Las opciones del menú principal

Opciones Descripción
Distribuciones Permite evaluar si una serie de datos se ajustan a una
serie de distribuciones: Normal, log-normal con 2 y 3
parámetros, gamma con 2 y 3 parámetros, log-
Pearson tipo III, Gumbel y log-Gumbel, tanto con
momentos ordinarios, como con momentos lineales. Si
la serie de datos se ajusta a una distribución, permite
calcular por ejemplo caudales o precipitaciones de
diseño, con un período de retorno dado o con una
determinada probabilidad de ocurrencia.
Permite calcular a partir de la curva de variación
Curvas características estacional o la curva de duración, eventos de diseño
con determinada probabilidad de ocurrencia.
 DISTRIBUCIONES TEÓRICAS

La Probabilidad: Es la mayor o menor posibilidad de que ocurra un determinado suceso. En otras

palabras, su noción viene de la necesidad de medir o determinar cuantitativamente la certeza o duda
de que un suceso dado ocurra o no.

Ésta establece una relación entre el número de sucesos favorables y el número total de sucesos
posibles.

Las distribuciones teóricas de probabilidad: Función que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra. Muestra todos los resultados posibles
de un experimento y la probabilidad de cada resultado
DISTRIBUCION CONTINUA Y DISCRETA
Distribución Discreta: Describe la Supongamos que el
probabilidad de ocurrencia de número promedio de x P(x)=x
cada valor de una variable quejas por día es 10 y 5 0.037833
aleatoria discreta. Una variable usted desea saber la
10 0.12511
aleatoria discreta es una probabilidad de
variable aleatoria que tiene recibir 5, 10 y 15 15 0.034718
valores contables, tales como quejas de clientes en
una lista de enteros no un día.
negativos.

Distribución Continua describe las

probabilidades de los posibles
valores de una variable aleatoria
continua. Una variable aleatoria
continua es una variable
aleatoria con un conjunto de
valores posibles (conocido como
el rango) que es infinito y no se
puede contar
Distribución Teórica: Proceso de selección
Distribución normal .
Selección de Distribución log-normal de 2 ó 3 parámetros .
una Distribución gamma de2 ó 3 parámetros .
distribución Distribución log-Pearson tipo III .
Distribución Gumbel .
Distribución log-Gumbel

Registro de
datos

Elegir una
distribución teórica

Estimación de
parámetros

Prueba de bondad
de ajuste

F V Usar Distribución
Ajuste bueno
Teórica elegida FIN
Distribución normal o gaussiana
La distribución normal es una distribución con forma de campana donde las desviaciones
estándar sucesivas con respecto a la media establecen valores de referencia para
estimar el porcentaje de observaciones de los datos. Estos valores de referencia son la
base de muchas pruebas de hipótesis, como las pruebas Z y t.
Distribución normal o gaussiana
en la hidrología
La distribución normal tiene gran utilidad en hidrología, siendo alguna de sus principales aplicaciones:

• En el ajuste de distribuciones empíricas de variables hidrológicas de intervalos de tiempo grandes, tales como
variables medias anuales, mensuales, estacionales, etc., que pueden ser caudales, precipitación, entre otros.

• Análisis de los errores aleatorios en las observaciones o mediciones hidrológicas.

• Como referencia para -comparar varias distribuciones teóricas de ajuste en una distribución empírica.

• Para hacer procesos de inferencia estadística.

Ajuste
El ajuste puede realizarse gráficamente utilizando papel probabilístico normal ó analíticamente,
mediante los estadísticos Chi-cuadrado ó Smirnov-Kolmogorov.
Cálculo de una Distribución normal o Gaussiana
1. Ordenar los datos de manera creciente
𝒏 𝒏
𝟏 − 𝑸)𝟐
𝒊=𝟏(𝑸𝒊
2. Calcular los parámetros estadísticos: Media: 𝑸 = 𝑸𝒊 y Desviación Estándar: 𝑺 =
𝒏 𝒏−𝟏
𝒊=𝟏

3. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

P(x) = probabilidad empírica o experimental

𝑴
𝑷 𝒙 = M = número de orden
𝑵+𝟏
N = número de datos

4. Calcular la probabilidad teórica F(x):

Modelos teóricos, usar la ecuación de la función acumulada F(x), o tablas elaboradas para tal fin
𝑍
𝑋−𝑋 1 𝑍2
𝑍= 𝐹(𝑍) = 𝐸𝑋𝑃 − 𝑑𝑍
𝑆 2𝜋 −∝ 2

Procedimiento gráfico: Utiliza papel probabilístico especial donde F(x), puede representarse como una línea recta

5. Calcular las diferencias |P(x) - F(x)|, para todos los valores de x

6. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

7. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

8. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario
probar con otra distribución
Ventajas y limitaciones
1. No requiere un conocimiento a priori de la función de distribución teórica.

2. Es aplicable a distribuciones de datos no agrupados, es decir, no se requiere hacer

intervalos de clase.

3. Es aplicable a cualquier distribución teórica.

4. Se aplica en la función de distribución acumulada y no en la función de densidad.

5. Comparándola con la prueba Chi-cuadrado, no se requiere que la frecuencia

absoluta de cada clase, sea igual o mayor que 5.

6. No es una prueba exacta, sino una prueba aproximada

Distribución Lognormal Y=Ln(x)
La distribución lognormal es una distribución flexible que se relaciona estrechamente con la
distribución normal.

Si la variable aleatoria X, tiene una distribución log-normal, esto significa que Y = ln(X) tiene una distribución normal.

Es posible una generalización, en el caso que se introduzca un límite inferior Xo, cuyo caso el LnX, anteriores, es
sustituido por Ln(X – Xo).

Hay una distribución log-normal de 2 parámetros y otra de 3 parámetros, en la de 3 parámetros, el tercer

parámetro es el límite inferior Xo, denominado parámetro de posición.
Cálculo de una Distribución Lognormal 2 parámetros
1. Ordenar los datos de manera creciente
2. Obtener el Logaritmo natural de la serie: Y = Ln(x)
𝒏 𝒏
𝟏 − 𝝁𝒚 )𝟐
𝒊=𝟏(ln 𝒙𝒊
3. Calcular los parámetros estadísticos: Media: 𝝁𝒚 = ln 𝒙 y Desviación Estándar: 𝝈𝒚 = 𝒏−𝟏
𝒏
𝒊=𝟏

4. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

P(x) = probabilidad empírica o experimental

𝑴
𝑷 𝒙 = M = número de orden
𝑵−𝟏 N = número de datos

5. Calcular la probabilidad teórica F(x):

Modelos teóricos, usar la ecuación de la función acumulada F(x), o tablas elaboradas para tal fin
𝑍
ln 𝑥 − 𝝁𝒚 1 𝑍2
𝑍= ⟹ 𝐹(𝑍) = 𝐸𝑋𝑃 − 𝑑𝑍
𝝈𝒚 2𝜋 −∝ 2

Nota. Para el cálculo de la distribución acumulada de la normal o la log-normal, una vez conocido sus parámetros,
hacer la transformación a la distribución normal estándar y usar las tablas o las ecuaciones de aproximación,
elaboradas para su cálculo
6. Calcular las diferencias |P(x) - F(x)|, para todos los valores de Ln(x)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario
probar con otra distribución
Cálculo de una Distribución Lognormal 3 parámetros
1. Ordenar los datos de manera creciente

𝑥1 𝑥𝑛 −𝑥 2 𝑚𝑒𝑑𝑖𝑎𝑛𝑎
1. Estimar el parámetro de posición: 𝑥0 =
𝑥1 +𝑥𝑛 −2𝑥 𝑚𝑒𝑑𝑖𝑎𝑛𝑎
si n = par = 𝑥 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = (𝑥𝑛 2 + 𝑥𝑛 2+1 )/2
𝑥1 = primer valor de la serie ordenada ascendentemente si n = impar 𝑥 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = 𝑥(𝑛+1)
𝑥𝑛 = último valor de la serie ordenada ascendentemente 2

𝑥 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 = mediana de la serie de valores n = número de dato de la serie

𝒏 𝒏
𝟏 𝒊=𝟏(ln(𝒙𝒊 −𝒙𝟎 ) − 𝝁𝒚 )𝟐
2. Calcular los parámetros estadísticos: Media: 𝝁𝒚 = ln(𝑥𝑖 −𝑥0) y Desviación Estándar: 𝝈𝒚 = 𝒏−𝟏
𝒏
𝒊=𝟏

3. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:
𝑴 P(x) = probabilidad empírica o experimental
𝑷 𝒙 = M = número de orden
𝑵−𝟏
N = número de datos
4. Calcular la probabilidad teórica F(x):

Modelos teóricos, usar la ecuación de la función acumulada F(x), o tablas elaboradas para tal fin
𝑍
ln(𝑥𝑖 −𝑥0) − 𝝁𝒚 1 𝑍2
𝑍= ⟹ 𝐹(𝑍) = 𝐸𝑋𝑃 − 𝑑𝑍
𝝈𝒚 2𝜋 −∝ 2
6. Calcular las diferencias |P(x) - F(x)|, para todos los valores de Ln(x)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario
probar con otra distribución
Distribución Gamma
Otra distribución que juega un papel importante en Hidrología es la distribución Gamma. Su
aplicación es tan común, como el uso de la distribución log-normal.

 Crecientes máximas anuales

 Caudales mínimos
 Volúmenes de flujo anuales y
estacionales
 Valores de precipitaciones extremas
 Volúmenes de lluvia de corta
duración

Tiene 2 ó 3 parámetros (Pearson Tipo III).

Cálculo de una Distribución Gamma 2 Parámetros
1. Colocar los datos tal y como está
2. Obtener el Logaritmo natural de la serie: Y = Ln(x)

3. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:
𝑴 P(x) = probabilidad empírica o experimental
𝑷 𝒙 = M = número de orden
𝑵−𝟏
N = número de datos
𝒏 𝒏
𝟏 𝟏
4. Calcular los parámetros estadísticos: Media: 𝑿 = 𝑿𝒊 y Media Logarítmica ln 𝑿 = ln 𝑋𝑖
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

5. Estimación de parámetros, método de máxima verosimilitud: 𝑌 = ln 𝑋 − ln 𝑿

0 ≤ Y ≤ 0.5772 ⟹ ϒ = (0.5000876 + 0.1648852𝑌 − 0.0544274𝑌 2 )/𝑌

𝑋
8.898919 + 9.05995𝑌 + 0.9775373𝑌 2 𝛽=
0.5772 ≤ Y ≤ 17.0 ⟹ ϒ
ϒ=
𝑌(17.79728 + 11.968477𝑌 + 𝑌 2 )
5. Calcular función acumulada F(y) 𝑥 𝑦
𝑥 𝛾−1
𝑥 𝑒 𝛽
− 𝑦 𝛾−1 𝑒 −𝑦
𝐹(𝑥) = 𝑑𝑥 𝐺(𝑦) = 𝑑𝑦
𝛽𝛾 Γ(𝛾) 0 Γ(𝛾)
0

La integral de la ecuación puede evaluarse para valores dados de β y ϒ, usando la tabla siguiente tabla, en la
cual se ha tabulado Ia función garnma incompleta.
2𝑋 𝑋
Prueba Chi-cuadrado: 𝒳2 = Variable aleatoria reducida: 𝑦 = Grado de libertad: 𝑣 = 2𝛾
𝛽 𝛽
En esta tabla, se ingresa con los valores de Chi-cuadrado y grados de libertad, y se determina los valores de la
probabilidad de excedencia 𝑃𝑒𝑥 = 1 − 𝐺(𝑦)

6. Calcular las diferencias |P(x) - F(x)|, F(x) = G(y)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario probar con
otra distribución
Distribución Gamma 3 parámetros o Pearson
Tipo III
Su uso en hidrología está casi tan difundido, como el uso de la
distribución log-normal de 3 parámetros, con la desventaja, que
tiene mayor complicación al estimar sus parámetros y calcular los
valores de la función de distribución acumulada.

La práctica ha demostrado que los resultados entre la distribución

log-normal y la distribución Pearson tipo III, para el ajuste de series
de precipitaciones anuales, rnódulos anuales, precipitaciones
mensuales, etc. no difieren.
Cálculo de una Distribución Gamma 3 Parámetros
1. Colocar los datos tal y como está

2. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

𝑴 P(x) = probabilidad empírica o experimental

𝑷 𝒙 = M = número de orden
𝑵−𝟏 N = número de datos

𝑁 2 𝑀3
3. Calcular los datos muestrales 𝐶𝑠 = 𝑔 =
(𝑁 − 1)(𝑁 − 2)𝑆 3
𝒏
𝟏 𝒏 𝒏
𝑿= 𝑿𝒊 − 𝑿)𝟐
𝒊=𝟏(𝒙𝒊 𝟏
𝑵 𝑺= 𝑴𝟑 = (𝒙𝒊 − 𝑿)𝟑
𝒊=𝟏 𝑵−𝟏 𝑵
𝒊=𝟏

4. Estimación de parámetros, método de máxima verosimilitud:

4 𝐶𝑠 ∗ 𝑆 2∗𝑆
ϒ= 𝛽= 𝑋0 = 𝑋 −
𝐶𝑠 2 2 𝐶𝑠
5. Calcular función acumulada F(y)
(𝑥−𝑥0 ) 𝑦
𝑥 𝛾−1 − 𝛽 𝑦 𝛾−1 𝑒 −𝑦
(𝑥 − 𝑥0 ) 𝑒 𝐺(𝑦) = 𝑑𝑦
𝐹(𝑥) = 𝑑𝑥 0 Γ(𝛾)
𝑥0 𝛽𝛾 Γ(𝛾)
La integral de la ecuación puede evaluarse para valores dados de β y ϒ, usando la tabla siguiente tabla, en la
cual se ha tabulado Ia función garnma incompleta.
2(𝑥−𝑥0 ) (𝑥−𝑥0 )
Prueba Chi-cuadrado: 𝒳 2 = Variable aleatoria reducida: 𝑦 = Grado de libertad: 𝑣 = 2𝛾
𝛽 𝛽
En esta tabla, se ingresa con los valores de Chi-cuadrado y grados de libertad, y se determina los valores de la
probabilidad de excedencia 𝑃𝑒𝑥 = 1 − 𝐺(𝑦)

6. Calcular las diferencias |P(x) - F(x)| F(x) = G(y)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario probar con
otra distribución
Distribución Log Pearson Tipo III

Su uso en hidrología está casi tan difundido,

como el uso de la distribución log-normal de 3
parámetros, con la desventaja, que tiene mayor
complicación al estimar sus parámetros y
calcular los valores de la función de distribución
acumulada.

La práctica ha demostrado que los resultados

entre la distribución log-normal y la distribución
Pearson tipo III, para el ajuste de series de
precipitaciones anuales, rnódulos anuales,
precipitaciones mensuales, etc. no difieren.
Cálculo de una Distribución Log Pearson Tipo III
1. Colocar los datos tal y como está
2. Obtener el Logaritmo natural de la serie: Y = Ln(x)
3. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

𝑴 P(x) = probabilidad empírica o experimental

𝑷 𝒙 = M = número de orden
𝑵−𝟏
N = número de datos
(ln 𝑥 − 𝑋ln 𝑥 )𝟐
3 𝑺ln 𝒙 =
3. Calcular los datos muestrales 𝑁 2 (ln 𝑥 − 𝑋ln 𝑥 ) 𝑵−𝟏
𝐶𝑠 ln(𝑥) = 𝑔 =
(𝑁 − 1)(𝑁 − 2)𝑆ln 𝑥 3 𝒏
𝟏
𝑿ln 𝒙 = ln 𝑿
𝑵
𝒊=𝟏
4. Estimación de parámetros, método de máxima verosimilitud:

4 𝐶𝑠 ln 𝑥 ∗ 𝑆ln 𝑥 2 ∗ 𝑆ln 𝑥
ϒ= 𝛽= 𝑋0 = 𝑿ln 𝒙 −
𝐶𝑠 ln 𝑥 2 2 𝐶𝑠 ln 𝑥
5. Calcular función acumulada F(y)
(ln 𝑥−𝑥0 ) 𝑦
𝑥 𝛾−1 − 𝛽 𝑦 𝛾−1 𝑒 −𝑦
(ln 𝑥 − 𝑥0 ) 𝑒 𝐺(𝑦) = 𝑑𝑦
𝐹(𝑥) = 𝑑𝑥 0 Γ(𝛾)
𝑥0 𝛽𝛾 Γ(𝛾)
La integral de la ecuación puede evaluarse para valores dados de β y ϒ, usando la tabla siguiente tabla, en la
cual se ha tabulado Ia función garnma incompleta.
2(ln 𝑥−𝑥0 ) (ln 𝑥−𝑥0 )
Prueba Chi-cuadrado: 𝒳 2 = Variable aleatoria reducida: 𝑦= Grado de libertad: 𝑣 = 2𝛾
𝛽 𝛽
En esta tabla, se ingresa con los valores de Chi-cuadrado y grados de libertad, y se determina los valores de la
probabilidad de excedencia 𝑃𝑒𝑥 = 1 − 𝐺(𝑦)

6. Calcular las diferencias |P(x) - F(x)| F(x) = G(y)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario probar con
otra distribución
Distribución Gumbel
Es utilizada para modelar la distribución del máximo (o el mínimo),
por lo que se usa para calcular valores extremos.

Por ejemplo, sería muy útil para representar la distribución del

máximo nivel de un río a partir de los datos de niveles máximos
durante 10 años.
Es por esto que resulta muy útil para predecir terremotos,
inundaciones o cualquier otro desastre natural que pueda ocurrir.
La ley de Gumbel o ley de valores extremos, se utiliza
generalmente para ajustar a una expresión matemática, las
distribuciones empíricas de frecuencia de caudales máximos
anuales, precipitaciones máximas anuales, etc.
Es importante verificar, antes de aplicar esta distribución de
probabilidad, que los coeficientes de asimetría y curtosis de la
distribución empírica sean del mismo orden que los valores
poblacionales
Uno de los inconvenientes del uso de esta distribución, es que en
una distribución doble exponencial, la variable puede tomar
cualquier valor, por lo que se puede asignar probabilidades a
valores negativos de la variable aleatoria, cuestión que resta
significación física a la aplicación, debido a que las variables
hidrológicas toman solamente valores positivos o cero.
Cálculo de una Distribución Gumbel
1. Colocar los datos tal y como está

2. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

𝑴 P(x) = probabilidad empírica o experimental

𝑷 𝒙 = M = número de orden
𝑵−𝟏
N = número de datos

𝒏
3. Calcular los datos muestrales 𝟏 𝒏
𝑿= 𝑿𝒊 − 𝑿)𝟐
𝒊=𝟏(𝒙𝒊
𝑵 𝑺=
𝒊=𝟏 𝑵−𝟏

4. Estimación de parámetros distribución Gumbel:

6
𝛼= 𝑆 𝜇 = 𝑋 − 0.45 𝑆
𝜋
5. Calcular función acumulada F(y)
𝑥−𝜇
1 −𝑥−𝜇 −𝑒 −𝑥−𝜇
𝛼 −𝑒 −𝑦 𝑦=
𝐹(𝑥) = 𝑒 𝛼 𝐺(𝑦) = 𝑒 𝛼
𝛼
6. Calcular las diferencias |P(x) - F(x)| F(x) = G(y)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario probar con
otra distribución
Cálculo de una Distribución LogGumbel
1. Colocar los datos tal y como está
2. Obtener el Logaritmo natural de la serie: Y = Ln(x)

3. Calcular la probabilidad empírica o experimental P(x) de los datos, para esto usar la fórmula de Weibull:

𝑴 P(x) = probabilidad empírica o experimental

𝑷 𝒙 = M = número de orden
𝑵−𝟏
N = número de datos

𝒏
𝟏 (ln 𝑥 − 𝑋ln 𝑥 )𝟐
4. Calcular los datos muestrales 𝑿ln 𝒙 = ln 𝑿 𝑺ln 𝒙 =
𝑵 𝑵−𝟏
𝒊=𝟏

4. Estimación de parámetros distribución Gumbel:

6
𝛼= 𝑺 𝜇 = 𝑿ln 𝒙 − 0.45𝑺ln 𝒙
𝜋 ln 𝒙
5. Calcular función acumulada F(y)
𝑥−𝜇
1 −𝑥−𝜇 −𝑒 −𝑥−𝜇
𝛼 −𝑒 −𝑦 𝑦=
𝐹(𝑥) = 𝑒 𝛼 𝐺(𝑦) = 𝑒 𝛼
𝛼
6. Calcular las diferencias |P(x) - F(x)| F(x) = G(y)

7. Seleccionar la máxima diferencia: Δ= máx |P(x) - F(x)|

8. Calcular el valor crítico del estadístico Δ, es decir Δo, para un 𝛼 = 0.05 y N igual al número de
datos. Los valores de Δo, se muestran en la siguiente tabla:

9. Comparar el valor del estadístico Δ, con el valor crítico Δo de la tabla , con los siguientes criterios
de decisión deducidos de la ecuación:

Δ < Δo ⟹ el ajuste es bueno, al nivel de significación seleccionado

Δ > Δo ⟹ el ajuste no es bueno, al nivel de significación seleccionado, siendo necesario probar con
otra distribución
CURVAS REPRESENTATIVAS
La información recolectada acerca del
comportamiento de los ríos, puede analizarse tanto
estadística como gráficamente, con lo que se
facilita su comprensión y análisis. Algunas de las
curvas representativas de los caudales son:

• Curvas de variación estacional

• Curva de duración:
CURVAS DE VARIACIÓN ESTACIONAL
Estas curvas proporcionan una información sobre la
distribución de valores hidrológicos, respectos al
tiempo y la probabilidad de que dichos eventos
sean igualados o superados
Permite determinar cuál sería el caudal que se
puede presentar en una probabilidad dada
Una de las aplicaciones prácticas, de la
construcción de la curva de la variación estacional,
es el cálculo del balance hidrológico de una región,
ya que permite determinar la disponibilidad mes a
mes, con cierta probabilidad de ocurrencia
PROCEDIMIENTO PARA CONSTRUIR LA CURVA
DE VARIACIÓN ESTACIONAL
1. Obtener un registro de caudales mensuales
2. Ordenar los n valores de cada mes (correspondiente a n años), en orden descendente

3. Determinar para cada valor, la probabilidad que el evento sea igualada o excedida, aplicar el método de Hazen
P = probabilidad acumulada en porcentaje
𝟐𝒎 − 𝟏
𝑷= × 𝟏𝟎𝟎 m = número de orden valor
𝟐𝒏 n = número de valores
4. Plotear en un papel de probabilidad log-normal, los valores
correspondientes a cada mes, colocar en la escala logarítmica,
los valores de los caudales y en las probabilidades, su
probabilidad

5. Para cada mes, trazar “al ojímetro”, la recta de mejor ajuste

(ajuste gráfico)

6. A partir del gráfico, para las probabilidades que se desean, por

ejemplo 75%, 80%, 90%, etc., estimar los valores mensuales del
caudal correspondiente.
 Mes 75% 80% 90%
E Q₁
F Q₂

7. Plotear en un papel milimétrico, para cada probabilidad

considerada, meses vs caudales

8. Unir con líneas rectas para cada probabilidad establecida,

los puntos obtenidos
CURVAS DE DURACIÓN

La curva de duración llamada también curva de

persistencia, permanencia de caudales o curva de
caudales clasificados, es una curva que indica el
porcentaje del tiempo durante el cual los caudales
han sido igualados o excedidos

Esta curva puede ser definida para caudales diarios,

mensuales, anuales, etc.
PROCEDIMIENTO PARA CONSTRUIR LA CURVA
DE VARIACIÓN ESTACIONAL
1. Obtener un registro de caudales mensuales
2. Ordenar los n valores de cada mes (correspondiente a n años), en orden descendente

3. Determinar para cada valor, la probabilidad que el evento sea igualada o excedida.

𝒎 P = probabilidad acumulada en porcentaje

𝑷 = × 𝟏𝟎𝟎 m = número de orden valor
𝑵
n = número de valores

4. Caudal Considerado: Detectar y eliminar datos duplicados

5. En caso de las probabilidades: Seleccionar la probabilidad mayor

6. Calcular caudal adimensional (Z) Qm: Caudal promedio diario multianual

𝑸 Z = Caudal adimensional
𝒁=
𝑸𝒎𝒆𝒅𝒊𝒐 Q = Caudal registrado