otros ciclos de perı́odo mayor. La persistencia es
la tendencia de algunas variables aleatorias a mantenerse sostenidamente en valores similares a los que la
han precedido. Existen variados procedimientos y tests estadı́sticos que permiten detectar la presencia de
procesos no estacionarios, que en caso de detectarse, deben ser eliminados de la serie, antes de someterla a
análisis de frecuencia.
5.1.1. Selección de Datos Hidrológicos
Los datos hidrológicos pueden presentarse en forma continua o discreta, pero para su análisis estadı́stico deben
ser discretizados. Las temperaturas del aire o los caudales de un rı́o, por ejemplo, son variables esencialmente
continuas, por lo que pueden ser discretizadas tomando valores promedios en un determinado intervalo de
tiempo; temperaturas o caudales medios diarios, temperaturas o caudales medios mensuales o valores pro-
medios anuales. También resulta una serie discreta si se consideran sólo los valores extremos, sean máximos
o mı́nimos de una variable continua dentro de ciertos intervalos de tiempo.
ar
5.1.1.1. Serie de Duración Completa
in
La serie cronológica de datos que incluye toda la información disponible respecto a una variable hidrológica se
denomina serie de duración completa. Este tipo de series, que tienen importantes usos en algunas aplicaciones
lim
ingenieriles que se verán más adelante, no resultan apropiadas para someterlas a análisis de frecuencia,
principalmente por la fuerte dependencia temporal que puede existir entre sus valores y porque al contener
toda la información disponible incluyen mucha información irrelevante, especialmente en estudios en que sólo
interesan los valores crı́ticos o extremos que toma la variable, valores máximos o mı́nimos.
re
Es por estas razones que normalmente, para el desarrollo de análisis de frecuencia, se seleccionan subcon-
juntos de las series de duración completa, cuales son las series de duración parcial y las series de valores
extremos.
rP
5.1.1.2. Serie de Duración Parcial
Una serie de duración parcial es un subconjunto de la serie de duración completa constituido por todos los
do
valores de la variable que exceden, o complementariamente, que no logran exceder, la magnitud de un cierto
valor umbral base, arbitrariamente seleccionado.
De las distintas series de duración parcial que pueden definirse, cambiando la magnitud del valor umbral,
rra
resulta de especial interés el caso particular en que la magnitud del valor umbral se elige de manera tal, que
permanezcan en la serie sólo un número de valores igual al número de años de estadı́stica de que se disponga.
Esta serie particular pasa a denominarse serie de excedencias anuales y corresponderá al subconjunto de la
serie de duración completa que contiene los “N” mayores (o menores) valores medidos de la variable, donde
Bo
“N” es el número de años de estadı́stica disponible.
Si bien esta serie elimina toda la información irrelevante, al retener sólo los N valores extremos de la serie,
presenta el inconveniente de que no asegura su total independencia, ya que puede contener dos o más valores
extremos ocurridos en un mismo año, cortamente distanciados en el tiempo, los que pueden tener dependencia
temporal.
5.1.1.3. Serie de Valores Extremos
Una serie de valores extremos es un subconjunto de la serie de duración completa constituido sólo por los
valores máximos o mı́nimos que toma la variable dentro de un intervalo o perı́odo de tiempo previamente
establecido. Si para evitar problemas de dependencia temporal, se elige como intervalo de tiempo el perı́odo
de un año hidrológico, la serie resultante pasa a ser la serie de valores extremos anuales, que contendrá tantos
valores como años de estadı́stica haya disponible, es decir, contendrá el mayor (o menor) valor de cada año.
ar
Si bien la serie de valores extremos anuales contiene el mismo número de datos que la serie de excedencias
anuales, los valores incluidos no son necesariamente los mismos, ya que incluye sólo un valor por año, a
diferencia de la serie de excedencias anuales que puede contener más de un valor en algún año, en perjuicio
in
de años que quedan sin representación.
La serie de valores extremos anuales elimina también toda la información irrelevante, y asegura su total
lim
independencia temporal, pero presenta el inconveniente de eliminar importantes eventos históricos por el
simple motivo de no ser los extremos de un año, aún cuando estos eventos hayan sido independientes. Es
decir, pueden llegar a omitir información que sı́ es relevante.
En la Figura 5.1 se muestra, a manera de ejemplo una serie de 42 eventos ocurridos durante un perı́odo
re
de 10 años. Con trapecios rojos se ha identificado el mayor valor ocurrido en cada año, constituyéndose este
subconjunto en la serie de valores extremos anuales de la variable en análisis. Por otra parte, con cı́rculos
grises se han identificado los 10 mayores valores de la serie, constituyéndose este subconjunto en la serie de
rP
excedencias anuales. Se observa que en este caso 8 de los 10 valores son coincidentes, quedando los años 6 y
7 sin representación en la serie de excedencias anuales, en beneficio de los años 8 y 9 que quedan con doble
representación.
do
120
SEA SVEA
100
rra
80
60
Bo
40
20
0
1 2 3 4 5 6 7 8 9 10
Años
Figura 5.1: Serie de excedencias anuales y de valores extremos anuales.
5.1.2. Función de Densidad de Frecuencia
Si el número de datos disponibles de una variable aleatoria x es N , decimos que tenemos una muestra de
tamaño N de nuestra variable aleatoria, la cual será más representativa del universo o población de la cual
proviene, mientras mayor sea el valor de N .
Si nos damos un intervalo de clase dx, podemos construir un histograma de nuestra muestra, contabili-
zando el número de eventos ocurridos por unidad de intervalo de clase, o frecuencia absoluta de ocurrencia.
ar
Ası́, el histograma será un diagrama de barras que nos representa la variable frecuencia absoluta (f /dx), en
función de la magnitud de la variable x.
Si la frecuencia absoluta se divide por el número total de datos N , se obtiene lo que se denomina histo-
in
grama relativo, diagrama que presenta la particularidad de que el área total encerrada bajo él, es unitaria:
lim
X fi X fi 1 X
dx = = fi = 1 (5.1)
dxN N N
re
ya que la sumatoria del número de valores en cada clase, f es igual al número total de datos N .
Si se comienza a reducir el intervalo de clase, en el lı́mite cuando dx tiende a cero, el histograma relativo
se transforma en una curva continua que corresponde a la curva denominada curva o función de densidad
rP
de frecuencia de los datos, f (x).
fi
f (x) = lı́m (5.2)
dx→0 dxN
do
El área bajo la curva continuará siendo unitaria, por lo que se cumplirá que,
Z ∞
f (x)dx = 1 (5.3)
rra
−∞
Ahora, la teorı́a de probabilidades nos dice que la probabilidad de que la variable x tome valores menores o
iguales a x, queda dada por el área bajo la curva a la izquierda del valor x.
Bo
Z χ
P (x ≤ χ) = f (x)dx = F (χ) (5.4)
−∞
donde F (χ) es la curva o función de frecuencia acumulada de la variable.
Esta probabilidad se identifica con el nombre de probabilidad de no excedencia o con el nombre, estricta-
mente mal utilizado pero de uso común, de probabilidad de ocurrencia de un evento de magnitud x.
Complementariamente, la probabilidad de que la variable x exceda el valor χ, o probabilidad de excedencia,

queda dada por la expresión,
P (x > χ) = 1 − F (χ) (5.5)
Lo anterior significa que si la función de densidad de frecuencia o su integral, la función de frecuencia

acumulada de una serie de datos, fuese conocida, la probabilidad de ocurrencia o de excedencia de una
magnitud dada de un evento hidrológico, quedarı́a automáticamente determinada.
El problema práctico es que esta función no es normalmente conocida a priori, debiéndose inferir, a partir
ar
de los datos de la muestra que se dispone, cuál es la función de densidad de frecuencia de la población desde
la cual fue extraı́da. El procedimiento en general consiste en suponer un cierto modelo probabilı́stico que nos
proporciona la teorı́a de probabilidades, es decir, atribuirle una cierta función de densidad de frecuencia a la
in
población y verificar el comportamiento de ese modelo, comparando el ajuste de esa distribución teórica con
las observaciones de la realidad, proporcionadas por la serie de datos disponibles.
lim
Debido al carácter probabilı́stico mismo del proceso y por ser la serie de datos sólo una muestra de la
población, resulta poco probable una correspondencia exacta entre el modelo teórico y la muestra real, aún en
el caso en que la distribución teórica escogida corresponda exactamente a la función de densidad de frecuencia
de la población. Más aún, si se considera otra muestra distinta proveniente de la misma población, el ensayo
re
dará probablemente un resultado algo diferente. Es necesario, en consecuencia, efectuar algún ensayo o test
estadı́stico que permita definir alguna magnitud de discrepancia aceptable, sin que sea necesario rechazar la
función de densidad de frecuencia supuesta.
rP
Por otra parte, hay que hacer notar que un buen ajuste de los datos reales con el modelo teórico, no es
suficiente garantı́a de que la función de densidad de frecuencia adoptada corresponda exactamente a la de la
población.
Existen procedimientos tanto analı́ticos como gráficos para efectuar el ajuste de las funciones de frecuencia,
do
en particular, las curvas de frecuencia acumulada.

rra
5.1.3. Perı́odo de Retorno
Las variables hidrológicas en análisis son series de tiempo, es decir, constituyen sucesiones cronológicas, por
lo que la probabilidad de excedencia va asociada a una excedencia en el tiempo. Por ello, el objetivo principal
del análisis de frecuencia de series hidrológicas es determinar lo que se denomina el intervalo de recurrencia
Bo
o perı́odo de retorno asociado a una magnitud dada x de una variable hidrológica.
Se define el perı́odo de retorno T de una magnitud de una serie de tiempo, como el intervalo promedio de
tiempo dentro del cual se espera que la magnitud x de un evento hidrológico se iguale o exceda solamente una
vez. Ası́, por ejemplo, si tenemos una estadı́stica de precipitaciones diarias, y seleccionamos sólo la máxima
precipitación diaria de cada año, formando la serie llamada serie de precipitaciones máximas diarias anuales,
aquella magnitud de precipitación Po , asociada a una probabilidad de excedencia Pex = 0.01, se dice que
corresponde a la precipitación máxima diaria con perı́odo de retorno 100 años.
Definido en esos términos, el perı́odo de retorno asociado a una cierta magnitud x de una variable hi-
drológica, corresponde al valor recı́proco de su respectiva probabilidad de excedencia,
1
Pex = P (x > χ) = (5.6)
T
El concepto de perı́odo de retorno no debe asociarse a alguna recurrencia cı́clica de la variable. Si una lluvia
o caudal de perı́odo de retorno T = 100 años, ocurre en un instante cualquiera, no significa que tengan que
transcurrir 100 años para que ese evento vuelva a ocurrir. Esta lluvia o caudal puede volver a ocurrir al año
ar
siguiente o aún dentro del mismo año; el perı́odo de retorno sólo nos dice que la probabilidad de que el evento
se exceda en un año cualquiera es Pex = 1/T , en nuestro ejemplo, Pex = 0.01.
in
En el muy largo plazo, sı́ Po tendrá una frecuencia promedio de ocurrencia de una vez cada 100 años.
La correcta dimensión de la variable T dependerá de la frecuencia con la cual se haya medido la variable
en análisis. Sólo si se selecciona la muestra, tomando un solo valor por año, sea el máximo o el mı́nimo, de
lim
manera que N , el tamaño de la muestra corresponda al número de años de estadı́stica, el perı́odo de retorno
pasa a tomar la dimensión “año”. En estricto rigor, la definición de perı́odo de retorno antes dada corresponde
al recı́proco de la probabilidad de excedencia de una serie de excedencias anuales. Si se considera una serie
de valores extremos anuales, el recı́proco de la probabilidad de excedencia indicará el número promedio de
re
años en que la magnitud será igualada o excedida, sin negar la posibilidad de que en un año el evento ocurra
más de una vez.
rP
Si se postula que los eventos hidrológicos ocurren en el tiempo de acuerdo a un proceso del tipo Poisson, la
relación entre las probabilidades de excedencia obtenidas de series de excedencias anuales y series de valores
extremos anuales, viene dada por la expresión propuesta por Langbein,
do
Pex,V E = 1 − ePex,EA (5.7)
o en términos del perı́odo de retorno como,

rra
1
TV E = (5.8)
1 − e−1/TEA
donde,
Bo
Pex,V E : Probabilidad de excedencia resultante de una serie de valores extremos anuales.

Pex,EA : Probabilidad de excedencia resultante de una serie de excedencias anuales.
TV E : Perı́odo de retorno resultante de una serie de valores extremos anuales.
TEA : Perı́odo de retorno resultante de una serie de excedencias anuales.
Las relaciones inversas resultan:
1

Pex,EA = ln (5.9)
1 − Pex,V E
1
TEA = (5.10)
ln TV E
TV E −1
La Tabla 5.1 muestra la comparación entre los resultados obtenidos entre ambos tipos de series, en términos
de su probabilidad de excedencia y del perı́odo de retorno resultante.
Tabla 5.1: Equivalencia entre perı́odos de retorno y probabilidades de excedencia.
ar
Serie de valores extremos Serie de excedencias anuales
pxe (VE) T(VE) años pex(EA) T(EA) años
0.632 1.58 1 1
in
0.5 2 0.693 1.44
0.333 3 0.405 2.47
lim
0.2 5 0.223 4.48
0.1 10 0.105 9.49
0.05 20 0.051 19.5
0.02 50 0.02 49.5
0.01 100
re 0.01 99.5
Se observa de los resultados de la Tabla 5.1, que para perı́odos de retorno mayores de 10 años, las diferencias
rP
en los resultados son prácticamente despreciables, por lo que habitualmente se trabaja con series de valores
extremos anuales, dada la mucho mayor disponibilidad de información respecto a este tipo de series. Para
perı́odos de retorno menores, acercándose al valor 2 años, valor utilizado para el diseño de algunas obras
menores, el uso de series de valores extremos anuales generarı́a una sobrestimación del perı́odo de retorno,
do
que se puede traducir en un subdimensionamiento de las obras.
Sin embargo, el análisis de datos reales medidos en Valparaı́so, (Espinoza et al., 2005) sugiere que, al menos
en ese caso, el criterio propuesto por Langbein sobreestima la corrección necesaria a los perı́odos de retorno
estimados, proponiéndose las siguientes fórmulas modificadas, que permite un mejor ajuste a la corrección
rra
necesaria a los perı́odos de retorno estimados mediante la serie de valores extremos anuales, aplicables a
perı́odos de retorno inferiores a 5 años.
1
Bo
TV E = (5.11)
1 − e−1/(TEA +0.22)
o bien,
1
TEA = (5.12)
ln TV E +0.22
TV E −0.78
Si se utiliza alguna otra serie de duración parcial, el perı́odo de retorno, expresado en “años”, se relaciona
con la probabilidad de excedencia mediante la relación,
1
Pex = P (x > χ) = (5.13)
n·T
donde n es el número promedio de observaciones disponibles por año de estadı́stica.
5.2. Análisis de Frecuencia Analı́tico
ar
Para materializar el análisis de frecuencia de una serie de datos, puede recurrirse a procedimientos directos o
gráficos, donde las probabilidades o perı́odos de retorno se determinan directamente a partir de la información
in
que proporciona la muestra disponible, o puede recurrirse a la teorı́a de probabilidades que proporciona
modelos analı́ticos teóricos de la función de densidad de frecuencia f (x), de cuya integración puede obtenerse
la probabilidad o perı́odo de retorno asociado a la magnitud de la variable en análisis.
lim
Existe un gran número de funciones matemáticas f (x) que cumplen con las condiciones de servir como
funciones de densidad de frecuencia, en particular, en términos de establecer una relación biunı́voca entre la
magnitud de la variable y su probabilidad y de respetar que la integral de la función en todo el dominio de
re
validez de la variable, sea unitaria. Estas funciones se establecen en términos de un conjunto de parámetros o
estadı́grafos que caracterizan al universo o población del cual la muestra disponible proviene, que se deducen
a partir de los momentos de la distribución y que pueden inferirse a partir de la información contenida en la
rP
muestra.
Si el número de datos disponibles de una variable x es N , decimos que tenemos una muestra de tamaño
N de nuestra variable aleatoria, a partir de la cual es posible estimar los estadı́grafos del universo del cual
proviene. En particular, resultan de interés los cuatro primeros momentos de la distribución, asociados a los
do
conceptos de promedio, varianza, asimetrı́a y kurtosis, cuyos estimadores son:
1° Momento o Promedio aritmético

rra
PN
xi
x̄ = i=1
(5.14)
N
2° Momento o Varianza
Bo
(xi − x̄)2
PN
s2x = i=1
(5.15)
N −1
3° Momento o Asimetrı́a
N i=1 (xi − x̄)3

PN
Ax = (5.16)
(N − 1)(N − 2)
4º Momento o Kurtosis
5.2. Análisis de Frecuencia Analı́tico 111
#2
(N 2 − 2N + 3) 3(2N − 3)
N
"N
Kx = (x − x̄) − (x − x̄) (5.17)
X X
4 2
(N − 1)(N − 2)(N − 3) i=1 N (N − 1)(N − 2)(N − 3) i=1
En términos prácticos los momentos segundo, tercero y cuarto, suelen reemplazarse por la desviación
standard, coeficiente de asimetrı́a y coeficiente de kurtosis , respectivamente, según las relaciones, Desviación
Estándar:
ar
sx = (5.18)
p
s2x
in
Coeficiente de Asimetrı́a:
Ax
Cs,x = (5.19)
lim
s3x
Coeficiente de Kurtosis:
Kx
re κx = (5.20)
s4x
Existen procedimientos matemáticos más poderosos para estimar los estadı́grafos de una distribución, como
los métodos de máxima verosimilitud, que pueden consultarse en un buen texto de estadı́stica, pero que para
rP
muestras de pequeño tamaño, como es el caso habitual en hidrologı́a, no presentan una ventaja sustantiva.
5.2.1. Funciones de Densidad de Frecuencia Utilizadas Comúnmente en Hidrologı́a

do
Dentro de las numerosas funciones de densidad de frecuencia que proporciona la teorı́a de probabilidades,
existen algunas que por la facilidad de uso o por haber demostrado su buen ajuste con datos hidrológicos, se
utilizan comúnmente en hidrologı́a. Dentro de ellas, es posible destacar las siguientes.
rra
5.2.1.1. Distribución Normal o Distribución de Gauss
Se dice que una variable aleatoria es normalmente distribuida, si su función de densidad de frecuencia viene
Bo
expresada por la relación,
1
e− 2 ( σ x )
1 x−µ 2
f (x) = √ −∞<x<∞ (5.21)
2πσx
donde µ y σx son los parámetros de esta distribución, los que resultan ser el promedio y la desviación estándar,
respectivamente. Por ser los parámetros poblacionales, normalmente desconocidos, estos se estiman en base
a los parámetros muestrales: µ ≈ x̄; σx ≈ sx .
La función de frecuencia acumulada de una magnitud “b” de la variable, está dada por:
b
1
e− 2 ( σx ) dx
Z
1 x−µ 2
F (b) = P (x ≤ b) = √ (5.22)
−∞ 2πσx
y consecuentemente,
P (x > b) = 1 − F (b) (5.23)
ar
La función de frecuencia acumulada no es analı́ticamente integrable y se encuentra normalmente tabulada
o disponible en medios electrónicos, sólo para el caso particular donde µ ≈ 0; σx ≈ 1, que corresponde a la
denominada distribución normal centrada y reducida.
in
En consecuencia, si se define la variable centrada y reducida z como,
lim
x − x̄
z= (5.24)
sx
se puede escribir,
re
x = x̄ + z · sx
donde z, el valor de la variable reducida o factor de frecuencia se obtiene de tablas o medios electrónicos
(5.25)
dependiendo de la probabilidad de ocurrencia asociada al valor x y de la forma de función de densidad de

rP
frecuencia f (x), en este caso la distribución normal.
En la Tabla 5.2 se incluyen valores de la función de frecuencia acumulada para la distribución normal
centrada y reducida. En dicha Tabla se dan los valores del área bajo la curva de distribución normal para
do
valores de la variable estandarizada “z” entre los valores 0 y 3.29. Por ser la distribución normal simétrica, la
probabilidad de tener un valor menor o igual que un cierto valor positivo dado de la variable estandarizada,
se obtiene sumando al valor dado por la tabla la cantidad 0.5 que corresponde al área total bajo la curva de
densidad en el rango de los valores negativos de z.
rra
Como ejemplo, si queremos encontrar la probabilidad de obtener un valor de la variable centrada y reducida
menor que 1.67, se entra a la Tabla 5.2:
Para z = 1.67 se obtiene A = 0.4525

Bo
P (z ≤ 1.67) = 0.5 + A = 0.9525
P (z > 1.67) = 1 − 0.9525 = 0.0475
Complementariamente, para obtener la probabilidad asociada a un valor negativo de la variable reducida,

debemos restar a la cantidad 0.5 el valor de la Tabla 5.2 correspondiente al módulo o valor positivo de la
variable z.
Para z = −1.67 se obtiene A = 0.4525
P (z ≤ −1.67) = A − 0.5 = 0.0475
P (z > −1.67) = 1 − 0.0475 = 0.9525
Muchas calculadoras cientı́ficas y programas en la actualidad permiten obtener en forma directa las áreas
ar
bajo la distribución normal, por ejemplo, la función Distr.norm.estand de Microsoft Excel.
Tabla 5.2: Distribución normal centrada y reducida.
in
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.004 0.008 0.012 0.016 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0308 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
lim
0.2 0.0793 0.0832 0.0871 0.091 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.148 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.17 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.195 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.219 0.2214
0.6 0.2257 0.2291 0.2324 0.2357
re 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.258 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.291 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.334 0.3365 0.3389
1 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
rP
1.1 0.3643 0.3665 0.3686 0.3708 0.372 0.3749 0.377 0.379 0.381 0.383
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.398 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.409 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4326 0.4351 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.437 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
do
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.1554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.475 0.4756 0.4761 0.4767
rra
2 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.483 0.4834 0.4838 0.4842 0.4846 0.485 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.489
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.49 0.4911 0.4913 0.4916
2.4 0.4918 0.492 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
Bo
2.5 0.4938 0.494 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.496 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.497 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.498 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.499 0.499
3.1 0.499 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4993 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
Ejemplo 5.2.1:
Se tiene una estadı́stica de 30 años de longitud de los caudales máximos anuales en el rı́o Maule en la
Estación Armerillo y se desea saber cuál es la probabilidad de que ocurra en dicho lugar un caudal mayor
que 3100 [m3 /s].
Se supondrá para el análisis que los datos siguen una distribución normal.
Tabla 5.3: Rı́o Maule en Armerillo, caudales máximos instantáneos anuales.
ar
Año Q [m3 /s] Año Q [m3 /s] Año Q [m3 /s] Año Q [m3 /s] Año Q [m3 /s]
1 2650 7 3000 13 950 19 1950 25 1400
2 750 8 1750 14 610 20 2100 26 1750
in
3 2400 9 1300 15 850 21 800 27 700
4 1700 10 1100 16 1500 22 1250 28 3200
lim
5 1650 11 850 17 1250 23 850 29 390
6 1600 12 1500 18 1300 24 1100 30 2800
De la muestra (N = 30) se obtiene: re s

(xi − x̄)2
PN PN
xi
x̄ = i=1
= 1500 [m3 /s]; sx = i=1
= 732.1 [m3 /s]
N N −1
rP
Considerando b = 3100 [m3 /s], se tiene que
b − x̄
z= = 2.185
do
sx
Ası́, ingresando en la Tabla 5.2, se obtiene:
P (x ≤ 3100) = 0.9856
rra
P (x > 3100) = 1 − 0.9856 = 0.0144

Bo
1 1
T = = ≈ 69.4 años
P (x > 3100 0.0144
5.2.1.2. Distribución Logarı́tmico Normal o Log-normal
La distribución normal antes vista, siendo la distribución estadı́stica más utilizada en muchas disciplinas,
está definida en el dominio de los números reales, es decir, acepta la existencia de valores negativos. En este
sentido, su aplicabilidad a datos hidrológicos se ve bastante reducida, ya que muchas de las variables invo-
lucradas tales como precipitaciones, caudales, humedades, etc. sólo tienen sentido con números positivos o
cuando menos nulos, por lo que suelen presentar funciones de densidad de frecuencia asimétricas que teórica-
mente no pueden ser representadas por una distribución normal. Aún cuando podrı́an utilizarse distribuciones
normales truncadas, que no acepten valores negativos, en hidrologı́a ha resultado conveniente el empleo de
transformaciones de la variable original que cumplan el objetivo de eliminar valores negativos. Entre ellas, la
más utilizada corresponde a la denominada distribución logarı́tmico normal.
Si x es una variable aleatorio e y = ln(x) es una transformación logarı́tmica de ella, se dice que x es
distribuida en forma logarı́tmico normal, si la función de densidad de frecuencia de la variable transformada
ar
y viene expresada por la relación,
1 y−µ
2
−1
f (y) = √ (5.26)
in
e 2 σy
−∞<y <∞
2πσy
donde µ y σy son los parámetros de esta distribución, los que resultan ser el promedio y la desviación estándar
lim
de los logaritmos de la variable original x, respectivamente.
Por ser los parámetros poblacionales, normalmente desconocidos, estos se estiman en base a los parámetros
muestrales: µ ≈ ȳ; σy ≈ sy , donde,
ȳ =
re
PN
i=1
N
ln(yi )
= ln(x) (5.27)
rP
PN 2
i=1 ln(yi ) − ln(x)
s2y = (5.28)
N −1
La función de densidad de frecuencia de x se obtiene haciendo la transformación:
do
f (x)dx = f (y)dy
x = ey
dx = ey dy
rra
1
2
dy −1 y−µ
f (x) = f (y) =√ e 2 σy
(5.29)
dx 2πσy ey
Bo
La utilización de esta distribución, exige la misma estandarización que la distribución normal.
Ejemplo 5.2.2:
Se utilizarán los mismos datos del ejemplo 5.2.1, excepto que se supondrá para el análisis que los datos
siguen una distribución logarı́tmico normal.
A partir de los datos de la muestra entregados en la Tabla 5.3 (N = 30) se obtiene:
PN 2
ln(yi ) − ln(x)
i=1 ln(yi )
PN
i=1
ȳ = = 7.196; s2y = = 0.505;
N N −1
Considerando ln(b) = ln(3100) = 8.039, se tiene que
ln(b) − ȳ
z= = 1.670
sy
Ası́, ingresando en la Tabla 5.2, se obtiene:
P (x ≤ 3100) = 0.9525
ar
P (x > 3100) = 1 − 0.9525 = 0.0475
in
1 1
lim
T = = ≈ 21.1 años
P (x > 3100 0.0475
5.2.1.3. Distribuciones de Valores Extremos

re
Las series de datos utilizadas para el análisis de frecuencia en hidrologı́a, corresponden como se mencionó an-
teriormente, no a series de duración completa sino a series de valores extremos o de excedencias anuales, es
decir, cada dato en sı́ corresponde a un valor extremo, normalmente máximo, dentro de un conjunto de datos
rP
mayor. En estos términos, es conceptualmente lı́cito aplicar a las series hidrológicas, teorı́as provenientes
de la rama de la estadı́stica correspondiente a la teorı́a de valores extremos, que proporciona distribuciones
de frecuencia lı́mites aplicables a este tipo de variables, entre las que se destacan la Distribución de valo-
res Extremos Tipo I o Distribución Gumbel y la Distribución de Valores Extremos Tipo III o Distribución
do
Weibull.
5.2.1.3.1. Distribución de Valores Extremos Tipo I o Distribución Gumbel

La teorı́a de valores extremos establece que si se tienen M muestras de N valores cada una correspondientes
rra
a una variable aleatoria x cuya función de densidad de frecuencia es ilimitada hacia los valores altos, o sea, de
tipo exponencial abierta hacia la derecha, entonces cuando el número de muestras M aumenta y el número
de valores N de cada muestra aumenta, tendiendo ambos a infinito, la función de densidad de frecuencia de la
serie conformada por los valores máximos de cada una de las series tiende, cuando M y N tienden a infinito,
Bo
a la distribución de Valores Extremos Tipo I o Distribución de Gumbel.
La curva de frecuencia acumulada F (x) de esta distribución queda representada por la ecuación:
F (x) = e−e (5.30)

−y
donde y se denomina la variable reducida y viene dada por
y = a(x − xf ) (5.31)
donde a su vez, “a” es un parámetro de dispersión definido por:
π 1 1.28255
a= √ ≈ (5.32)
6 σx sx
y xf es la moda de la distribución
γ
xf = µ − (5.33)
ar
a
donde γ es el número de Euler dado por
in
∞
1 1
Z
γ= −e −x
dx = 0.57721 (5.34)
0 x 1+x
Reemplazando en función de los parámetros muestrales, resulta
lim
x = x̄ + 0.450sx (5.35)
En consecuencia, la probabilidad de que la variable x exceda un valor dado b, viene dada en forma directa
re
por
rP
P (x > b) = 1 − F (b) = 1 − e−e (5.36)
−yb
donde yb = a(b − xf ).
La distribución de valores extremos Tipo I, depende de sólo dos parámetros, por lo que su coeficiente de
do
asimetrı́a debe ser constante. Se puede demostrar que en este caso el coeficiente de asimetrı́a vale,
Cs = 1.139 = Cte.
rra
En la práctica se trabaja con un número finito de muestras que contienen a su vez un número finito de
valores, por lo cual esta función lı́mite no es estrictamente aplicable. Sin embargo, al trabajar con series
de valores extremos anuales se puede interpretar que cada año es una muestra del cual el valor disponible
es el valor máximo de un gran número N de eventos que pudieron haber ocurrido ese año, aceptándose en
Bo
consecuencia que el tamaño de la muestra es suficientemente grande, estadı́sticamente cercano a infinito.

No ocurre lo mismo con el número de muestras M que corresponderı́a en este caso al número de años de
estadı́stica disponible, el cual puede ser una cifra bastante reducida, no asimilable al valor infinito.
Al respecto Gumbel realizó un estudio de esta distribución y determinó que cuando se trabaja con un
√
número M finito de muestras, las constantes lı́mites γ y π/ 6 deben reemplazarse por ȳm y σm ,la media y
la desviación estándar de la variable reducida, respectivamente.
En términos prácticos, para una muestra de tamaño M , se le puede asignar a cada valor su probabilidad
muestral, dada por la expresión
m
P = (5.37)
M +1
donde m es el número de orden de la variable ordenada de menor a mayor. Para cada valor de probabilidad
se obtiene el correspondiente valor de la variable reducida “y” mediante la curva de frecuencia acumulada de
la distribución, valores a los cuales se les determina su promedio y desviación estándar.
En Tabla 5.4 se presentan valores de las medias y desviaciones estándar de la variable reducida para
ar
diferentes números de muestra o años de estadı́stica disponibles M .
Tabla 5.4: Medias y desviaciones estándar de la variable reducida.
in
M ȳm σm M ȳm σm M ȳm σm
10 0.49521 0.94963 50 0.54854 1.16066 150 0.56462 1.22534
15 0.51284 1.02057 55 0.55044 1.16817 200 0.56715 1.23598
lim
20 0.52355 1.06282 60 0.55208 1.17467 250 0.56878 1.24292
25 0.53086 1.09145 70 0.55477 1.18535 300 0.56993 1.24787
30 0.53622 1.11237 80 0.55689 1.19382 400 0.57144 1.2545
35 0.54034 1.12847 90 0.5586
re 1.20073 500 0.5724 1.2588
40 0.54362 1.14131 100 0.56002 1.20649 1000 0.5749 1.2691
45 0.5463 1.15184 120 0.56225 1.21558 ∞ 0.57721 1.28255
rP
De la definición de la variable reducida (ecuación (5.31)), se puede despejar xf ,
y
xf = x − (5.38)
do
pero por definición de xf ,

rra
γ
xf = µ − (5.39)
a
Igualando ambas expresiones y reemplazando las constantes por las propuestas por Gumbel, se obtiene una
expresión para el factor de frecuencia a través de la igualdad,
Bo
x − x̄ y − ȳm
k= = (5.40)
sx σm
Esta expresión, llamada Ley de Gumbel, nos da una relación directa entre la magnitud de la variable x y la
variable reducida “y” en función única de parámetros dependientes sólo del tamaño de la muestra.
Una vez determinada la variable reducida “y” se puede obtener la probabilidad directamente de la función
de frecuencia acumulada.
El perı́odo de retorno T , definido por la ecuación 5.6, se puede reemplazar en este caso como
1
= 1 − e−e (5.41)
−y
T (b)
de donde se obtiene otra relación directa, ahora entre la variable reducida y el perı́odo de retorno

T
y = − ln ln (5.42)
T −1
expresión que para T > 50 años se puede aproximar por la relación,
ar
y = ln(T ) (5.43)
in
Ejemplo 5.2.3:
Se continuará con el mismo problema de los ejemplos anteriores, suponiendo ahora que los datos siguen
lim
una distribución de valores extremos Tipo I, Gumbel.
x̄ =
PN
i=1 xi
N
re
= 1500 [m3 /s]; sx =
s
PN
i=1 (xi − x̄)2
N −1
= 732.1 [m3 /s]
De la Tabla 5.4, para M = 30,

rP
ȳm = 0.53622; σm = 1.11237;
Luego, considerando b = 3100 [m3 /s], se tiene,

do
b − x̄ y − ȳm
=
sx σm
rra
y − 0.53622
2.185 =
1.11237
=⇒ y = 2.9667
Bo
En consecuencia,
P (x > 3100) = 1 − F (b) = 1 − e−e = 1 − 0.9498 = 0.0502

−y
y por lo tanto,
1 1
T = = = 19.9 años
P (x > 3100) 0.0502
5.2.1.3.2. Distribución de Valores Extremos Tipo III o Distribución Weibull

La distribución de valores extremos tipo III resulta de la teorı́a de valores extremos si se postula que la
variable en análisis está acotada superiormente a un valor lı́mite. Su curva de frecuencia acumulada queda
representada por la expresión,
F (x) = e−( γ−θ )

k
(5.44)
γ−x
ar
para −∞ < x < γ y θ < γ.
Esta distribución tiene tres parámetros: γ, el limite superior y los parámetros de forma θ y k.
in
Para la estimación de estos parámetros puede recurrirse al siguiente cambio de variable:
lim
y = −k [ln(γ − x) − ln(γ − θ)]
luego,
k k
γ−x
re γ−x
y = − ln o e −y
=
γ−θ γ−θ
de donde su curva de frecuencia acumulada se reduce a

rP
F (x) = e−e (5.45)
−y
Esta ecuación que corresponde a la estructura de la distribución de valores extremos Tipo I. Esto nos dice
do
que la distribución de Valores Extremos Tipo III es una transformación logarı́tmica de la distribución de
valores extremos Tipo I.
Recordando que
rra
y = a(x − xf ) = k [− ln(γ − x) + ln(γ − θ)] (5.46)
resulta que la variable

Bo
z = − ln(γ − x)
tiene una distribución de valores extremos Tipo I o Gumbel, con parámetros,
σm
a= =k (5.47)
sz

sz
xf = z̄ − ym = − ln(γ − θ) (5.48)
σm
donde,
1 X
N
z̄ = − ln(γ − xi )
N i=1
y con coeficiente de asimetrı́a Cs,z = 1.139 = Cte.
En consecuencia, el valor de debe satisfacer la ecuación,
ar
(− ln(γ − xi ) − z̄)
PN 3
N
Cs,z = i=1
(N − 1)(N − 2)s3z
in
la cual deberá resolverse por tanteo o mediante procedimientos analı́tico-gráficos descritos por Yevyevich.
Resuelto γ, la constante θ se obtiene de la ecuación (5.48).
lim
Ahora, si X tiene una distribución de valores extremos Tipo III, acotada superiormente por el parámetro γ,
entonces, la variable –X es una variable con distribución de valores extremos tipo III, acotada inferiormente
a un valor lı́mite −γ, denominada distribución Weibull, la cual suele aplicarse a series de valores extremos
mı́nimos. re
Su curva de frecuencia acumulada queda representada por la expresión,
rP
F (x) = e−( θ−γ )
k
(5.49)
x−γ
para γ < x < ∞ y θ > γ.
En forma análoga, resulta ahora que la variable

do
z = − ln(x − γ)
tiene una distribución de valores extremos Tipo I o Gumbel, cuyos parámetros se evalúan en igual forma que
rra
el caso anterior.
Ejemplo 5.2.4:
Se continuará con el mismo problema, suponiendo ahora inicialmente que los datos siguen una distribución
Bo
de valores extremos Tipo III, acotada superiormente.
Ası́, evaluando z = − ln(γ − x) para los datos de la muestra entregados en la Tabla 5.3 e iterando el valor de
γ hasta que satisfaga un coeficiente de asimetrı́a Cs,z = 1.139, se obtiene
γ = 6079.25
⇓
1 X (zi − z̄)2
rP
z̄ = zi = −8.4154; sz = = 0.175; b = − ln(6079.25 − 3100) = −7.999
N N −1
ȳm = 0.53622; σm = 1.11237;
Luego,
b − z̄ y − ȳm
=
ar
sz σm
y − 0.53622
2.3775 =
1.11237
in
=⇒ y = 3.181
lim
En consecuencia,
P (x > 3100) = 1 − F (b) = 1 − e−e = 1 − 0.9593 = 0.041

−y
y por lo tanto,
re
rP
1 1
T = = = 24.4 años
P (x > 3100) 0.041
De acuerdo a este modelo, los caudales estarı́an limitados a un valor máximo superior de 6079.25 [m3 /s].
do
Ahora, si se supone que los datos siguen una distribución de valores extremos Tipo III, acotada inferiormente
o distribución de Weibull, evaluando z = − ln(x − γ) para los datos de la muestra entregados en la Tabla 5.3
e iterando el valor de γ hasta que satisfaga un coeficiente de asimetrı́a Cs,z = 1.139, se obtiene
rra
γ = 308.58
⇓
1 X (zi − z̄)2
rP
z̄ = zi = −6.8616; sz = = 0.7555; b = − ln(3100 − 308.58) = −7.9343
Bo
N N −1
ȳm = 0.53622; σm = 1.11237;
Luego,
b − z̄ y − ȳm
=
sz σm
y − 0.53622
−1.4197 =
1.11237
=⇒ y = −1.043
En consecuencia,
ar

P (x > 3100) = 1 − F (b) = 1 − 1 − e−e = 0.05854
−y
y por lo tanto,
in
1 1
T = = = 17.1 años
lim
P (x > 3100) 0.05854
De acuerdo a este modelo, los caudales estarı́an limitados a un valor mı́nimo inferior de 308.58 [m3 /s].
5.2.1.4. Distribución Gamma de Dos Parámetros re

Una variable aleatoria “x” tiene una distribución Gamma de dos parámetros o Gamma 2, cuando su función
de densidad de frecuencia es
rP
1
F (x) = xα−1 e−x/β x>0 (5.50)
β α Γ(α)
donde α y β son los dos parámetros de la distribución y Γ(α) es la función Gamma completa definida por la
do
integral,
Z ∞
Γ(α) = y α−1 e−y dy (5.51)
rra
Integrando la función Gamma por partes, puede demostrarse que

Bo
Γ(α) = (α − 1)Γ(α − 1) (5.52)
de donde resulta que si es un número entero positivo
Γ(α) = (α − 1)! (5.53)
Para valores no enteros de α, la función Γ(α) no es analı́ticamente integrable y se haya tabulada en tablas
matemáticas y estadı́sticas o puede obtenerse mediante aproximaciones analı́ticas polinomiales.
La función de frecuencia acumulada está dada por

b
1
Z
F (b) = P (x ≤ b) = xα−1 e−x/β dx (5.54)
0 β α Γ(α)
Haciendo el cambio de variable y = x/β se tiene,
dx = βdy
ar
b/β
1
Z
F (b) = P (x ≤ b) = β α−1 y α−1 e−y βdy
0 β α Γ(α)
in
1 b/β
Z
F (b) = P (x ≤ b) = y α−1 e−y dy (5.55)
Γ(α)
lim
0
La integral resultante tiene la estructura de la función Gamma, pero integrada sólo hasta el valor finito b/β,
por lo que se le denomina función Gamma incompleta, en este caso de dos parámetros Γ (b/β, α). Esta función
también se haya tabulada.
En definitiva,
re
Γ (b/β, α)
F (b) = P (x ≤ b) = (5.56)
rP
Γ(α)
Los parámetros α y β satisfacen las siguientes relaciones:
x̄ = αβ; s2x = β 2 α; (5.57)

do
de donde
rra
1
2
s2x

x̄
β= ; α= = ; (5.58)
x̄ sx c2v
donde cv = sx /x̄ es el coeficiente de variación.

Bo
Siendo la distribución Gamma 2 dependiente de sólo dos parámetros, su coeficiente de asimetrı́a no es

independiente, quedando definido por la relación
2
Cs = √ = 2cv (5.59)
α
Para fines prácticos, se adjunta la Tabla 5.5 simplificada, que permite relacionar la variable centrada y
reducida o factor de frecuencia con su probabilidad de excedencia en función del coeficiente de asimetrı́a, que
en este caso siempre es positivo, ya que el dominio de la variable es sólo para valores positivos con lı́mite
inferior nulo.
Tabla 5.5: Factores de frecuencia para distribuciones Pearson Tipo III con asimetrı́a positiva.
Perı́odo de retorno [años]
1.01 1.053 1.25 2 5 10 25 50 100 200 500 1000 2000 10000
Cs
Probabilidad de excedencia
0.99 0.95 0.8 0.5 0.2 0.1 0.04 0.02 0.01 0.005 0.002 0.001 0.0005 0.0001
0 -2.326 -1.645 -0.842 0.000 0.842 1.282 1.751 2.054 2.326 2.576 2.878 3.090 3.291 3.719
0.1 -2.253 -1.616 -0.846 -0.017 0.836 1.292 1.785 2.107 2.400 2.670 3.000 3.233 3.455 3.935
0.2 -2.178 -1.586 -0.850 -0.033 0.830 1.301 1.818 2.159 2.472 2.763 3.122 3.377 3.621 4.153
ar
0.3 -2.104 -1.555 -0.853 -0.050 0.824 1.309 1.849 2.211 2.544 2.856 3.244 3.521 3.788 4.374
0.4 -2.029 -1.524 -0.855 -0.067 0.816 1.317 1.880 2.261 2.615 2.949 3.366 3.666 3.956 4.597
0.5 -1.955 -1.491 -0.857 -0.083 0.808 1.323 1.910 2.311 2.686 3.041 3.487 3.811 4.124 4.821
0.6 -1.880 -1.458 -0.857 -0.099 0.800 1.329 1.939 2.359 2.755 3.132 3.609 3.956 4.293 5.047
in
0.7 -1.806 -1.423 -0.857 -0.116 0.790 1.333 1.967 2.407 2.824 3.223 3.730 4.100 4.462 5.274
0.8 -1.733 -1.389 -0.856 -0.132 0.780 1.336 1.993 2.453 2.891 3.312 3.850 4.244 4.631 5.501
0.9 -1.660 -1.353 -0.854 -0.148 0.769 1.339 2.018 2.498 2.957 3.401 3.969 4.388 4.799 5.729
lim
1 -1.588 -1.317 -0.852 -0.164 0.758 1.340 2.043 2.542 3.023 3.489 4.088 4.531 4.967 5.957
1.1 -1.518 -1.280 -0.848 -0.180 0.745 1.341 2.066 2.585 3.087 3.575 4.206 4.673 5.134 6.185
1.2 -1.449 -1.243 -0.844 -0.195 0.733 1.340 2.088 2.626 3.149 3.661 4.323 4.815 5.301 6.412
1.3 -1.383 -1.206 -0.838 -0.210 0.719 1.339 2.108 2.667 3.211 3.745 4.438 4.955 5.467 6.640
1.4 -1.318 -1.168 -0.832 -0.225 0.705 1.337 2.128 2.706 3.271 3.828 4.553 5.095 5.633 6.867
1.5 -1.256 -1.131 -0.825 -0.240 0.691 1.333
re 2.146 2.743 3.330 3.910 4.667 5.234 5.797 7.093
1.6 -1.197 -1.094 -0.817 -0.254 0.675 1.329 2.163 2.780 3.388 3.990 4.779 5.371 5.960 7.318
1.7 -1.140 -1.056 -0.808 -0.268 0.660 1.324 2.179 2.815 3.444 4.069 4.890 5.507 6.122 7.543
1.8 -1.087 -1.020 -0.799 -0.282 0.643 1.318 2.193 2.848 3.499 4.147 4.999 5.642 6.283 7.766
rP
1.9 -1.037 -0.984 -0.788 -0.294 0.627 1.311 2.207 2.881 3.553 4.223 5.108 5.775 6.443 7.989
2 -0.990 -0.949 -0.777 -0.307 0.609 1.303 2.219 2.912 3.605 4.298 5.215 5.908 6.601 8.210
2.1 -0.946 -0.915 -0.765 -0.319 0.592 1.294 2.230 2.942 3.656 4.372 5.320 6.039 6.758 8.431
2.2 -0.905 -0.882 -0.752 -0.330 0.574 1.284 2.240 2.970 3.705 4.444 5.424 6.168 6.914 8.650
2.3 -0.867 -0.850 -0.739 -0.341 0.555 1.274 2.248 2.997 3.753 4.515 5.527 6.296 7.068 8.868
do
2.4 -0.832 -0.819 -0.725 -0.351 0.537 1.262 2.256 3.023 3.800 4.584 5.628 6.423 7.221 9.084
2.5 -0.799 -0.790 -0.711 -0.360 0.518 1.250 2.262 3.048 3.845 4.652 5.728 6.548 7.373 9.299
2.6 -0.769 -0.762 -0.696 -0.369 0.499 1.238 2.267 3.071 3.889 4.718 5.826 6.672 7.523 9.513
2.7 -0.740 -0.736 -0.681 -0.376 0.479 1.224 2.272 3.093 3.932 4.783 5.923 6.794 7.671 9.725
2.8 -0.714 -0.711 -0.666 -0.384 0.460 1.210 2.275 3.114 3.973 4.847 6.019 6.915 7.818 9.936
rra
2.9 -0.690 -0.688 -0.651 -0.390 0.440 1.195 2.277 3.134 4.013 4.909 6.113 7.034 7.964 10.146
3 -0.667 -0.665 -0.636 -0.396 0.420 1.180 2.278 3.152 4.051 4.966 6.205 7.152 8.108 10.354
3.2 -0.625 -0.624 -0.606 -0.405 0.381 1.148 2.277 3.185 4.125 5.087 6.386 7.384 8.392 10.766
3.4 -0.588 -0.588 -0.577 -0.411 0.341 1.113 2.273 3.214 4.193 5.199 6.561 7.606 8.671 11.172
3.6 -0.556 -0.555 -0.549 -0.414 0.302 1.077 2.264 3.238 4.256 5.306 6.730 7.830 8.943 11.573
Bo
3.8 -0.529 -0.526 -0.522 -0.414 0.264 1.040 2.253 3.258 4.314 5.407 6.894 8.044 9.210 11.968
4 -0.500 -0.4.9999 -0.498 -0.413 0.226 1.001 2.238 3.274 4.368 5.504 7.053 8.253 9.472 12.357
4.5 -0.444 -0.444 -0.444 -0.400 0.137 0.900 2.189 3.298 4.483 5.724 7.427 8.752 10.101 13.305
5 -0.400 -0.400 -0.400 -0.379 0.058 0.795 2.124 3.300 4.573 5.916 7.771 9.220 10.698 14.220
Ejemplo 5.2.5:
Continuando con el mismo problema de los ejemplos anteriores, se supone ahora que los datos siguen una
distribución Gamma de 2 parámetros.
s
(xi − x̄)2
PN PN
i=1 xi sx
x̄ = = 1500 [m3 /s]; sx = i=1
= 732.1 [m3 /s]; cv = = 0.488;
N N −1 x̄
De esta forma, a partir de los parámetros estadı́sticos se calculan los parámetros de la distribución gamma
1
2
s2

x̄
ar
β = x = 357.3; α= = = 4.198;
x̄ sx c2v
Considerando que b = 3100 [m3 /s] y entrando en la Tabla 5.5 con
in
2 b − x̄
Cs = √ = 2cv = 0.9761 y k= = 2.185
α sx
lim
interpolando se obtiene
P (x > b) = 0.0334
T =
1
re
=
1
⇓
= 30.3 años
P (x > b) 0.0334
rP
5.2.1.5. Curvas de Pearson
Karl Pearson encontró una ecuación diferencial que cumple la propiedad de ajustarse a las distribuciones más
importantes de la estadı́stica.
do
Esta ecuación diferencial es
1 d (f (x)) d−x
= (5.60)
rra
f (x) dx a + bx + cx2
d (f (x)) d−x
= dx (5.61)
f (x) a + bx + cx2
Bo
f (x) x

d−x
Z
ln = dx (5.62)
f (x0 ) x−0 a + bx + cx2
Por lo tanto, la llamada función de densidad de la curva de Pearson es
Rx d−x
f (x) = f (x0 )e (5.63)
dx
x−0 a+bx+cx2
A partir de esta distribución general se puede llegar a diversas distribuciones conocidas, dependiendo del
valor que se le dé a los parámetros a, b, c y d.
La constante f (x0 ) se obtiene al imponer la condición de que el área bajo la curva dentro de todo el rango
de variación de x sea unitaria,
Z x2
f (x)dx ≡ 1 x1 ≤ x ≤ x2 (5.64)
x1
Los parámetros a, b, c y d pueden calcularse a partir de los cuatro primeros momentos de la distribución,
es decir, en función del promedio, desviación estándar, coeficiente de asimetrı́a y coeficiente de kurtosis.
ar
5.2.1.6. Distribución de Pearson Tipo III
in
Para aplicaciones en hidrologı́a, la curva de Pearson de mayor interés corresponde a la llamada Distribución
de Pearson Tipo III, que cumple con la condición de que el parámetro c = 0.
lim
Puede demostrarse por integración directa, que en este caso la función de densidad de frecuencia se reduce
a:
1 x−x0
f (x) = (x − x0 )α−1 e− b (5.65)
bα Γ(α)
re
Esta función se conoce también como distribución Gamma de 3 parámetros, ya que es una generalización de
la distribución Gamma de 2 parámetros, en que el lı́mite inferior no es nulo, sino:
rP
−a
x0 =
b
Las condiciones que deben cumplir las constantes de Pearson en este caso son,
do
c=0
b>0
rra
c=0
a = −bx0
d = x0 − b
Bo
En el caso particular x0 = 0, se cumple a = c = 0, b > 0, d > −b, con lo que la distribución queda en función
de 2 parámetros,
1
f (x) = xα−1 e−x/b (5.66)
bα Γ(α)
expresión que corresponde a la distribución Gamma de 2 parámetros, anteriormente vista.
Se cumple entonces que si la variable x > x0 tiene distribución Pearson Tipo III, entonces la variable
y = x–x0 > 0 tiene distribución Gamma de 2 parámetros, cumpliéndose las relaciones,
ȳ = x̄ − x0 (5.67)
s2y = s2x = b2 α (5.68)
ar
2
Cs,x = Cs,y = √ (5.69)
α
in
de donde los parámetros de la Distribución Pearson Tipo III se pueden estimar mediante las relaciones,
lim
4
α= 2
(5.70)
Cs,x
sx |Cs,x |
b=
re (5.71)
2
sx
rP
x0 = x̄ − 2 (5.72)
|Cs,x |
En el caso en que Cs,x sea nulo, la distribución es simétrica y tiende a la distribución normal.
Para el cálculo de la distribución Pearson Tipo III, hay que recurrir también a Tablas o integraciones
do
aproximadas. Como la distribución en este caso tiene 3 parámetros, el coeficiente de asimetrı́a debe ser
estimado en forma independiente a partir de los datos muestrales, con los estimadores del segundo (ec.
(5.15)) y tercer momento (ec. (5.16)) de la distribución,
rra
Ax
Cs,x = (5.73)
s3x
Bo
La misma Tabla 5.5 aplicable a la Distribución Gamma 2, sumada a la Tabla 5.6, que incluye los valores
de la variable reducida para coeficientes de asimetrı́a negativos, son aplicables a la Distribución Gamma 3,
las cuales permiten estimar la probabilidad de excedencia de la variable reducida o factor de frecuencia
x − x̄
k=
sx
en función del coeficiente de asimetrı́a.

Tabla 5.6: Factores de frecuencia para distribuciones Pearson Tipo III con asimetrı́a negativa.
Perı́odo de retorno (años)
1.01 1.053 1.25 2 5 10 25 50 100 200 500 1000 2000 10000
Cs
Probabilidad de excedencia
0.99 0.95 0.8 0.5 0.2 0.1 0.04 0.02 0.01 0.005 0.002 0.001 0.0005 0.0001
0 -2.326 -1.645 -0.842 0.000 0.842 1.282 1.751 2.054 2.326 2.576 2.878 3.090 3.291 3.719
-0.1 -2.400 -1.673 -0.836 0.017 0.846 1.270 1.716 2.000 2.253 2.482 2.757 2.948 3.128 3.507
-0.2 -2.472 -1.700 -0.830 0.033 0.850 1.258 1.680 1.945 2.178 2.388 2.637 2.808 2.967 3.299
ar
-0.3 -2.544 -1.726 -0.824 0.050 0.853 1.245 1.643 1.890 2.104 2.294 2.517 2.669 2.809 3.096
-0.4 -2.615 -1.750 -0.816 0.067 0.855 1.231 1.606 1.834 2.029 2.201 2.399 2.533 2.654 2.899
-0.5 -2.686 -1.774 -0.808 0.083 0.857 1.216 1.567 1.777 1.955 2.108 2.283 2.399 2.503 2.708
in
-0.6 -2.755 -1.797 -0.800 0.099 0.857 1.200 1.528 1.720 1.880 2.016 2.169 2.268 2.355 2.525
-0.7 -2.824 -1.819 -0.790 0.116 0.857 1.184 1.489 1.663 1.806 1.926 2.057 2.141 2.213 2.350
-0.8 -2.891 -1.839 -0.780 0.132 0.856 1.166 1.448 1.606 1.733 1.837 1.948 2.017 2.077 2.184
lim
-0.9 -2.957 -1.859 -0.769 0.148 0.854 1.147 1.407 1.549 1.660 1.749 1.842 1.899 1.946 2.029
-1 -3.023 -1.877 -0.758 0.164 0.852 1.128 1.366 1.492 1.588 1.664 1.741 1.786 1.822 1.884
-1.1 -3.087 -1.894 -0.745 0.180 0.848 1.107 1.324 1.444 1.518 1.581 1.643 1.678 1.706 1.751
-1.2 -3.149 -1.910 -0.733 0.195 0.844 1.086 1.282 1.379 1.449 1.501 1.550 1.577 1.597 1.628
-1.3 -3.211 -1.925 -0.719 0.210 0.838 1.064 1.240 1.324 1.383 1.424 1.462 1.482 1.497 1.518
-1.4
-1.5
-1.6
-3.271
-3.330
-3.388
-1.938
-1.951
-1.962
-0.705
-0.691
-0.675
0.225
0.240
0.254
0.832
0.825
0.817
re
1.041
1.018
0.994
1.198
1.157
1.116
1.270
1.217
1.166
1.318
1.256
1.197
1.351
1.282
1.216
1.380
1.303
1.231
1.394
1.313
1.238
1.404
1.319
1.242
1.418
1.328
1.247
-1.7 -3.444 -1.972 -0.660 0.268 0.808 0.970 1.075 1.116 1.140 1.155 1.165 1.170 1.172 1.175
rP
-1.8 -3.499 -1.981 -0.643 0.282 0.799 0.945 1.035 1.069 1.087 1.097 1.105 1.107 1.109 1.111
-1.9 -3.553 -1.989 -0.627 0.294 0.788 0.920 0.997 1.023 1.037 1.044 1.049 1.051 1.052 1.052
-2 -3.605 -1.996 -0.609 0.307 0.777 0.895 0.959 0.980 0.990 0.995 0.998 0.999 1.000 1.000
-2.1 -3.656 -2.001 -0.592 0.319 0.765 0.869 0.923 0.939 0.946 0.949 0.951 0.952 0.952 0.952
-2.2 -3.705 -2.006 -0.574 0.330 0.752 0.844 0.888 0.900 0.905 0.907 0.909 0.909 0.909 0.909
do
-2.3 -3.753 -2.009 -0.555 0.341 0.739 0.819 0.855 0.864 0.867 0.869 0.669 0.869 0.870 0.870
-2.4 -3.800 -2.011 -0.537 0.351 0.725 0.795 0.823 0.830 0.832 0.833 0.833 0.833 0.833 0.833
-2.5 -3.845 -2.012 -0.518 0.360 0.711 0.771 0.793 0.798 0.799 0.800 0.800 0.800 0.800 0.800
-2.6 -3.889 -2.013 -0.499 0.369 0.696 0.747 0.765 0.768 0.769 0.769 0.769 0.769 0.769 0.769
rra
-2.7 -3.932 -2.012 -0.479 0.376 0.681 0.724 0.738 0.740 0.740 0.741 0.741 0.741 0.741 0.741
-2.8 -3.973 -2.010 -0.460 0.384 0.666 0.702 0.712 0.714 0.714 0.714 0.714 0.714 0.714 0.714
-2.9 -4.013 -2.007 -0.440 0.390 0.651 0.681 0.688 0.689 0.690 0.690 0.690 0.690 0.690 0.690
-3 -4.051 -2.003 -0.420 0.396 0.636 0.660 0.666 0.666 0.667 0.667 0.667 0.667 0.667 0.667
-3.2 -4.125 -1.993 -0.381 0.405 0.606 0.622 0.625 0.625 0.625 0.625 0.625 0.625 0.625 0.625
Bo
-3.4 -4.193 -1.980 -0.341 0.410 0.577 0.587 0.588 0.588 0.588 0.588 0.588 0.588 0.588 0.588
-3.6 -4.256 -1.963 -0.302 0.414 0.549 0.555 0.556 0.556 0.556 0.556 0.556 0.556 0.556 0.556
-3.8 -4.314 -1.943 -0.264 0.414 0.522 0.526 0.526 0.526 0.526 0.526 0.526 0.526 0.526 0.526
-4 -4.368 -1.920 -0.226 0.413 0.498 0.500 0.500 0.500 0.500 0.500 0.500 0.500 0.500 0.500
-4.5 -4.483 -1.853 -0.137 0.400 0.444 0.444 0.444 0.444 0.444 0.444 0.444 0.444 0.444 0.444
Ejemplo 5.2.6:
Continuando con el mismo problema de los ejemplos anteriores, pero ahora se supone que los datos siguen
una distribución Gamma de 3 parámetros.
s
i=1 (xi − x̄)
PN PN 2
x
x̄ = = 1500 [m /s]; sx = = 732.1 [m3 /s];
i=1 i 3
N −1
ar
N
N i=1 (xi − x̄)3

PN
Ax = = 316612684.7;
(N − 1)(N − 2)
in
Calculando el coeficiente de asimetrı́a se obtiene
lim
Ax
Cs,x = = 0.8068
s3x
Considerando que b = 3100 [m3 /s] y entrando en la Tabla 5.5 con
Cs,x = 0.8068
re y k=
b − x̄
sx
= 2.185
rP
P (x > b) = 0.03096
⇓
do
1 1
T = = = 32.3 años
P (x > b) 0.03096
rra
5.2.1.7. Distribución Log – Pearson Tipo III
La distribución Log – Pearson Tipo III resulta de reemplazar la variable hidrológica original por sus logarit-
mos, en forma análoga a la relación entre las distribuciones normal y log-normal.
Su función de densidad de frecuencia, en consecuencia es,

Bo
1 y−y0
f (y) = (y − y0 )α−1 e− b (5.74)
bα Γ(α)
donde y = ln(x).
En consecuencia, los parámetros estadı́sticos son
ln(xi )
PN
ȳ = i=1
(5.75)
N
(ln(xi ) − ȳ)
PN 2
s2y = i=1
(5.76)
N −1
N i=1 (ln(xi ) − ȳ)

PN 3
Cs,y = (5.77)
(N − 1)(N − 2)s3y
y los parámetros de la distribución resultan
ar
4
α= 2
(5.78)
Cs,y
in
sy |Cs,y |
b= (5.79)
2
sy
y0 = ȳ − 2 (5.80)
lim
|Cs,y |
Esta distribución ha sido recomendada por el Water Resources Council de los Estados Unidos, como la
distribución más adecuada para la determinación de crecidas de diseño en los EE.UU., razón por la cual ha
ganado gran popularidad en los últimos años.
Ejemplo 5.2.7:
re
Continuando con el mismo problema de los ejemplos anteriores, pero ahora se supone que los datos siguen
una distribución Log – Pearson Tipo III.
rP
se aplica la transformación logarı́tmica y = ln(x) a los datos de la muestra entregados en la Tabla 5.3 (N = 30)
y se obtiene:
do
v
u N ln(y ) − ln(x) 2
uP
ln(yi )
PN
t i=1 i
ȳ = i=1
= 7.196; sy = = 0.505;
N N −1
rra
N i=1 (ln(xi ) − ȳ)

PN 3
Cs,y = = −0.2578;
(N − 1)(N − 2)s3y
Considerando que b = 3100 [m3 /s] y que ln(b) = 8.039, y luego entrando en la Tabla 5.6 con
Bo
ln(b) − ȳ
Cs,y = −0.2578 y k= = 1.670
sy
P (x > 3000) = 0.0391
⇓
1 1
T = = = 25.6 años
P (x > 3000) 0.0391
5.2.1.8. Distribuciones de Frecuencia Generalizadas
Como se ha analizado, cuando el tamaño de las muestras es pequeño, la estimación de los parámetros,
en particular el coeficiente de asimetrı́a, adquiere gran incertidumbre, caracterı́stica que se traslada a la
estimación de las variables asociadas a algún perı́odo de retorno. Como una manera de aminorar este problema
se han propuesto una serie de técnicas que tratan de reducir la incertidumbre, incorporando información
regional adicional disponible. Por ejemplo, se ha propuesto corregir los valores muestrales del coeficiente de
asimetrı́a ponderando su valor con estimaciones regionales de este parámetro, correspondiente a promedios
ar
de valores de estaciones vecinas.
También se ha propuesto trabajar con variables adimensionalizadas, dividiendo los valores por su valor
in
promedio e incorporando como una sola muestra, valores obtenidos de distintas estaciones vecinas, con lo
que se ampliarı́a el tamaño de la muestra y se reducirı́a la incertidumbre. Varas y Lara (1997) proponen un
modelo regional en función de parámetros fisiográficos y meteorológicos que permitirı́a incluso la estimación
lim
probabilı́stica de variables en lugares no controlados.
5.2.2. Uso de Intervalos de Confianza en Análisis de Frecuencia

re
En estricto rigor, la magnitud de un evento xT de perı́odo de retorno T , viene dada por la expresión
rP
xT = µ + k T σx (5.81)
donde µ y σx son el promedio y desviación estándar de la población y kT es el factor de frecuencia , función

de la distribución de frecuencia de la población y del perı́odo de retorno o probabilidad de excedencia del
evento.
do
En la práctica, como desconocemos los valores exactos de los parámetros de la distribución, los estimamos
con los parámetros muestrales, por lo que el valor estimado del evento xT , resulta
rra
xT = x̄ + kT sx (5.82)
donde x̄ y sx son los estimadores del promedio y desviación estándar en base a la información que proporciona
la muestra finita de tamaño N . En consecuencia, estos estimadores son a su vez variables aleatorias que
Bo
dependen de la distribución de frecuencia de la población y del tamaño de la muestra de la cual provienen. Es

posible entonces establecer un rango o intervalo de confianza, dentro del cual se espera en forma razonable,
que quede comprendido el valor correcto de la estimación. El tamaño del intervalo de confianza depende del
nivel β de confianza que se escoja.
A cada nivel de confianza le corresponde a su vez un nivel de significancia α, que viene dado por las
expresiones
1−β
α= o α=1−β (5.83)
2
dependiendo si la distribución de origen es abierta en sus dos extremos o sólo en uno, respectivamente.
Ası́ entonces, en el caso del promedio, se puede plantear la expresión
=
x = x ±kx,α σx (5.84)
donde los parámetros son el promedio y desviación estándar del estimador del promedio y kx,α es el coeficiente
de frecuencia asociado al nivel de significancia.
ar
Expresiones análogas pueden plantearse para cualquier estimador estadı́stico, en este caso, la desviación
estándar de la muestra.
in
En el caso de la distribución normal, la teorı́a estadı́stica nos dice que la variable
x̄ − µ
lim
t= √ (5.85)
sx / N
tiene una distribución “t” de Student, con ν = N − 1 grados de libertad.
Análogamente, en el caso de la distribución normal, la variable

re
χ2 =
(N − 1)s2x
(5.86)
σx2
rP
tiene una distribución χ2 con ν = N − 1 grados de libertad.
La distribución χ2 es un caso particular de la distribución Gamma de 2 parámetros, con los valores α = ν/2
y β = 2.
do
Despejando de estas expresiones los parámetros de la población y remplazando en la ecuación (5.82),

finalmente queda.
s
(N − 1)
rra
tα
xT = x̄ ± √ sx + kT sx (5.87)
N χ2α
Normalmente se trabaja con un nivel de confianza del 90 % (β = 0.9) por lo que la expresión anterior nos
da el lı́mite superior utilizando el signo positivo y un nivel de significancia de α = 0.05 o α = 0.1 , y el lı́mite
Bo
inferior del intervalo de confianza utilizando el signo negativo y el nivel de significancia complementario.
Tanto la distribución t de Student como la χ2 se hayan tabuladas para distintos niveles de significancia y
grados de libertad.
La distribución normal, sin embargo, generalmente no es apropiada para el análisis de frecuencia de datos
hidrológicos, sin embargo, trabajando con los logaritmos de los datos, el procedimiento descrito es aplicable
a la distribución log-normal.
Desgraciadamente, para distribuciones que presenten asimetrı́as distintas de cero (Cs 6= 0), el estableci-
miento de niveles de confianza se torna muy complejo o simplemente imposible; sin embargo, se acepta utilizar
en forma aproximada los lı́mites de la distribución normal para otras distribuciones.
En la Tabla 5.7 se entregan factores de corrección fc ,propuestos por el U.S. Water Resources Council, que
permiten una estimación aproximada de los lı́mites de confianza superior e inferior, utilizando las expresiones,
xT = x̄ + fc (α)kT sx (5.88)
ar
xT = x̄ + fc (1 − α)kT sx (5.89)
in
donde kT es el factor de frecuencia asociado a la distribución y al perı́odo de retorno asociado. El procedi-
miento es preciso para valores del coeficiente de asimetrı́a en el rango |Cs | < 0.5. Para asimetrı́as mayores,
se pierde precisión
lim
Ejemplo 5.2.8:
Se considera el ejemplo 5.2.7 del ajuste de la distribución log-Pearson, donde al caudal de Q = 3.100
[m3 /s] se le asignaba un perı́odo de retorno de T = 25.6 años. El problema de determinación de intervalos de
re
confianza se puede abordar en la determinación del intervalo de confianza del perı́odo de retorno estimado
para el caudal Q = 3.100 [m3 /s], o en términos de plantear el problema inverso de establecer el intervalo de
confianza de los caudales para el perı́odo de retorno estimado de T = 25.6 años.
rP
El segundo caso es de solución directa.
De los datos y solución del problema 5.2.7, se tiene:
1
do
T = 25.6 años; Pex = = 0.0391; N = 30;

T
ȳ = 7.196; sy = 0.505; Cs,y = −0.2578; z = kT = 1.670;
por lo que la estimación es precisa Para un nivel de confianza de β = 0.9, para una distribución abierta se
rra
tiene,
1−β
αs = = 0.05; αI = 0.95;
2
Bo
Interpolando en la Tabla 5.7, para N = 30 entre las probabilidades 0.02 y 0.05, se obtiene,
fc (αs ) = 1.343; fc (αI ) = 0.767;
Reemplazando en las ecuaciones (5.88) y (5.89), resulta
ys = ln(Qs ) = 7.196 + 1.343 · 1.670 · 0.505 = 8.329 ⇒ Qs = 4141 [m3 /s]
yI = ln(QI ) = 7.196 + 0.767 · 1.670 · 0.505 = 7.843 ⇒ QI = 2.547 [m3 /s]

Tabla 5.7: Factores de corrección fc (α) para estimación de intervalos de confianza (β = 0.9).
Perı́odo de retorno [años]
Nivel Tamaño 2.5 5 10 20 50 100 200 1000
Significancia Muestra Probabilidad de excedencia
α N 0.4 0.2 0.1 0.05 0.02 0.01 0.005 0.001
10 3.55 2.02 1.84 1.77 1.73 1.71 1.7 1.68
15 2.96 1.76 1.61 1.56 1.53 1.51 1.5 1.49
20 2.65 1.63 1.5 1.46 1.43 1.42 1.41 1.4
ar
30 2.31 1.49 1.39 1.35 1.33 1.32 1.31 1.3
0.05
40 2.12 1.41 1.32 1.29 1.27 1.26 1.26 1.25
50 1.99 1.36 1.28 1.26 1.24 1.23 1.23 1.22
in
70 1.84 1.3 1.23 1.21 1.2 1.18 1.18 1.18
100 1.69 1.25 1.19 1.17 1.16 1.15 1.15 1.15
10 2.9 1.75 1.61 1.56 1.53 1.52 1.51 1.5
lim
15 2.48 1.57 1.46 1.42 1.39 1.38 1.37 1.36
20 2.26 1.47 1.38 1.34 1.32 1.31 1.31 1.3
30 2 1.37 1.29 1.26 1.25 1.24 1.23 1.23
0.1
40 1.86 1.31 1.25 1.22 1.21 1.2 1.2 1.19
50
70
100
1.76
1.65
1.54
re
1.28
1.23
1.19
1.22
1.18
1.15
1.19
1.16
1.13
1.18
1.15
1.12
1.18
1.14
1.12
1.17
1.14
1.12
1.17
1.14
1.11
10 -0.64 0.51 0.65 0.7 0.72 0.74 0.75 0.76
rP
15 -0.26 0.62 0.72 0.76 0.78 0.79 0.79 0.8
20 -0.14 0.64 0.74 0.77 0.79 0.8 0.81 0.82
30 0.07 0.7 0.78 0.81 0.83 0.83 0.84 0.85
0.9
40 0.2 0.74 0.81 0.83 0.85 0.85 0.86 0.86
do
50 0.28 0.76 0.83 0.85 0.86 0.87 0.87 0.88

70 0.4 0.8 0.85 0.87 0.88 0.89 0.89 0.89
100 0.5 0.83 0.87 0.89 0.9 0.9 0.91 0.91
10 -1.14 0.38 0.56 0.62 0.66 0.67 0.68 0.7
rra
15 -0.71 0.48 0.63 0.68 0.71 0.72 0.73 0.74

20 -0.47 0.55 0.67 0.71 0.74 0.75 0.76 0.77
30 -0.19 0.62 0.72 0.76 0.78 0.79 0.8 0.81
0.95
40 -0.03 0.67 0.76 0.79 0.81 0.81 0.82 0.83
50 0.07 0.7 0.78 0.81 0.82 0.83 0.84 0.84
Bo
70 0.22 0.75 0.81 0.84 0.85 0.86 0.86 0.86

100 0.35 0.79 0.84 0.86 0.87 0.88 0.88 0.89
En definitiva, para un perı́odo de retorno de T = 25.6 años, el caudal esperado es de Q = 3100 [m3 /s],
pudiendo establecerse con un nivel de confianza del 90 %, que el verdadero valor estará comprendido aproxi-
madamente entre los lı́mites 2547 y 4141 [m3 /s].
La solución al problema inverso, de establecer los lı́mites de confianza de los perı́odos de retorno corres-
pondientes al caudal Q = 3100 [m3 /s], resultan de establecer por tanteo, con la ayuda de las Tablas 5.6 y
5.7, para qué perı́odos de retorno se cumple en este ejemplo, la relación

y − ȳ
fc (α, T ) · kT = = z = 1.670
sy
Para el coeficiente de asimetrı́a Cs,y = −0.2578 y los valores de alfa 0.05 y 0.95.
5.2.3. Selección de Modelos Probabilı́sticos
ar
Los procedimientos descritos en los acápites anteriores permiten determinar el perı́odo de retorno de una
cierta magnitud de un evento hidrológico o, inversamente, calcular la magnitud del evento asociado a un
perı́odo de retorno determinado, siempre y cuando se sepa o se suponga a priori, cuál es la función de
in
densidad de frecuencia que posee la población de la cual fue extraı́da la muestra.
Como se vio en los ejemplos desarrollados, el resultado de un análisis de frecuencia efectuado a una
lim
misma serie de datos será distinto dependiendo de la función de densidad de frecuencia que se adopte como
distribución más apropiada para los datos.
De hecho, para los ejemplos del Rı́o Maule en Armerillo, el caudal estimado de Q = 3100 [m3 /s], resultó con
los siguientes perı́odos de retorno según la distribución elegida
re
Tabla 5.8: Resumen obtenidos en los ejemplos 5.2.1 a 5.2.7.
DISTRIBUCION T [años]
rP
Normal 69.4
Logarı́tmico normal 21.1
Valores extremos Tipo I, Gumbel 19.9
Valores Extremos Tipo III, acotada superiormente 24.4
Valores extremos Tipo III Weibull 17.1
do
Gamma de 2 parámetros 30.3

Gamma de 3 parámetros o Pearson 32.3
Log-Pearson 25.6
rra
En este caso, salvo la distribución normal, que no puede adaptarse a una serie de datos con asimetrı́a, el
resto de las distribuciones nos dice que el perı́odo de retorno del caudal señalado, osciları́a entre los 20 a 30
años aproximadamente. Este rango de variación, de ya importante, se acentúa enormemente al evaluar eventos
Bo
más extremos, de alto perı́odo de retorno, lo que obliga a adoptar algún criterio objetivo para establecer cuál
de los resultados obtenidos es el más adecuado, lo que implica establecer cuál de las distribuciones teóricas
es la que mejor se ajusta a la distribución empı́rica de los datos. En otras palabras, habrá que inferir a
partir de la información proporcionada por la muestra, cuál es la distribución que mejor se ajusta a los datos
disponibles, es decir, se deberá escoger aquella función de densidad de frecuencia que mejor coincida con la
forma del histograma normalizado de la muestra.
La teorı́a estadı́stica nos proporciona tests que permiten establecer, con un determinado nivel de confianza,
cuál distribución o distribuciones es posible aceptar como representativa de los datos disponibles. Los tests
más comúnmente utilizado corresponden al Test χ2 y al Test Kolmogorov- Smirnov.
5.2.3.1. Test o Prueba χ2
Si se dispone de una muestra de datos de tamaño N, es posible dividir el rango de variación de la variable
en K intervalos de clase y determinar para cada uno de ellos la frecuencia absoluta o número de datos de
la muestra que caen dentro de cada intervalo, confeccionando ası́ el histograma absoluto de la muestra y la
respectiva frecuencia absoluta (fi ) para cada uno de los intervalos.
El número de intervalos de clases que reproduce en forma adecuada la forma de la distribución de origen,
ar
puede estimarse mediante la relación aproximada,
K = 1 + 1.45 ln(N ) (5.90)
in
recomendándose además que el valor de K sea igual o superior a K = 5 y que a su vez, la frecuencia absoluta
observada de cada intervalo sea igual o superior a fi = 5.
lim
El Test se basa en adoptar la hipótesis nula respecto a que los datos provienen de un universo con una
cierta función de frecuencia dada f (x), conocida.
Si la hipótesis es válida, entonces si se designa con Ci el lı́mite superior de un intervalo de clase cualquiera,
la probabilidad de la variable aleatoria de caer dentro de ese intervalo queda dada por la integral,
re Z Ci
P (Ci−1 < x < Ci ) = Pi = f (x)dx (5.91)
rP
Ci−1
de donde el valor teórico esperado de la frecuencia absoluta de ese intervalo de clase queda dado por la
expresión
ti = N · Pi (5.92)
do
Manteniendo la validez de la hipótesis, la diferencia entre el valor teórico y el observado
ε = (fi − ti ) (5.93)
sólo puede provenir de un error de muestreo, teniendo según la teorı́a de errores una distribución normal.
rra
Se demuestra en ese caso que la variable,
(fi − ti )2
K
χ2m = (5.94)
Bo
i=1
ti
se aproxima a una distribución χ2 con ν = K − s − 1 grados de libertad, donde s es el número de parámetros

de la función de densidad de frecuencia en análisis. Se recuerda que la distribución χ2 es un caso particular de
la distribución gamma de 2 parámetros y se encuentra tabulada para distintas probabilidades de excedencia
y distintos grados de libertad.
Escogiendo un nivel de significancia α, se cumple con un nivel de confianza (1 − α) que la variable χ2m
debiera tomar valores menores que el valor χ2ν,(1−α) correspondiente al valor de la variable χ2 que tiene una
probabilidad de excedencia α.
En consecuencia la prueba es la siguiente: Se compara el valor obtenido de la muestra χ2m con el valor de
la variable χ2ν,(1−α) , tabulado para un cierto nivel de confianza elegido,
Si χ2m < χ2ν,(1−α) : No hay argumentos para rechazar la hipótesis nula de que los datos provienen de
la distribución f (x) elegida.
Si χ2m ≥ χ2ν,(1−α) : Se rechaza la hipótesis nula, ya que es muy poco probable, con el nivel de con-
fianza elegido, que la variable alcance un valor tan grande, si realmente los datos correspondieran a la
ar
distribución en análisis.
Es importante hacer notar que si bien este test permite rechazar una distribución por no ser adecuada, en
in
ningún caso permite probar que una distribución aceptada sea realmente la correcta.
Si al probar distintas distribuciones resulta que dos o más de ellas pueden ser aceptadas, normalmente se
lim
elige como más probable a aquella distribución que arroje el menor valor de la variable χ2m .
Con el propósito de minimizar los errores de Tipo I, normalmente se acostumbra trabajar con un nivel de
confianza del 95 % o α = 0.05. En la Tabla 5.9 se incluyen los valores de la distribución para distintos grados
de libertad y niveles de significancia. re
Tabla 5.9: Valores de χ2ν,(1−α) .
Nivel de significancia (α)

rP
ν
0.2 0.1 0.05 0.02 0.01 0.005 0.002 0.001
1 1.64 2.71 3.84 5.41 6.63 7.88 9.55 10.83
2 3.22 4.61 5.99 7.82 9.21 10.60 12.43 13.82
3 4.64 6.25 7.81 9.84 11.34 12.84 14.80 16.27
4 5.99 7.78 9.49 11.67 13.28 14.86 16.92 18.47
do
5 7.29 9.24 11.07 13.39 15.09 16.75 18.91 20.52

6 8.56 10.64 12.59 15.03 16.81 18.55 20.79 22.46
7 9.80 12.02 14.07 16.62 18.48 20.28 22.60 24.32
rra
8 11.03 13.36 15.51 18.17 20.09 21.95 24.35 26.12

9 12.24 14.68 16.92 19.68 21.67 23.59 26.06 27.88
10 13.44 15.99 18.31 21.16 23.21 25.19 27.72 29.59
11 14.63 17.28 19.68 22.62 24.72 26.76 29.35 31.26
12 15.81 18.55 21.03 24.05 26.22 28.30 30.96 32.91
Bo
13 16.98 19.81 22.36 25.47 27.69 29.82 32.54 34.53

14 18.15 21.06 23.68 26.87 29.14 31.32 34.09 36.12
15 19.31 22.31 25.00 28.26 30.58 32.80 35.63 37.70
16 20.47 23.54 26.30 29.63 32.00 34.27 37.15 39.25
17 21.61 24.77 27.59 31.00 33.41 35.72 38.65 40.79
18 22.76 25.99 28.87 32.35 34.81 37.16 40.14 42.31
19 23.90 27.20 30.14 33.69 36.19 38.58 41.61 43.82
20 25.04 28.41 31.41 35.02 37.57 40.00 43.07 45.31
5.2.3.2. Test o Prueba de Kolmogorov – Smirnov
Un procedimiento alternativo a la Prueba χ2 para evaluar la bondad de ajuste de la distribución de una

determinada muestra respecto de alguna distribución teórica, corresponde al Test de Kolmogorov-Smirnov,
que presenta para muestras pequeñas la caracterı́stica de ser más potente.
A diferencia del Test χ2 , que compara las diferencias entre el histograma de la muestra y la función
de densidad de frecuencia, este test compara la función de frecuencia acumulada de la distribución teórica
ar
ensayada F (x) con la curva de frecuencia acumulada empı́rica que se obtiene de los datos.
Si la función teórica de frecuencia acumulada es
in
F (x0 ) = P (x ≤ x0 ) (5.95)
lim
entonces la función empı́rica vale,
N0
Fe (x0 ) = P (x ≤ x0 ) ∼
= (5.96)
N
re
Donde N0 es el número de valores de la muestra de magnitud menor o igual a x0 y N es el tamaño total de
la muestra.
En teorı́a si el tamaño de la muestra tiende a infinito y la hipótesis nula respecto a que la función de
rP
frecuencia acumulada ensayada es la correcta, los valores de F (x) y Fe (x) debieran coincidir. Para muestras
finitas, manteniendo la validez de la hipótesis nula, las diferencias entre F (x) y Fe (x) corresponde a errores
de muestreo y análogamente a la prueba anterior, se demuestra que si la hipótesis nula adoptada es válida,
entonces la variable D definida por el valor absoluto de la mayor diferencia entre F (x) y Fe (x),
do
D = max|Fe (xi ) − F (xi )| i = 1, · · · , N (5.97)

rra
Tiene una distribución de Kolmogorov Dν,α de ν = N − s − 1 grados de libertad, que está tabulada para
distintos niveles de significancia α.
En definitiva, comparando el valor muestral D con la variable de referencia Dν,α , se tiene

Bo
Si D < Dν,α : No hay argumentos para rechazar la hipótesis nula de que los datos provienen de la
distribución F (x) elegida.
Si D ≥ Dν,α : Se rechaza la hipótesis nula, ya que es muy poco probable, con el nivel de confianza elegi-
do, que la variable alcance un valor tan grande, si realmente los datos correspondieran a la distribución
en análisis.
En general, se dispone de muestras de tamaño finito, lo que provoca una incertidumbre en el valor de D.
Esto se aprecia en la Figura 5.2.
ar
in
lim
Figura 5.2: Incertidumbre en el valor de D para muestras de tamaño finito.
En este caso, para el calculo de D deben obtenerse las siguientes expresiones

re
D+ = max|Fe (xi ) − F (xi )| i = 1, · · · , N (5.98)
rP
D− = max|Fe (xi−1 ) − F (xi )| i = 1, · · · , N (5.99)
y a partir de estos valores:

do
D = max D+ , D− (5.100)

La Tabla 5.10 entrega valores de la distribución de Kolmogorov para distintos grados de libertad y un nivel
de confianza del 95 %.
rra
Bo
5.3. Análisis de Frecuencia Directo o Gráfico 141
Tabla 5.10: Valores de Dν,α

Nivel de significanción α
N
0.2 0.1 0.05 0.02 0.01 0.005 0.002 0.001
1 0.9000 0.9500 0.9750 0.9900 0.9950 0.9975 0.9990 0.9995
2 0.6834 0.7764 0.8419 0.9000 0.9293 0.9500 0.9684 0.9776
3 0.5648 0.6360 0.7076 0.7846 0.8290 0.8643 0.9000 0.9207
4 0.4927 0.5652 0.6239 0.6889 0.7342 0.7764 0.8222 0.8505
5 0.4470 0.5095 0.5633 0.6272 0.6685 0.7054 0.7500 0.7814
ar
6 0.4104 0.4680 0.5193 0.5774 0.6166 0.6529 0.6957 0.7248
7 0.3815 0.4361 0.4834 0.5384 0.5758 0.6098 0.6507 0.6793
8 0.3583 0.4096 0.4543 0.5065 0.5418 0.5743 0.6137 0.6410
in
9 0.3391 0.3875 0.4300 0.4796 0.5133 0.5444 0.5821 0.6085
10 0.3226 0.3687 0.4093 0.4556 0.4889 0.5187 0.5550 0.5804
11 0.3083 0.3524 0.3912 0.4367 0.4677 0.4954 0.5314 0.5559
lim
12 0.2958 0.3382 0.3754 0.4192 0.4491 0.4767 0.5105 0.5342
13 0.2847 0.3255 0.3614 0.4036 0.4325 0.4592 0.4919 0.5149
14 0.2748 0.3142 0.3489 0.3897 0.4176 0.4435 0.4752 0.4975
15 0.2659 0.3040 0.3375 0.3771 0.4042 0.4293 0.4561 0.4818
16
17
18
0.2578
0.2504
0.2436
0.2947
0.2863
0.2785
0.3273
0.3180
0.3094
re0.3657
0.3553
0.3457
0.3920
0.3809
0.3706
0.4164
0.4046
0.3938
0.4464
0.4338
0.4222
0.4675
0.4554
0.4423
19 0.2374 0.2714 0.3014 0.3369 0.3612 0.3838 0.4116 0.4312
rP
20 0.2316 0.2647 0.2941 0.3287 0.3524 0.3745 0.4017 0.4209
21 0.2252 0.2586 0.2872 0.3210 0.3443 0.3659 0.3924 0.4112
22 0.221I5 0.2528 0.2809 0.3139 0.3367 0.3578 0.3838 0.4022
23 0.2165 0.2475 0.2749 0.3073 0.3295 0.3503 0.3758 0.3938
do
24 0.2121 0.2424 0.2693 0.3010 0.3229 0.3432 0.3679 0.3859

25 0.2079 0.2377 0.2640 0.2952 0.3166 0.3365 0.3610 0.3774
26 0.2040 0.2332 0.2591 0.2896 0.3096 0.3302 0.3543 0.3714
27 0.2003 0.2290 0.2544 0.2844 0.3050 0.3243 0.3479 0.3647
rra
28 0.1968 0.2250 0.2499 0.2794 0.2997 0.3186 0.3419 0.3584

29 0.1935 0.2212 0.2457 0.2747 0.2947 0.3133 0.3362 0.3524
30 0.1903 0.2176 0.2417 0.2702 0.2899 0.3082 0.3307 0.3467
32 0.1845 0.2109 0.2342 0.2619 0.2809 0.2987 0.3206 0.3361
34 0.1791 0.2147 0.2274 0.2543 0.2727 0.2901 0.3113 0.3264
Bo
36 0.1742 0.1991 0.2212 0.2473 0.2653 0.2821 0.3028 0.3175

38 0.1697 0.1939 0.2154 0.2409 0.2584 0.2748 0.2950 0.3093
40 0.1655 0.1891 0.2101 0.2349 0.2521 0.2680 0.2877 0.3017
42 0.1616 0.1847 0.2052 0.2294 0.2461 0.2617 0.2810 0.2947
44 0.1580 0.1805 0.2006 0.2243 0.2406 0.2559 0.2747 0.2881
46 0.1546 0.1767 0.1963 0.2194 0.2354 0.2504 0.2688 0.2819
48 0.1514 0.1730 0.1922 0.2149 0.2306 0.2452 0.2633 0.2761
50 0.1484 0.1696 0.1884 0.2107 0.2260 0.2404 0.2581 0.2707
5.3. Análisis de Frecuencia Directo o Gráfico
Como alternativa al análisis de frecuencia puramente analı́tico de los datos hidrológicos, existe la posibilidad
de realizar un análisis de frecuencia directo o gráfico, que tiene la ventaja de permitir una mejor visualización
del comportamiento de las variables en análisis y la intervención del criterio y experiencia del analista. Los
resultados incorporan algo de subjetividad, pero el método puede llegar a ser tanto o más potente que el
método analı́tico puro. Incluso, aún cuando el análisis se haga con los procedimientos analı́ticos antes descritos,
ar
para la presentación y visualización de los resultados, suelen utilizarse las técnicas del análisis gráfico.
El método gráfico de análisis de frecuencia consiste simplemente en construir una curva de frecuencia
acumulada de la variable en forma empı́rica, a partir de la información disponible, sin recurrir en principio a
in
ningún modelo o distribución teórico.
Esto implica atribuir una cierta probabilidad o perı́odo de retorno a los valores de la muestra disponible
lim
y con ello construir una curva empı́rica de probabilidad de excedencia en función de la magnitud de cada
evento. La probabilidad de excedencia que se le asigne a cada valor observado de la serie de datos se conoce
con el nombre de posición de trazado o posición de ploteo.
Si ordenamos la serie de datos disponible de mayor a menor, y le asignamos un número de orden m a cada
re
dato, tal que al mayor le corresponde el valor m = 1, y al menor, el valor m = N , la probabilidad empı́rica
de excedencia de cada valor de la muestra valdrá
rP
m
Pex = (5.101)
N
Esta expresión se conoce como la probabilidad empı́rica o posición de ploteo de California, que serı́a
la probabilidad exacta si estuviésemos trabajando con el universo completo. Al trabajar con una muestra
do
finita de tamaño N, esta expresión presenta el inconveniente de que al menor valor medido le asigna una
probabilidad de excedencia Pex = 1, es decir, niega la posibilidad de que pueda existir un evento de magnitud
menor al menor evento medido.
rra
Para subsanar este inconveniente, se han propuesto una serie de fórmulas que pretenden disminuir el sesgo
de la estimación adoptando una estructura del tipo
m−b
Pex = 0 ≤ b ≤ 0.5 (5.102)
N + 1 − 2b
Bo
En la Tabla 5.11 se presentan los valores de la constante “b” propuestos por distintos autores.
Tabla 5.11: valores de la constante b.

Autor Año b
A. Hazen 1930 0.5
Weibull 1939 0
Chegodayev 1955 0.3
Gringorten 1963 0.44
Se ha sugerido que el valor más apropiado de la constante b depende de la distribución teórica a la cual
pertenezcan los datos, pero lo más habitual es utilizar la posición de ploteo propuesta por Weibull, utilizando
el valor b = 0, con lo que la expresión queda,
m
Pex = (5.103)
N +1
Disponiendo de los pares (x, Pex ), es posible graficarlos, obteniéndose una representación empı́rica de la
ar
función de frecuencia acumulada de los datos. Para fines prácticos, salvo para los eventos más extremos, las
diferencias entre las distintas fórmulas de ploteo no son significativas, luego al ajustar la curva debe dársele
menos ponderación a los valores extremos, que presentan mayor incertidumbre.
in
Disponiendo de la curva de frecuencia acumulada empı́rica, esta puede utilizarse sin mayor error para
interpolar valores dentro del rango de valores medidos. Cuando se trata de extrapolar valores a perı́odos de
lim
retorno más extremos, el procedimiento se torna muy incierto, ya que el error de extrapolación de curvas
puede ser de magnitud considerable,
El procedimiento en estos casos consiste en comparar gráficamente la curva de frecuencia acumulada

empı́ricamente determinada, con curvas de frecuencia acumulada de distribuciones de frecuencia teóricas y
re
ver cual de ellas se ajusta mejor. Para facilitar esta comparación, y especialmente para dar mayor seguridad a
la extrapolación de datos, se recurre a un tipo de gráfico especial, llamado gráfico o papel de probabilidades,
en el cual se distorsiona la escala de probabilidades de tal manera que la curva de frecuencia acumulada de
rP
la distribución teórica se transforma en una recta. Deberá existir, por lo tanto, un papel de probabilidades
para cada distribución de frecuencia.
El procedimiento para la confección de un gráfico o papel de probabilidades se ilustra en la Figura 5.3, para
el caso de la distribución normal centrada y reducida. A escala natural, la curva de frecuencia acumulada,
do
que corresponde a la integración de la campana de Gauss, es una curva conocida (curva cian), asintótica a
más y menos infinito para el rango de probabilidades entre 0 y 1. Simplemente imponiendo una recta (lı́nea
roja) como curva de frecuencia acumulada, es posible determinar para cada valor de la variable z, a través
de la recta, el valor correspondiente a su probabilidad, en la escala de probabilidades.
rra
Al valor z = −1, le corresponde según la curva cian una probabilidad de P = 0.159, valor que se impone en
la escala de probabilidades para el mismo valor z = −1 de la recta roja. Análogamente, para z = 0, P = 0.5,
para z = 1, P = 0.841, para z = 2, P = 0.977 y ası́ sucesivamente. La curva resultante es para la variable
Bo
centrada y reducida, pero puede generalizarse desplazando el origen y utilizando la desviación estándar como
factor de escala.
El gráfico resultante, intercambiando los ejes de coordenadas, denominado papel de probabilidades se

muestra en la Figura 5.4. Una serie de datos que estén normalmente distribuidos, se alinearán en ese gráfico
formando una recta, de fácil extrapolación. Si la escala natural de las ordenadas se transforma a escala
logarı́tmica, se tiene el papel logarı́tmico-probabilidades, que sirve para la distribución logarı́tmico normal.
1.0
0.9
0.977
0.8
0.841 0.7
0.6
0.5
0.4
0.159
ar
0.3
0.2
0.1
0
in
Figura 5.3: Curva de frecuencia acumulada distribución normal centrada y reducida.
lim
Para la distribución de valores extremos Tipo I, existe el llamado papel de probabilidades Gumbel-Powel,
que es simplemente un gráfico o papel en escala natural llevando como variables, la variable hidrológica “x” y
la variable reducida “y”, ya que de acuerdo a la ecuación (5.31), la relación entre dichas variables corresponde
re
a una recta. La probabilidad de excedencia se lleva en una escala auxiliar, paralela a la escala de la variable
reducida “y”, la cual se determina a partir de la ecuación
rP
Pex = 1 − e−e (5.104)
−y
Las Figuras 5.5 y 5.6 muestran los papeles Log-normal y Gumbel-Powel.
Para distribuciones de forma variable como la Gamma o Pearson III, habrı́a que construir un gráfico con
do
escalas ad hoc, para cada combinación de parámetros, por lo que el método gráfico se hace impracticable, y
sólo se acostumbra graficar dichas distribuciones, en forma de curvas no lineales, en alguno de los papeles antes
descritos. La selección de la distribución de mejor ajuste, puede hacerse a criterio, en forma de inspección
rra
visual, seleccionando la distribución cuya curva coincida mejor con la curva de frecuencia acumulada empı́rica,
recordando darle menor importancia a los puntos extremos, ya que para ellos la probabilidad calculada con
las fórmulas de ploteo es cada vez menos confiable.
La Figura 5.7, muestra, aprovechando la potencialidad de una planilla Excell, el ajuste gráfico de diversas
Bo
curvas teóricas de frecuencia a los datos de la estación Maule en Armerillo, ploteados con la fórmula de
Weibull en un papel logarı́tmico-probabilidades.
99.99 99.95 99.9 99.5 99 98 95 90 80 70 60 50 40 30 20 10 5 2 1 0.5 0.1 0.05 0.01
Bo
rra
5.3. Análisis de Frecuencia Directo o Gráfico
do
rP
re
Figura 5.4: Papel normal de probabilidades..

lim
in
0.01 0.05 0.1 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.9 99.95 99.99
145
ar
ar
in
lim
re
rP
do
rra
Bo
Fuente: Manual de Carreteras, MOP (2014).

Figura 5.5: Papel Log-normal de probabilidades.
ar
in
lim
re
rP
do
rra
Bo
Fuente: Manual de Carreteras, MOP (2014).

Figura 5.6: Papel Gumbel-Powel.
148
1000 1000
Bo
rra
100 100
do
Prec [mm]
10 10
rP
Figura 5.7: Análisis gráfico excel.

re
1 1
0.01 0.1 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.9 99.99
lim
Probabilidad [%]
WEIBULL EMPÍRICA PEARSON GUMBEL LOG-NORMAL LOG-PEARSON

in
Análisis de Frecuencia en Hidrologı́a
ar
5.5. Selección del Perı́odo de Retorno de Diseño 149
5.4. Coeficientes de Frecuencia
Una alternativa para establecer la magnitud asociada a un cierto perı́odo de retorno, es recurrir al concepto
de coeficiente de frecuencia CT , definido por la relación,
xT
CT = (5.105)
x10
ar
donde xT es la magnitud de la variable asociada a un perı́odo de retorno de T años, y x10 es la magnitud,
supuestamente conocida, asociada a un perı́odo de retorno de 10 años.
in
En la publicación de la DGA (1989), “Investigación de Eventos Meteorológicos Extremos, Precipitaciones
Máximas en 24, 48 y 72 horas”, se presenta un exhaustivo análisis de las precipitaciones máximas con perı́odo
de retorno de 10 años, y de los respectivos coeficientes de frecuencia para otros perı́odos de retorno.
lim
5.5. Selección del Perı́odo de Retorno de Diseño
re
El perı́odo de retorno o probabilidad de excedencia que se obtiene mediante el análisis de frecuencia corres-
ponde al intervalo promedio de tiempo en que una magnitud dada de un evento hidrológico se excede una
vez, pero no nos proporciona ninguna información referente a la probabilidad de que dicho evento ocurra
rP
dentro de la vida útil de una determinada obra.
La pregunta que se plantea entonces es la siguiente: Si proyectamos, por ejemplo, la altura y longitud de
un puente de manera que permita el paso de una crecida con un perı́odo de retorno de, digamos, 500 años,
qué seguridad tenemos de que esa crecida no vaya a ocurrir dentro de los próximos 50 años, que es la vida útil
do
que estimamos para dicha obra? Inversamente, nos podemos preguntar, ¿con qué perı́odo de retorno debemos
diseñar una determinada obra hidráulica para tener una cierta seguridad de que no vaya a fallar dentro de
la vida útil de la misma?
rra
Las respuestas se pueden encontrar mediante la aplicación de una de las distribuciones discretas más
importantes de la estadı́stica, la cual es la distribución binomial.
Bo
5.5.1. Distribución Binomial
Esta distribución, basada en los conceptos de “éxito” o “fracaso”, nos da la probabilidad de tener x éxitos al
efectuar N ensayos independientes de un experimento cuya probabilidad de éxito es P .
Si la probabilidad de excedencia de un evento hidrológico es “P ”, y a esto lo llamamos “éxito”, entonces

la probabilidad de no excedencia o “fracaso” será (1 − P ) y la probabilidad de tener x éxitos en N ensayos
será P x (1−P )N −x para un determinado orden de ocurrencia de los sucesos. Como el número de combinaciones
en que x éxitos pueden ocurrir en N ensayos es N x , entonces la probabilidad de tener x éxitos en N ensayos

cuando la probabilidad de éxito es P , será


N
P (x, N, P ) = P x (1 − P )N −x (5.106)
x
Si la probabilidad de excedencia del evento hidrológico proviene del análisis de una serie de excedencias
anuales, entonces N el número de ensayos, pasa a ser un número de años y P es el recı́proco del perı́odo de
retorno.
De lo anterior resulta que la probabilidad de tener 0 “éxitos” en N años, es decir, que la magnitud no se
ar
exceda en N años y por lo tanto la obra no falle, será
P (0, N, P ) = (1 − P )N (5.107)
in
y la probabilidad o riesgo J de que la obra falle en un perı́odo de N años, será el complemento,
lim
J = 1 − P (0, N, P ) = 1 − (1 − P )N (5.108)
1
N
J =1− 1− (5.109)
T
re
Por ejemplo, si aceptamos un riesgo de falla J del 5 % de que la obra falle dentro de un perı́odo de previsión
N de 10 años, el perı́odo de retornos de diseño será,
rP
1
N
J =1− 1−
T
1
10
0.05 = 1 − 1 − ⇒ T = 195 años
T
do
5.5.2. Distribución de Poisson
En forma alternativa al procedimiento anterior y tal vez con mayor propiedad, pues asocia el fenómeno con
rra
la variable tiempo, puede utilizarse la distribución de Poisson. Esta es una distribución continua que resulta
como distribución lı́mite de la distribución binomial, cuando la probabilidad del evento tiende a 0 y el número
de ensayos tiende a infinito, tendiendo el producto p · N a un valor constante λ, que pasa a ser la tasa media
de ocurrencia del evento, es decir, en este caso, el recı́proco del perı́odo de retorno T .
Bo
La distribución de Poisson da la probabilidad de que ocurran x eventos en un intervalo de tiempo, cuando

la tasa media de ocurrencia de este en dicho intervalo es λ.
λx e−λ
P (x, λ) = (5.110)
x!
Luego la probabilidad de que no falle en un año cualquiera (x = 0) resulta
P (0, λ) = e−λ (5.111)

5.5. Selección del Perı́odo de Retorno de Diseño 151
Como la suma de distribuciones Poisson de parámetros λi , es otra distribución Poisson de parámetro λT =

λi , la probabilidad de que no falle en N años de vida útil es
P
P = e−N λ = e−N/T (5.112)
y el riesgo hidrológico de falla será el complemento
ar
J = 1 − P = 1 − e−N/T (5.113)
Volviendo al ejemplo anterior, si J = 0.05 y N = 10
in
0.05 = 1 − e−10/T ⇒ T = 195 años
lim
que es el mismo resultado anteriormente.
5.5.3. Estadı́sticas con Valores Nulos

re
En zonas áridas o semiáridas como es el caso de la zona norte de Chile, puede ocurrir que las series sean de
precipitación o caudales máximos anuales, contengan valores nulos. Esta situación distorsiona la verdadera
distribución de la variable y de hecho inhabilita el uso de distribuciones logarı́tmicas.
rP
Una manera de salvar esta situación es diferenciar previamente los años con precipitación de aquellos sin
precipitación, trabajando con el subconjunto de años con valores no nulos. Los resultados que se obtengan
serán probabilidades condicionadas a que haya llovido, valores que deberán multiplicarse por la probabilidad
de que exista lluvia para convertirlos a probabilidades absolutas.
do
Ejemplo: Tenemos una serie de valores máximos anuales para un perı́odo total de 56 años, dentro de los
cuales se han registrado 7 años con valores nulos. Entonces empı́ricamente la probabilidad de años con eventos
nulos es
rra
7
P (0) = = 0.125
56
Por lo tanto, la probabilidad de un año con lluvia será el complemento,
Bo
P (LL) = 1 − 0.125 = 0.875
Luego se calculan los estadı́grafos y se procede al análisis de frecuencia con el subconjunto de 49 años con
valores no nulos. Suponiendo que se llega a un resultado que nos dice que la probabilidad de excedencia de
una lluvia de 75 [mm] es de
P (x > 75|LL) = 0.012
es decir, un perı́odo de retorno condicional de T = 1/0.012 = 83.33 años.

Ası́, la probabilidad de excedencia corregida será
P (x > 75) = P (x > 75|LL) · P (LL) = 0.012 · 0.875 = 0.0105
y el verdadero perı́odo de retorno será T = 1/0.0105 = 95.24 años.
ar
5.6. Presentación Estadı́stica de Variables Hidrológicas
Todas las variables hidrológicas, y a diferentes escalas de tiempo, pueden ser consideradas como variables
in
aleatorias y en consecuencia ser sometidas a análisis de frecuencia asociando sus magnitudes a respectivas
probabilidades de excedencia o perı́odos de retorno. Para facilitar la interpretación de los resultados que se
obtienen, estos suelen representarse en forma gráfica, destacando por su importancia práctica las curvas de
lim
Intensidad-duración-frecuencia de precipitaciones, las curvas de variación estacional y las curvas de duración
general.
5.6.1. Curvas Intensidad-Duración-Frecuencia

re
Volviendo al problema de la estimación de intensidades de precipitación, se definió la curva Intensidad-
rP
Duración como la representación gráfica de la intensidad media máxima de precipitación en función del
intervalo de duración de la misma, existiendo para cada tormenta su respectiva curva. Ahora, si se dispone
de un número suficientemente grande de tormentas a las que se le ha confeccionado su curva de intensidad-
duración, es posible someter a un análisis de frecuencia a las series formadas por las intensidades medias
máximas de cada tormenta correspondientes a una misma duración, obteniéndose como resultado la proba-
do
bilidad de excedencia o perı́odo de retorno asociado a cada magnitud de intensidad de precipitación, para
cada uno de los intervalos de duración considerados. Los resultados obtenidos pueden representarse mediante
las curvas intensidad-duración-frecuencia, curvas IDF que corresponden a una familia de curvas intensidad-
rra
duración, que llevan como parámetro, el perı́odo de retorno o probabilidad de excedencia, asociado a cada
magnitud.
La Figura 5.8 muestra las curvas IDF propuestas por Espinoza et al. (2005) para la ciudad de Valparaı́so
(Estación USM), a partir de series de excedencias anuales de datos. Curvas similares han sido propuestas
Bo
para otras ciudades del paı́s.
La disponibilidad de estas curvas IDF es indispensable para abordar el diseño de muchas obras hidráulicas.
Desgraciadamente, en muchas localidades no se dispone de información pluviográfica suficiente para su deter-
minación directa, por lo que a menudo resulta necesario sintetizarlas en base a los conceptos de coeficientes
de duración y coeficientes de frecuencia antes definidos.
En forma análoga a la definición de coeficiente de duración de precipitaciones, que expresaba el cuociente

entre la precipitación en un tiempo cualquiera respecto a una duración base, es posible definir los coeficientes
de frecuencia de precipitaciones por la relación,
5.6. Presentación Estadı́stica de Variables Hidrológicas 153
Curvas IDF Valparaíso (UTFSM)
Log-Pearson Serie de Excedencias Anuales
60
T = 100
Pearson
T = 50
50 T = 20
T = 10
T =5
40 T =2
Intensidad [mm]
Log-Pearson
ar
30
20
in
10
lim
0
0 200 400 600 800 1000 1200 1400
Duracion [m in]
Figura 5.8: Curvas IDF para la serie de excedencias anuales de la estación USM, Valparaı́so.
re
P (T )
rP
CF (T ) = (5.114)
P0
donde,
P (T ): Máxima precipitación caı́da para un perı́odo de retorno T .
do
P0 : Máxima precipitación caı́da para un perı́odo de retorno base o de referencia conocido, normalmente 10
años
De esta manera, combinando las ecuaciones (4.17) y (5.113), la precipitación para una duración y perı́odo
rra
de retorno cualquiera, puede expresarse mediante la expresión
P (T, t) = CF (T ) · Cd (t) · P (T0 , t0 ) (5.115)

Bo
donde,
P (T, t): Máxima precipitación caı́da para un perı́odo de retorno T y una duración t.
P (T0 , t0 ): Máxima precipitación caı́da para un perı́odo de retorno y una duración base conocidos, normalmente
T0 = 10 años y t0 = 1 hora o 24 horas.
Los coeficientes de frecuencia se postulan estadı́sticamente constantes para una estación dada, e indepen-
dientes de los coeficientes de duración, habiendo sido determinados en diferentes lugares del paı́s. (Espı́ldora,
1971; DGA, 1991).
5.6.2. Curvas de Variación Estacional
Prácticamente todas las variables hidrológicas poseen la periodicidad que impone el ciclo hidrológico anual,
por lo cual en principio no es lı́cito utilizar valores de las variables obtenidos en distintos perı́odos del año para
efectuar análisis de frecuencia, ya que la serie no resultarı́a homogénea. En muchos casos este inconveniente
puede obviarse subdividiendo el año en subperı́odos, normalmente meses, dentro de los cuales se postula que
la variable es estacionaria, efectuándose los análisis de frecuencia para cada una de las 12 subseries mensuales
resultantes. De estos análisis resultan las curvas de variación estacional, normalmente asociadas a caudales
ar
medios mensuales, pero aplicables a muchas otras variables hidrológicas, en las cuales se representa para cada
uno de los meses del año, las magnitudes de las variables asociadas a diferentes porcentajes de excedencia.
in
La Figura 5.9 muestra a manera de ejemplo, la curva de variación estacional de los caudales medios
mensuales del Rı́o Chopa en Puente Negro, para distintos niveles de “sequedad” o “humedad”. Se habla
normalmente de un valor o año, por ejemplo, 80 % seco (o 20 % húmedo) a aquellos valores que en cada uno
lim
de los meses del año tienen un 80 % de excedencia.
160
140
120
re
Caudal [m3/s]
100
80
rP
60
40
20
do
0
ABR MAY JUN JUL AGO SEP OCT NOV DIC ENE FEB MAR
5% 17.9 13.2 31.7 40.0 36.9 35.6 44.0 74.0 135.9 56.4 21.4 16.3
20% 5.7 7.8 14.9 19.2 17.1 19.0 24.7 41.6 36.1 12.4 6.0 4.7
50% 1.7 3.9 6.8 8.9 7.9 8.1 11.4 19.4 9.0 2.8 1.7 1.3
80% 0.5 1.6 3.1 4.1 3.7 2.5 4.2 7.1 2.2 0.7 0.5 0.4
rra
Figura 5.9: Curva de variación estacional de los caudales medios mensuales del Rı́o Chopa en Puente Negro.
Debe tomarse conciencia de que el promedio o suma de los doce valores mensuales de una misma proba-
bilidad de excedencia no necesariamente coincide con el valor medio anual de la variable para esa misma
Bo
probabilidad.
5.6.3. Curvas de Duración General
Las curvas de duración general tienen importantes aplicaciones en ingenierı́a y representan simplemente la
probabilidad media, en estricto rigor, el porcentaje del tiempo en que una cierta magnitud de una variable
hidrológica es excedida. Son en definitiva análogas o equivalentes a la curvas de frecuencia acumulada, pero
considerando en estos casos la serie de duración completa de la variable en análisis. Aún cuando se trate
de una variable continua, como las temperaturas o los caudales de un rı́o, para el análisis la serie debe ser
5.6. Presentación Estadı́stica de Variables Hidrológicas 155
discretizada, trabajando con valores medios horarios, medios diarios o medios mensuales, dependiendo de la
precisión que se desee obtener. Los datos se ordenan de mayor a menor y su porcentaje de excedencia en el
tiempo se calcula simplemente con la fórmula de California,
m
Pex = (5.116)
N
donde m es el número de orden a cada dato y N es el número total de datos disponibles. Como los valores
ar
diarios son el promedio de los horarios y los mensuales los promedios de los diarios, a medida que se aumenta la
escala de tiempo de discretización, las curvas de duración general van resultando cada vez más amortiguadas
y menos representativas.
in
La Figura 5.10 muestra la curva de duración general de caudales del Rı́o Chopa en Puente Negro, conside-
rando las series de caudales medios diarios y caudales medios mensuales.
lim
200
180
Caudal Medio Mensual [m3/s]
160 re
140
120
rP
100
80
60
40
do
20
0
0 10 20 30 40 50 60 70 80 90 100
Probabilidad de Excedencia [%]
Figura 5.10: Curva de duración general de caudales del Rı́o Chopa en Puente Negro.
rra
Bibliografı́a
Bo
DGA (1989),Investigación de eventos hidrometeorológicos extremos: precipitaciones máximas en 24, 48 y 72

horas, Ministerio de Obras Públicas, Dirección General de Aguas, Departamento de Hidrologı́a, bf Ingenieros
Civiles.
DGA (1991),Precipitaciones máximas en 1, 2 y 3 dı́as, Ministerio de Obras Públicas, Dirección General de

Aguas, Departamento de Hidrologı́a.
Espı́ldora, B. (1971), Estimación de curvas intensidad-duración-frecuencia mediante coeficientes generaliza-

dos, Memorias I Coloquio Nacional Sociedad Chilena de Ingenierı́a Hidráulica, Santiago, Chile.
Espinoza, A., J. Nicoud y L. Stowhas (2005), Curvas IDF para Valparaı́so, XVII Congreso Chileno de Hi-
draulica, SOCHID,Valparaı́so.
MOP (2014), Manual de Carreteras, Vol. 3, Dirección de Vialidad, Ministerio de Obras Publicas.
ar
in
lim
re
rP
do
rra
Bo

Clase 4

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Clase 4

Caricato da

Copyright:

Formati disponibili

Capı́tulo 5

asegurar su funcionamiento ante un acontecimiento de caracterı́sticas catastróficas, debiendo aceptarse un

En el caso de estudios destinados a establecer la disponibilidad de recursos hı́dricos, también se presentan

5.1. Tratamiento de Datos Hidrológicos para el Análisis de Frecuencia

la población de la cual proviene, y sus valores deberán ser homogéneos e independientes.

El principal problema al analizar probabilı́sticamente datos hidrológicos, es su eventual falta de indepen-

los de tendencia, periodicidad y persistencia.

5.1.1. Selección de Datos Hidrológicos

5.1.1.2. Serie de Duración Parcial

“N” es el número de años de estadı́stica disponible.

5.1.1.3. Serie de Valores Extremos

5.1.2. Función de Densidad de Frecuencia

donde F (χ) es la curva o función de frecuencia acumulada de la variable.

Complementariamente, la probabilidad de que la variable x exceda el valor χ, o probabilidad de excedencia,

P (x > χ) = 1 − F (χ) (5.5)

Lo anterior significa que si la función de densidad de frecuencia o su integral, la función de frecuencia

en particular, las curvas de frecuencia acumulada.

5.1.3. Perı́odo de Retorno

o perı́odo de retorno asociado a una magnitud dada x de una variable hidrológica.

drológica, corresponde al valor recı́proco de su respectiva probabilidad de excedencia,

Pex,V E = 1 − ePex,EA (5.7)

o en términos del perı́odo de retorno como,

Pex,V E : Probabilidad de excedencia resultante de una serie de valores extremos anuales.

Las relaciones inversas resultan:

Tabla 5.1: Equivalencia entre perı́odos de retorno y probabilidades de excedencia.

que se puede traducir en un subdimensionamiento de las obras.

donde n es el número promedio de observaciones disponibles por año de estadı́stica.

5.2. Análisis de Frecuencia Analı́tico

conceptos de promedio, varianza, asimetrı́a y kurtosis, cuyos estimadores son:

1° Momento o Promedio aritmético

N i=1 (xi − x̄)3

5.2.1. Funciones de Densidad de Frecuencia Utilizadas Comúnmente en Hidrologı́a

5.2.1.1. Distribución Normal o Distribución de Gauss

expresada por la relación,

P (x > b) = 1 − F (b) (5.23)

dependiendo de la probabilidad de ocurrencia asociada al valor x y de la forma de función de densidad de

Para z = 1.67 se obtiene A = 0.4525

P (z ≤ 1.67) = 0.5 + A = 0.9525

P (z > 1.67) = 1 − 0.9525 = 0.0475

Complementariamente, para obtener la probabilidad asociada a un valor negativo de la variable reducida,

Para z = −1.67 se obtiene A = 0.4525

P (z ≤ −1.67) = A − 0.5 = 0.0475

P (z > −1.67) = 1 − 0.0475 = 0.9525

Tabla 5.2: Distribución normal centrada y reducida.

Tabla 5.3: Rı́o Maule en Armerillo, caudales máximos instantáneos anuales.

De la muestra (N = 30) se obtiene: re s

P (x > 3100) = 1 − 0.9856 = 0.0144

5.2.1.2. Distribución Logarı́tmico Normal o Log-normal

La utilización de esta distribución, exige la misma estandarización que la distribución normal.

A partir de los datos de la muestra entregados en la Tabla 5.3 (N = 30) se obtiene:

Considerando ln(b) = ln(3100) = 8.039, se tiene que

Ası́, ingresando en la Tabla 5.2, se obtiene:

5.2.1.3. Distribuciones de Valores Extremos

5.2.1.3.1. Distribución de Valores Extremos Tipo I o Distribución Gumbel

a la distribución de Valores Extremos Tipo I o Distribución de Gumbel.

F (x) = e−e (5.30)

donde y se denomina la variable reducida y viene dada por

donde a su vez, “a” es un parámetro de dispersión definido por:

Reemplazando en función de los parámetros muestrales, resulta

consecuencia que el tamaño de la muestra es suficientemente grande, estadı́sticamente cercano a infinito.

Tabla 5.4: Medias y desviaciones estándar de la variable reducida.

pero por definición de xf ,

expresión que para T > 50 años se puede aproximar por la relación,