Analisis de frecuencia

Leer: Hidrologia Aplicada, cap 12

Cayo Ramos Taipe
04/11/2012
2
Extremos hidrologicos
Eventos extremos
Avenidas
Sequias
Magnitud de los eventos extremos esta
relacionado con su frecuencia de ocurrencia


El objetivo del analisis de frecuencia es
relacionar la magnitud del evento con la
ocurrencia de su frecuencia a traves de la
distribucion de probabilidad
Se supone que los eventos (data) son
independientes y vienen de la misma
distribucion


occurence of Frequency
1
Magnitude
3
Return Period
Variable aleatoria:
Nivel del umbral:
Evento extremo ocurre si:
Interv. de recurrencia:
Periodo Retorno:
Intervalo de recurrencia promedio entre eventos que
igualan o superan el umbral
Si p es la probabilidad de ocurrencia de un
evento extremo, entonces

o

T
x X >
T
x
X
T
x X > = de s ocurrencia entre Tiempo t
) (t E
p
T E
1
) ( = = t
T
x X P
T
1
) ( = >
4
Mas de periodo de retorno
si p es la probabilidad de exito, entonces (1-p) es
la probabilidad de falla
Buscar la probabilidad que (X x
T
) por lo menos
una vez en N aos.
N
N
T
T T
T
T
T
p years N in once least at x X P
years N all x X P years N in once least at x X P
p x X P
x X P p
|
.
|

\
|
= = >
< = >
= <
> =
1
1 1 ) 1 ( 1 ) (
) ( 1 ) (
) 1 ( ) (
) (
5
Ejemplo periodo de retorno
Conjunto de datos descarga maxima anual
para 106 aos en rio Colorado cerca a Austin
0
100
200
300
400
500
600
1905 1908 1918 1927 1938 1948 1958 1968 1978 1988 1998
Year
A
n
n
u
a
l

M
a
x

F
l
o
w

(
1
0
3

c
f
s
)
x
T
= 200,000 cfs
No. de ocurrencia = 3
2 intervalos de
recurrencia en 106
aos
T = 106/2 = 53 years

Si x
T
= 100, 000 cfs
7 intervalos recurrencia
T = 106/7 = 15.2 aos

P( X 100,000 cfs al menos una vez en los proximos 5 aos) = 1- (1-1/15.2)
5
= 0.29
6
Serie anuales
0
100
200
300
400
500
600
1905 1908 1918 1927 1938 1948 1958 1968 1978 1988 1998
Year
A
n
n
u
a
l

M
a
x

F
l
o
w

(
1
0
3

c
f
s
)
Considerando serie maxima anual, T para 200,000 cfs = 53 aos.
El caudal maximo anual para 1935 es 481 cfs. La serie anual de datos maximos,
probablemente excluyo algunos Q que son mayores de 200 cfs y el sndrome de fatiga
crnica a menos de 481
Cambiar la T si tonamos en cuenta la serie mensual de mxima o de una serie
maxima semanal?
7
Probability distributions
Normal family
Normal, lognormal, lognormal-III
Generalized extreme value family
EV1 (Gumbel), GEV, and EVIII (Weibull)
Exponential/Pearson type family
Exponential, Pearson type III, Log-Pearson
type III

Anlisis de Frecuencia de Eventos Extremos
Aspectos Generales


Para proyectar una obra hidrulica cualquiera es necesario el
conocimiento de la magnitud y frecuencia de los caudales (o
niveles de agua).

El mximo caudal (o nivel) que puede soportar, estas
estructuras, con seguridad es denominada caudal del
proyecto.
El problema en el fondo, es econmico a travs del costo
anual de mantenimiento en una estructura dada, comparada
con otras soluciones alternativas. La hidrologa proporciona
gran variedad de mtodos basados en diversos principios,
dentro de los cuales se deber escoger el ms adecuado de
acuerdo a las circunstancias particulares.

Entindase por avenida como un caudal muy grande que
sobrepasa la capacidad de transporte del canal generando la
inundacin de tierras aledaas y problemas de toda ndole en
diversas reas de la actividad humana. Trata del clculo de un
caudal critico que tal vez no haya sucedido o que existe una
cierta probabilidad de suceder en el futuro.

El termino Prevencin de Inundaciones se aplica al
pronstico de estado futuro de alturas o caudales, asociados al
instante de ocurrencia de los mismos, con la finalidad de
prevenir los efectos negativos que vengan a suceder. La
terminologa Prevencin del Tiempo Real es ms
apropiada; para calcular anticipadamente la ocurrencia de un
evento, a partir del conocimiento del comportamiento del
sistema natural y usando como entradas datos como lluvias en
determinados lugares de la cuenca y de la red fluvial.
Periodo de Retorno y Riesgo

Si en un determinado lugar existe una serie de valores
observados de 30 aos, por ejemplo, el mayor caudal
medido en los 30 aos tiene la probabilidad de ser
igualadas o superadas una vez cada 30 aos
aproximadamente segn las leyes clsicas de la
probabilidad.
Si el proyecto exige, por ejemplo un periodo de retorno de
500 aos, estamos delante de un problema de
extrapolacin de datos histricos. El periodo de retorno T
o periodo de ocurrencia de una inundacin (o tiempo de
recurrencia) se define, entonces, como el tiempo medio,
en aos, en que esa inundacin es igualada o superada por
lo menos una vez.
La figura representa los costos que
un usuario debera enfrentar para
pagar los beneficios de un sistema
de proteccin contra inundaciones,
por ejemplo. Si existiese un seguro
contra inundaciones, el valor de ese
seguro sera decreciente con el T
usado en proyectos de la obra
(cuanto mayor es T mayor
proteccin ofrece la misma),
mientras que el costo de la obra en
si crece con T. Dado que el usuario
deber asumir con los dos costos,
la curva del costo global indicar el
periodo de retorno ms adecuado
para el proyecto de la obra en
cuestin (Villela y Mattos, 1975).
Periodo de Retorno (aos)
Costo de seguro
contra
inundaciones
Costo de
las
obras
Costo
mnimo
C
o
s
t
o
A
n
u
a
l
Determinacin del Perodo de Retorno
Desafortunadamente, en los pases en desarrollo no es comn la
exigencia de ese tipo de seguro, en la mayor parte de los casos. As, la
fijacin de T obedece a criterios relacionados con la vida til de la obra, el
tipo de la estructura, la facilidad de reparacin en caso de daos y el
peligro de prdida de vidas humanas en caso de falla.
La consideracin de estos factores y la experiencia
acumulada a lo largo del tiempo ha producido tablas para la
definicin del T.

Existe otro criterio para escoger el periodo de retorno: la
fijacin a priori, del riesgo de falla R de la estructura,
dentro de la vida til de la obra. Esto puede ser expresado
por la relacin:



donde: R es el riesgo permisible, o probabilidad de
ocurrencia de la mxima descarga durante los n aos de
la vida til de la obra. Esa ecuacin se encuentra tabulada
en la siguiente tabla:
( )
n
R
T
/ 1
1 1
1

=
n
T
R
|
.
|

\
|
=
1
1 1
Valores de periodo de retorno T asociado al riesgo R
Riesgo
(R)
Vida til de la obra (n) en aos
1 10 25 50 100 200
0.01 100 995 2488 4975 9950 19900
0.10 10 95 238 475 950 1899
0.25 4 35 87 174 348 695
0.50 2 15 37 73 145 289
0.75 1.30 7.7 18 37 73 144
0.99 1.01 2.7 5.9 11 22 44
Un anlisis de la tabla anterior muestra que si se adopta un riesgo de 10%
de que durante los 25 aos de vida til de una cierta presa ocurra una
descarga igual o superior a la del proyecto, se debe usar un periodo de
retorno de 238 aos. Si el periodo de retorno usado fuese de 87 aos, por
ejemplo, el riesgo de falla de la obra aumenta en 2.5 veces o sea a 25 %.
Estructura T (aos)
Caudales de proyecto
Vertedor de grandes presas 10000
Vertedor de una presa de tierra 1000
Vertedor de una presa de concreto 500
Galera de aguas pluviales 5 a 20
Bocatomas 25 a 75
Pequeas presas para abastecimiento de agua 50 a 100
Puentes en carreteras importantes 50 a 100
Puentes en carreteras comunes 25
Lluvias de Proyecto:
Pequeos canales sin dique: rea rural 5
rea urbana 10
Canales grandes sin dique: rea rural 10
rea urbana 25
Pequeos canales con diques: rea rural 10
rea urbana 50
Grandes canales con diques: rea rural 50
rea urbana 100
Valores del tiempo de retorno para proyecto de obras
Ejemplo:

Una alcantarilla tiene una vida til de 10 aos. a) Si el riesgo
aceptable de que al menos ocurra un evento que exceda la
capacidad de la alcantarilla durante su vida til es del 10%,
qu periodo de retorno de diseo debe utilizarse?. b)
Cul es la probabilidad de que la alcantarilla diseado
para un evento con ese periodo de retorno no sea
excedido en su capacidad durante los prximos 50 aos?:

Solucin:
Aplicando la 1ra ecuacin para R = 0.1 y n = 10, se obtiene: T
= 95 aos

Aplicando la 2da ecuacin para T = 95 y n = 50, se obtiene: R
= 0.41. La probabilidad de que la capacidad no sea
excedida durante este periodo es: 1- 0.41 = 0.59 (59%).
Mtodos Estadsticos

Generalidades
Los mtodos estadsticos se apoyan en la existencia de
series que son, sometidas a un anlisis de frecuencias
basadas por lo tanto en la observacin de eventos
pasados.
Esto implica que la curva de frecuencia definida para un
determinado lugar es vlida para ese lugar; para un lugar
diferente, donde no existen datos medidos; la
regionalizacin permite combinar informaciones de
diversos lugares en la cuenca o regin. Los resultados
sern confiables siempre que exista suficientes datos
disponibles y sin modificaciones importantes en el rgimen
del curso de agua durante el periodo de registro, o
despus; se acepta entonces, la condicin de que el
comportamiento del sistema continuar siendo el mismo
durante el periodo de clculo (en el futuro).
Los valores de caudales empleados en la determinacin de
las curvas de frecuencia sern valores instantneos, pero
en la mayora de los casos se trabaja con los mximos
medios diarios; de lo que resultan series anuales y series
parciales.

Dentro de los mtodos estadsticos podemos mencionar las
siguientes distribuciones de probabilidades ms usadas en
el anlisis de mximas avenidas en hidrologa.

Distribucin Log-Normal de 2 Parmetros
Distribucin Log-Normal de 3 Parmetros
Distribucin de Valor Extremo Tipo I o Distribucin Gumbel
Distribucin Log-Gumbel
Distribucin Pearson Tipo III
Distribucin Log-Pearson Tipo III
Serie Anual y Serie Parcial

La informacin hidrolgica es una secuencia cronolgica de
caudales medios diarios. De estos caudales podran ser
escogidos los mximas anuales (una para cada ao),
generando una serie anual. Esto obliga a descartar otros
picos elevados que pueden haber ocurrido en el mismo
ao y permite escoger otros valores en otros aos donde
nada importante sucedi, desde el punto de vista de
inundacin. Esa limitacin es superada seleccionando los
mayores a un determinado limite que puede ser el menor
de las descargas de las mximas anuales, obtenindose
de cierta manera una serie parcial. La dificultad con esta
ltima opcin es que los eventos as escogidos pueden ser
o no independientes; dos eventos muy prximos pueden,
en realidad, ser un nico evento. Para evitar ese
inconveniente, deben ser escogidos eventos separados
por un razonable periodo de tiempo.
Existe una relacin definida entre
estos dos tipos de series
(Dalrymple, 1962). La siguiente
tabla muestra esa relacin, en
funcin del periodo de retorno.
En trminos de periodo de
retorno, existe una diferencia en
los dos casos; en una serie
anual el intervalo de recurrencia
es el intervalo medio en el cual
un caudal dado ocurrir como
mxima anual.
Serie Parcial Serie Anual
0.5 1.16
1.0 1.58
1.45 2.00
2.0 2.54
5.0 5.52
10.0 10.50
20.0 20.50
50.0 50.50
100.0 100.50
En la serie parcial, el periodo de retorno es el intervalo medio
entre avenidas de una determinada magnitud, sin relacin
alguna con ao o cualquier otro periodo de tiempo. Esta
distincin se aplica a pesar de que para grandes avenidas
los dos criterios convergen.
Periodos de retorno (en aos)
Curva de Frecuencias

Para el anlisis de frecuencias, la tcnica consiste en
arreglar la serie en orden decreciente y atribuir a cada
valor el nmero de orden m (m vara desde 1 hasta n),
siendo n el tamao de la muestra, esto es, el nmero de
aos en el caso de series naturales). A continuacin se
calcula la frecuencia observada a travs de una relacin
emprica como la de Weibull:
Existen muchas otras propuestas de frmulas en la literatura
especializada (Viessman et al., 1972)., de esta forma, P
es la probabilidad de una determinada descarga a ser
igualada o superada cuando el valor de n es
suficientemente grande.
m
n
T
n
m
P
1
;
1
+
=
+
=
El tratamiento ms comn de los datos as preparados, es el
ploteo de los pares de puntos P T versus Q en un papel
con escalas apropiadas. Para propsitos generales, la
escala del papel usado no es importante, habiendo sido
propuesta una escala (Dalrymple, 1962) que aproxima el
grfico de una recta.



Donde: Y es una distancia lineal y T el periodo de retorno;
dando valores a T se puede construir un papel
probabilstico, en el cual generalmente los periodos de
retorno se colocan en las abcisas y las descargas en las
ordenadas; esta ltima escala puede ser transformada en
logartmica, dando origen a otro papel.
|
|
.
|

\
|
|
.
|

\
|
=
T
Y
1
1 ln ln
Es comn en nuestro pas que la mayor parte de los
registros disponibles de descargas no sobrepasen
20 o 25 aos, y dado que las necesidades del
proyecto requieren periodos de retorno superiores;
la tendencia es de usar la curva de frecuencia para
efectos de extrapolacin, por lo que esto debe ser
hecho con mucho criterio; la distancia lineal entre
25 y 250 aos parece corta en los grficos, pero la
extrapolacin solo puede justificarse cuando se
verifica que el fenmeno se ajusta a la ley
establecida.

En la prctica es posible efectuar el ajuste de
varias distribuciones tericas a una determinada
muestra. Para comparar y concluir cual de ellas,
se plotean los valores en el papel respectivo y se
escoge la que mejor se aproxima a una lnea
recta.
A continuacin sern examinadas con algn
detalle, las distribuciones tericas ms usadas
para el anlisis de mximas avenidas, indicando
que no existe un criterio definido para la
seleccin a priori de la distribucin ms
adecuada.
Distribucin Log-Normal de Dos Parmetros

La distribucin Log-Normal es de gran utilidad porque abre
el amplio campo terico de aplicacin de la distribucin
Normal. Como ambas distribuciones, Normal y Log-
Normal son de dos parmetros, basta calcular la
media y la desviacin estndar de los caudales y de
sus logaritmos, respectivamente.

Por el teorema de lmite central, tenemos que si X es una
variable aleatoria con distribucin normal, se puede
esperar una variable Y = ln(X), tambin con distribucin
normal con media
Y
y variancia o
y
2
. La funcin de
densidad de distribucin normal para Y es:
2
2
1
2
1
) (
(
(

=
y
y
Y
y
e Y f
o

o t
La relacin entre (X) y f(Y) es:
dX
dY
Y f X f ) ( ) ( =
Como Y = ln X, entonces:
X dX
dY 1
=
X > 0
2
ln
2
1
2
1
) (
(
(

=
y
y
X
y
e
X
X f
o

o t
X > 0
Para - < Y <
f(Y): funcin de densidad de la distribucin normal para Y (
Y
,o
y
2
)

f(X): funcin de densidad de la distribucin log-normal para X (
Y
,o
y
2
)

Y tiene distribucin normal, mientras que X tiene distribucin Log-normal.
Los parmetros
Y
y o
y
2
pueden ser estimados por sus parmetros
muestrales mediante la transformacin Y
i
= Ln X
i

=
n
Y
Y
i
1

2
2

n
Y n Y
S
i
Y
Chow (1954), present la siguiente relacin para calcular sin que sea
necesario transformar los datos previamente en sus logaritmos:
1

ln
2
1
2
+
=
v
C
X
Y
) 1 ln(
2 2
+ =
v Y
C S

X
S
C
X
v
=
Brakensiek (1958), propuso las siguientes relaciones para obtener la
media y variancia de la distribucin Log-normal.
2
2
1
) (
Y y
e X E
X
o

+
= =
) 1 ( ) (
2
2
=
y
e X Var
X
o

| |
2 / 1
1
2
=
Y
e C
v
o
g = 3C
v
+ C
v
3


Como f(X) = f(Y)/X; y siendo f(Y) una distribucin normal, se tiene:
Y
X
Z f
X f
o
) (
) ( =
donde:
Y
Y
Y
Z
o

=
Las tablas de distribucin normal estndar pueden ser usados para
evaluar la distribucin lognormal.
Ejemplo
Usando la distribucin Log-normal, calcule la frecuencia relativa esperada
para el siguiente intervalo de clase:
Intervalo de
Clase
Z P(Z) Frecuencia Relativa
Observada (f
o
)
Frecuencia Relativa
Esperada (f
e
)
40 - 50 -1.07 0.1423 0.152 ?
X
Solucin: La solucin esperada para la distribucin lognormal esta dada
por: f
e
(X) = (AX)P(X) f
e
(45) = (AX)P(45). Para evaluar P(45), se
requiere estimar
Y
o
Y


311 . 0
5 . 67
21
= = =
X
S
C
X
v


166 . 4
1 311 . 0
5 . 67
ln
2
1
1

ln
2
1
2
=
(

+
=
(
(

+
=
v
C
X
Y

30395 . 0 ) 1 311 . 0 ln( ) 1 ln(
2 2
= + = + =
v Y
C S
182 . 1
30395 . 0
166 . 4 45 ln ln
=

=
Y
Y
X
Z
o

de la tabla de distribucin normal P(Z)

= 0.1186
=DISTR.NORM.ESTAND.N(-1.182,VERDADERO)
0087 . 0
30395 . 0 45
1186 . 0 ) (
) 45 ( =

= =
y
XS
Z P
P
f
e
(45) = 10x0.0087 = 0.087. Por lo tanto la frecuencia relativa esperada de
dicho intervalo de clase de acuerdo a la distribucin Log-normal es: 0.087.
= 67.5 m3/s Sx = 21.0 m3/s
Ejemplo:
Si los datos de caudales picos del ejemplo anterior siguen
una distribucin log-normal, con media = 67.5 y desviacin
estndar 21; calcule la magnitud correspondiente a un
caudal que ocurre una vez en 100 aos.

Solucin:
Sea Q
o
el caudal que ocurre una vez en 100 aos entonces:
P(Q > Q
o
) = 0.01
P(Q < Q
o
) = 1 0.01 = 0.99 = F(Z) = 0.99
De la tabla de distribucin normal estndar, para F(Z) = 0.99,
se tiene Z = 2.3263. (=INV.NORM.ESTAND(0.99))
Y = (S
Y
)Z + = 0.30395 (2.326) + 4.166 = 4.873
Q
o
= X = e
Y
= e
4.873
= 130.71 m3/s

El caudal para un perodo de retorno de 100 aos de
acuerdo a la distribucin Log-normal es 130.71 m
3
/s.
Y

Y
Esta difiere de la distribucin
Log-normal de dos parmetros
por la introduccin de un lmite
inferior X
o
, como: Ln(X X
o
). La
funcin de densidad de X es:
2
) ln(
2
1
2 ) (
1
) (
(
(

=
y
y o
X X
y o
e
X X
X f
o

o t
X
o
= parmetro de posicin;
y
= parmetro de escala; o
Y
2
= parmetro de forma
2
Y
o
Los momentos de X pueden obtenerse de los correspondientes
momentos de la distribucin Log-normal de dos parmetros, debido a que
las variables aleatorias difieren solo en el parmetro de posicin X
o
:
X = X
o
+ H, siendo H = e
Y.
X es la Variable aleatoria con distribucin log-
normal de 3 parmetros; H es la Variable aleatoria con distribucin log-
normal de 2 parmetros y X
o
es elParmetro de posicin.
H X
X H E X X E + = + = =
0 0
) ( ) (
2 2 2
) (
H X X
X E o o = =
)
2
1
(
0
2
) (
Y Y
e X X E
X
o

+
+ = =
) 2 ( 2
2 2
) 1 ( ) (
Y Y Y
e e X Var
X
o o
o
+
= =
El coeficiente de asimetra, g, est dado por:
) 2 )( 1 (
2 2
+ =
Y Y
e e g
o o
y de forma aproximada puede ser:
2
85 . 4 52 . 0
Y
g o + ~
X > Xo
Distribucin Log-Normal de Tres Parmetros
Ejemplo
La variable aleatoria X de caudales picos, tiene distribucin log-normal de
tres parmetros con media 20, desv. estndar 6 y coef. de asimetra 1.5.
Determinar el caudal correspondiente a 5 aos de perodo de retorno.
Solucin:
5 . 1 85 . 4 52 . 0
2
= + ~
Y
g o entonces: o
Y
2
= 0.20 y o
Y
= 0.447
) 2 ( 2
2 2
) 1 (
Y Y Y
e e
X
o o
o
+
=
20 . 0
2
=
Y
o
y
36
2
=
X
o
Reemplazando se obtiene el valor de:

y
= 2.4457. De la ecuacin:
)
2
1
(
0
2
) (
Y Y
e X X E
X
o

+
+ = =
se obtiene que: X
o
= 7.25, puesto que
y
= 2.4457,
x
= 20 y
Para T = 5 aos
P(Q > Q
o
) = 1/T = 0.2
F(X) = P(Q s Q
o
) = 1 - 1/T = 0.80
El valor de Z obtenido de la tabla de distrib. normal estndar es: Z = 0.84
Y
Y
Y
Z
o

= se tiene:
821 . 2 1447 . 0 84 . 0 4457 . 2 = + = + =
Y Y
Z Y o
Finalmente de la relacin X = X
o
+ e
Y
se tiene que X = 24.05 m
3
/s
y adems
Como:
Como:
Como:
Distribucin de Gumbel

La Distribucin de Gumbel o de valor extremo, tiene
actualmente gran utilidad. Los valores extremos en cuestin
serian las descargas diarias mximas anuales, ya que cada
una es la mxima entre los 365 valores del ao. De acuerdo
con la ley de los extremos (Pinto et al., 1976), la ley de
distribucin de la serie de n trminos constituidos por los
mayores valores de cada muestra tiende asintticamente
para una ley simple de probabilidades, que es independiente
de la que rige la variable aleatoria en las diferentes muestras
y en el propio universo de la poblacin infinita.
La distribucin Gumbel es usado frecuentemente para el
estudio de magnitud-duracin y frecuencias de lluvias
(Hershfield 1961) y como la distribucin de valores mximos
de caudales anuales de un ro. GUMBEL (1958), estudi la
aplicacin para datos de descargas diarias.
La funcin de densidad de probabilidad para la distribucin de valores
extremos Tipo I o Gumbel es:
(
(

=
o
|
o
|
o
X
e
X
e X f
1
) (
El signo (+) se aplica para valores mnimos y el signo (-) para valores
mximos. En la funcin de densidad o es el parmetro de escala y | el
parmetro de posicin. La media, la variancia y el coeficiente de
asimetra de la distribucin del valor extremo Tipo I son:
o | 577 . 0 ) ( + = = X E
valores mximos
o | 577 . 0 ) ( = = X E
valores mnimos
2 2
645 . 1 o o =
para ambos
1396 . 1 = g
valores mximos
1396 . 1 = g valores mnimos
para: - < X < ; - < | < ; o > 0
Media
Varianza
Coef.
Asimetra
Si se hace la transformacin;
o
|
=
X
Y
; la funcin de densidad ser:
( )
Y
e Y
e Y f


= ) (
El signo (+) se emplea para eventos mnimos y
el signo () para eventos mximos. La funcin
de distribucin acumulada es:
Y
e
e Y F Y Y P

= = < ) ( ) (
0
para valores mximos
Y
e
e Y F Y Y P

= = < 1 ) ( ) (
0
para valores mnimos
max min
Y F Y F ) ( 1 ) ( =
Los estimadores para los parmetros o y |, por el mtodo de momentos
(Lowery y Nash, 1970) son:
283 . 1

S
= o
S X 45 . 0

= |
para valores mximos
S X 45 . 0

+ = |
para valores mnimos
Por el mtodo de mxima verosimilitud (Lower y Nash, 1970) son:

=
o
o
o

i
i
X
X
i
e
e X
X

|
|
|
.
|

\
|
=

n
e
i
X
o
o |

ln

Desafortunadamente las ecuaciones de mxima verosimilitud

para el estimado de los parmetros o y | no tienen solucin
explcita, por lo que es necesario una solucin por mtodos
numricos. Segn Lower y Nash, el mtodo de momentos da
resultados satisfactorios en el clculo de estos parmetros.

Ejemplo:
Si se muestra de datos de caudales picos tiene como media
81 y desviacin estndar 23. Determinar el perodo de
retorno T, correspondiente a Q = 91 m
3
/s, si se asume que los
datos siguen una distribucin Gumbel.
Solucin: 94 . 17
283 . 1

= =
S
o

65 . 70 45 . 0

= = S X |
La variable reducida es:
134 . 1
94 . 17
65 . 70 91
=

=
o
| X
Y
por lo tanto:
725 . 0 ) 134 . 1 (
134 . 1
= = = s

e e
e e Y P
Y
y consecuentemente: 64 . 3
725 . 0 1
1
=

= T

El mtodo de Gumbel es de fcil aplicacin y se basa solo en dos
parmetros, la media y la desviacin estndar, mientras que otros mtodos
incluyen el coeficiente de asimetra.

Cuando la asimetra es grande, se toma X = ln Q y se procede al anlisis
como en el caso anterior, constituyndose una distribucin Log-Gumbel; el
grfico establecido corresponde a una recta en el papel de probabilidades
correspondiente, si el ajuste es adecuado.
Distribucin Pearson Tipo III:
La distribucin Pearson Tipo III, tiene gran aplicacin en el anlisis de
caudales picos. Su funcin de densidad es:
( ) |

|
I

=
/ ) ( 1
) (
) (
o
X X
o
e X X
X f
X
o
s X < ; - < X
o
< ;
0 < | < ; 0 < <
|
0
X X
Y

=
por lo que:
( )

I
=
Y
e Y
Y f
1
) (
( )
dY
e Y
F(Y) Y P(Y
Y
Y
}
I
= = s

0
1
0
)

El estimado para los parmetros por el mtodo de momentos es:

| + = =
0
X E(X)
media | o
2 2 2
= = ) E(X varianza

2
= g
coeficiente de asimetra o sesgo
Variable
reducida:
Ejemplo 6:
Si los caudales picos de un cierto ro siguen una distribucin
Pearson Tipo III, con media 60, desviacin estndar 18 y
coeficiente de asimetra 0.9. Calcular aproximadamente la
media y el caudal con un perodo de retorno de 10 aos.

Solucin:
9 . 0
2
= =

g 938 . 4

=
2 2 2
18 = = | o 10 . 8
938 . 4
18

= = |
60
0
= + = | X
002 . 20 938 . 4 10 . 8 60
0
= = X
|
0
X X
Y

=
0
X Y X + = |
( )
dY
e Y
T
F(Y) Y P(Y
Y
Y
}
I
= = = = = s

0
1
0
0.9
10
1
1
1
1 )

Debido a la dificultad de resolver la integral se recomienda

usar las tablas de distribucin acumulada Gamma o en su
defecto obtenerla haciendo uso de la Funcin estadstica
DISTR.GAMMA.INV de Microsoft EXCEL. A continuacin se
describe el procedimiento seguido en la obtencin de Y
mediante EXCEL:

Funcin: DISTR.GAMMA.INV
Calcula, para una probabilidad dada, el valor de la variable
aleatoria siguiendo una distribucin gamma acumulativa.

Sintaxis: DISTR.GAMMA.INV(probabilidad;alfa;beta)
Probabilidad : es la probabilidad asociada con la
distribucin gamma.
Alfa : es un parmetro de la distribucin.
Beta : es un parmetro de la distribucin.

Observaciones:
Si uno de los argumentos no es numrico, DISTR.GAMMA.INV devuelve el
error #VALOR!
Si el argumento prob < 0 o si probabilidad > 1, DISTR.GAMMA.INV
devuelve el error #NUM!
Si alfa 0 o si beta 0, DISTR.GAMMA.INV devuelve el error #NUM!
Si el argumento beta 0, DISTR.GAMMA.INV devuelve el error #NUM!
DISTR.GAMMA.INV utiliza una tcnica iterativa para calcular la funcin.
Dado un valor del argumento probabilidad, DISTR.GAMMA.INV reitera
hasta obtener un resultado con una exactitud de 3x10
-7
. Si
DISTR.GAMMA.INV no converge despus de 100 iteraciones, devuelve
el valor de error #N/A.
La ecuacin para la distribucin gamma es:
( )
| o
o
o |
| o
x
e x x f
1
1
) , , (

I
=
Aplicacin:
En nuestro caso especfico: probabilidad = 0.9, o = = 4.938, | = 1
DISTR.GAMMA.INV(0.9;4.938;1) que da Y = 7.9132. Por lo tanto:
s
X Y X
3
0
m
1 . 84 002 . 20 9132 . 7 1 . 8 = + = + = |
La transformacin puede ser:
) ln( X Z =

) ln(
0
X X Z =
Donde: Z es la variable aleatoria con distribucin Pearson III y X la
variable aleatoria con distribucin Log-Pearson III. La funcin de
densidad para X y Z y la funcin de distribucin se dan a continuacin:
( ) |

|
I

=
/ ) ( 1
0
0
) (
) (
Y LnX
e Y LnX
X f
( ) |

|
I

=
/ ) ( 1
0
0
) (
) (
Z Z
e Z Z
Z f
( )
}
I

= = s

Z
Z
Z Z
o
e Z Z
F(Z) Z P(Z
|

|
0
1
0
0
) (
)
Z
o
= parmetro de posicin; | = parmetro de escala; = parmetro de
forma
Distribucin Log-Pearson Tipo III:
De acuerdo a la distribucin Pearson Tipo III:
0
X Z X + = |
y para Log-Pearson Tipo III:
Z
e X =

Z
e X X + =
0
La media, variancia y el sesgo de la distribucin Log-Pearson Tipo III son:
| + = =
0
Z E(Z)
Z
media
| o
2
2
2
= =
Z Z
) E(Z
variancia

2
= g
coeficiente de asimetra o sesgo
Ejemplo:
Si los caudales picos son variables aleatorias, (X) con distribucin Log-
Pearson de 3 parmetros tal que Ln(X) tiene media igual a 5, variancia
igual a 0.06 y sesgo igual a 0.61. Determinar el caudal correspondiente a
un perodo de retorno de 10 aos.

Solucin:
61 . 0
2
= =

g

75 . 10

=
08 . 0
2
2
= = | o
Z
0863 . 0
75 . 10
08 . 0

= = |
5
0
= + = | Z
Z
0723 . 4 75 . 10 0863 . 0 5
0
= = Z
( )
}
I

= = = = = s

Z
Z
Z Z
o
e Z Z
T
F(Z) Z P(Z
|

|
0
1
0
0
) (
0.9
10
1
1
1
1 )
Como:
Como:
Como:


La solucin de esta ecuacin es bastante complicada por lo
que ser necesario hacer la siguiente transformacin:
|
0
Z Z
Y

=
por lo que:
( )
dY
e Y
Y F
Y
o
Y
}
I
= =

1
9 . 0 ) (
Siguiendo el mismo procedimiento que en el ejemplo
anterior, se obtiene, para:
probabilidad = 0.9, o = = 10.75, | = 1
DISTR.GAMMA.INV(0.9;10.75;1) que da Y = 15.1074
376 . 5 0723 . 4 1074 . 15 0863 . 0
0
= + = + = Z Y Z |
Finalmente:
s
m
16 . 216
3
376 . 5
= = = e e X
Z
Por lo tanto:
La distribucin Pearson III posee la caracterstica de ser asimtrica y no
negativa, lo que lo hace adecuada para describir los caudales mximos;
es una distribucin de tres parmetros. La media, la desviacin estndar
y el coeficiente de asimetra, son definidos por las siguientes relaciones:

n
X
X

=
( )
1
2

=

n
X X
S
X
( )
( )
( )( ) ( )
( )( )
3
3
2 3
2
3
2 1
2 3
2
X
X
X
S n n n
X n X X n X n
X X S
X X
c

+
=

El METODO DE FOSTER representa una aplicacin de la distribucin

Pearson III, a travs de un ajuste del coeficiente de asimetra establecido
por Hazen:
|
.
|

\
|
+ =
n
c c
X X
5 . 8
1
'
donde n es el tamao de la muestra de caudales mximos diarios. Para la
aplicacin del mtodo, se calculan los parmetros media, desviacin
estndar y el coeficiente de asimetra.
METODO DE FULLER:

Es un mtodo de extrapolacin de datos histricos basado no en una
distribucin de frecuencias, pero s en una regla de probabilidad, que
establece la siguiente relacin entre y el periodo de retorno T y:
Q
Q
T b a
Q
Q
log + =
donde Q es el caudal diario ms probable con periodo de retorno T; a y b
son coeficientes determinados a partir de los datos histricos. Cuando no
existen series de datos observados, el autor propone los valores de: a =
1.0 y b = 0.8 obtenidos para un gran nmero de ros, y el caudal medio
puede encontrarse a travs de:
8 . 0
796 . 0 A Q =
siendo A el rea de la cuenca. De esta forma, el caudal mximo diario Q
para un periodo de retorno T en una cuenca de rea A se obtiene:
( ) T A Q log 8 . 0 1 796 . 0
8 . 0
+ =

Uso de Factores de Frecuencia en el Anlisis de Eventos
Extremos:
El factor de frecuencia es un valor caracterstico de la ley de
distribucin Log-Normal, que tiene gran significacin en el
anlisis de eventos extremos y es conocido
matemticamente como la variable reducida. Este trmino fue
usado por Ven Te Chow (1951) en combinacin con la
frmula general para el anlisis de frecuencias hidrolgicas:
Q
KS Q Q + =
K es el factor de frecuencia, que depende de la ley de
ocurrencia del evento hidrolgico y es tericamente idntico
al factor de asimetra de la curva logartmica. Para una
distribucin dada, puede determinarse una relacin K T
entre el factor de frecuencia y el periodo de retorno
correspondiente que puede expresarse en trminos
matemticos o mediante una tabla.
Factor de Frecuencia para la Distribucin Normal y Lognormal:

Es el mismo que la variable normal estndar Z definida por la ecuacin
siguiente:
Q
S
Q Q
Z K

= =
El valor de Z correspondiente a una probabilidad
de excedencia puede calcularse encontrando el
valor de una variable intermedia W:
2 / 1
2
1
ln
(

|
.
|

\
|
=
P
W
(0 < P s 0.5)
2 / 1
2
) 1 (
1
ln
(

|
|
.
|

\
|

=
P
W
El valor de Z puede ser obtenida de tablas o calculada con la siguiente
ecuacin de aproximacin:
3 2
2
001308 . 0 189269 . 0 432788 . 1 1
010328 . 0 802853 . 0 515517 . 2
W W W
W W
W Z K
+ + +
+ +
= =
Para la distribucin Log-Normal, se usa el mismo procedimiento
excepto que ste se aplica a los logaritmos de las variables.
(P > 0.5)
Factor de Frecuencia para la Distribucin Gumbel y Log-
Gumbel:
Para la distribucin de Valor Extremo Tipo I, Chow (1953)
dedujo la siguiente expresin:
)
`

|
.
|

\
|

+ =
1
ln ln 5772 . 0
6
T
T
K
t
)
`

|
.
|

\
|
+
=
6
5772 . 0 exp exp 1
1
K
T
t
Cuando la variable es igual a la media K = 0 y T = 2.33 aos,
que corresponde al periodo de retorno de la media de la
distribucin. Para la distribucin Log-Gumbel, se usa el mismo
procedimiento excepto que ste se aplica a los logaritmos de
las variables.
Factor de Frecuencia para la Distribucin Pearson III y
Log-Pearson III

Para la distribucin Log-Pearson III, se trabaja con los los
logaritmos de la informacin y luego se procede a calcular la
media, desviacin estndar y el coeficiente de asimetra. El
factor de frecuencia depende del periodo de retorno T y del
coeficiente de asimetra C. Cuando C = 0 el factor de
frecuencia K es igual a la variable normal estndar Z y cuando
C = 0 el factor de frecuencia se aproxima (Kite 1977) como:
( ) ( ) ( )
5 4 3
2
2
3 2
6 3
1
6 6
1
6
6
3
1
6
1
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|

|
.
|

\
|
+
|
.
|

\
|
+ =
C C
Z
C
Z
C
Z Z
C
Z Z K
Los valores de Z y K para un periodo de retorno dado
pueden calcularse a travs de las ecuaciones y o en su
defecto obtenerse de tablas.
Lmites de Confianza para las Distribuciones de Valores
Extremos:
El grfico de los datos observados, muestran una tendencia lineal recta.
La distribucin de los datos de probabilidad acumulada pueden ser
descritas por los Lmites de Confianza, establecidos a ambos lados de la
curva de ajuste, quedando entonces la nube de puntos ploteados dentro
de estos lmites con un cierto grado de probabilidad. Para ello se calcula,
en primer lugar, el intervalo de confianza a partir del error estndar de la
media y de la desviacin estndar multiplicndose por el estadstico t de
Student escogido en funcin del nmero de grados de libertad (v):
( )
2 / 1
2
5 . 0 1 Z
n
tS
IC
Q
+ =
Lmite de Confianza Superior: LCS = Q + IC

Lmite de Confianza Inferior: LCI = Q - IC

El nmero de grados de libertad se calcula se calcula restando el
nmero de parmetros (k) al tamao de la muestra (n): v = n - k
Intervalo de Confianza:
Ao Q Q Posicin P >= Q (%) T (aos) Y=Log Q
m3/s m3/s m m/(N+1) (N+1)/m
1 2 3 4 5 6 7
1970 120.0 261.0 1 3.45 29.00 2.4166
1971 151.0 239.0 2 6.90 14.50 2.3784
1972 150.0 210.0 3 10.34 9.67 2.3222
1973 210.0 196.0 4 13.79 7.25 2.2923
1974 182.0 190.0 5 17.24 5.80 2.2788
1975 261.0 189.0 6 20.69 4.83 2.2765
1976 180.0 189.0 7 24.14 4.14 2.2765
1977 150.0 182.0 8 27.59 3.63 2.2601
1978 189.0 180.0 9 31.03 3.22 2.2553
1979 167.0 179.0 10 34.48 2.90 2.2529
1980 111.0 176.0 11 37.93 2.64 2.2455
1981 126.0 172.0 12 41.38 2.42 2.2355
1982 170.0 170.0 13 44.83 2.23 2.2304
1983 104.0 169.0 14 48.28 2.07 2.2279
1984 151.0 167.0 15 51.72 1.93 2.2227
1985 169.0 163.0 16 55.17 1.81 2.2122
1986 137.0 158.0 17 58.62 1.71 2.1987
1987 179.0 153.0 18 62.07 1.61 2.1847
1988 189.0 151.0 19 65.52 1.53 2.1790
1989 153.0 151.0 20 68.97 1.45 2.1790
1990 239.0 150.0 21 72.41 1.38 2.1761
1991 140.0 150.0 22 75.86 1.32 2.1761
1992 158.0 140.0 23 79.31 1.26 2.1461
1993 196.0 137.0 24 82.76 1.21 2.1367
1994 176.0 126.0 25 86.21 1.16 2.1004
1995 163.0 120.0 26 89.66 1.12 2.0792
1996 190.0 111.0 27 93.10 1.07 2.0453
1997 172.0 104.0 28 96.55 1.04 2.0170
Media 167.25 Media 2.2144
Desv. Est. 34.89 Des. Est. 0.0904
Cof. Asim. 0.6180 Cof. Asim. -0.1104
Ejemplo de Clculo de Mximas Avenidas Uso de Factores de Frecuencia
T P Q obs. Q cal. LCI LCS
2 0.5000 169.00 163.82 151.09 177.61
5 0.2000 189.00 195.17 177.64 214.43
10 0.1000 210.00 213.90 191.78 238.56
25 0.0400 255.00 235.85 207.36 268.24
50 0.0200 251.20 217.82 289.71
75 0.0133 259.85 223.58 302.01
100 0.0100 265.87 227.54 310.66
150 0.0067 274.21 232.96 322.75
200 0.0050 280.04 236.72 331.28
300 0.0033 288.15 241.90 343.24
400 0.0025 293.84 245.50 351.70
500 0.0020 298.22 248.25 358.25
1000 0.0010 311.67 256.62 378.53
Mtodo Log-Normal
Mtodo Gumbel
T P Q obs. Q cal. LCI LCS
2 0.5000 169.00 161.52 147.87 175.17
5 0.2000 189.00 192.35 177.14 207.56
10 0.1000 210.00 212.77 194.32 231.21
25 0.0400 255.00 238.56 214.74 262.39
50 0.0200 257.70 229.39 286.00
75 0.0133 268.82 237.80 299.84
100 0.0100 276.69 243.71 309.68
150 0.0067 287.77 251.99 323.55
200 0.0050 295.62 257.83 333.40
300 0.0033 306.67 266.04 347.30
400 0.0025 314.51 271.84 357.18
500 0.0020 320.58 276.33 364.84
1000 0.0010 339.46 290.24 388.67
Resultados - Distribucin de Gumbel
100.0
120.0
140.0
160.0
180.0
200.0
220.0
240.0
260.0
280.0
300.0
320.0
340.0
360.0
380.0
400.0
420.0
1 10 100 1000
T (aos)
Q

(
m
3
/
s
)
Q obs. Q cal. LCI LCS
Mtodo Log-Pearson III
T P Q obs. Q cal. LCI LCS
2 0.5000 169.00 164.44 151.64 178.32
5 0.2000 189.00 195.37 177.76 214.71
10 0.1000 210.00 213.34 191.34 237.88
25 0.0400 255.00 233.96 206.01 265.71
50 0.0200 248.10 215.67 285.41
75 0.0133 255.97 220.94 296.56
100 0.0100 261.40 224.53 304.33
150 0.0067 268.88 229.43 315.11
200 0.0050 274.07 232.80 322.65
300 0.0033 281.24 237.41 333.15
400 0.0025 286.23 240.60 340.52
500 0.0020 290.06 243.02 346.20
1000 0.0010 301.71 250.34 363.61
Resultados - Distribucin Log-Pearson III
100. 0
120. 0
140. 0
160. 0
180. 0
200. 0
220. 0
240. 0
260. 0
280. 0
300. 0
320. 0
340. 0
360. 0
380. 0
1 10 100 1000
T (aos)
Q

(
m
3
/
s
)
Q obs. Q cal. LCI LCS
125 0.00800 3.1075 2.4093
150 0.00667 3.1656 2.4752
175 0.00571 3.2140 2.5297
200 0.00500 3.2552 2.5762
250 0.00400 3.3231 2.6525
300 0.00333 3.3775 2.7134
350 0.00286 3.4228 2.7641
400 0.00250 3.4616 2.8074
450 0.00222 3.4955 2.8451
500 0.00200 3.5255 2.8785
550 0.00182 3.5524 2.9084
600 0.00167 3.5769 2.9355
650 0.00154 3.5992 2.9603
700 0.00143 3.6197 2.9830
750 0.00133 3.6387 3.0041
800 0.00125 3.6564 3.0236
850 0.00118 3.6729 3.0419
900 0.00111 3.6885 3.0591
950 0.00105 3.7031 3.0753
1000 0.00100 3.7169 3.0905
1500 0.00067 3.8245 3.2090
2000 0.00050 3.8989 3.2908
2500 0.00040 3.9558 3.3530
3000 0.00033 4.0016 3.4031
3500 0.00029 4.0399 3.4450
4000 0.00025 4.0728 3.4809
4500 0.00022 4.1017 3.5124
5000 0.00020 4.1273 3.5402
7500 0.00013 4.2244 3.6458
8000 0.00013 4.2396 3.6624
10000 0.00010 4.2919 3.7191
T P W K
aos
1 1.00000 infinito infinito
2 0.50000 1.1774 0.0000
3 0.33333 1.4823 0.4303
4 0.25000 1.6651 0.6742
5 0.20000 1.7941 0.8415
6 0.16667 1.8930 0.9674
8 0.12500 2.0393 1.1504
10 0.10000 2.1460 1.2817
15 0.06667 2.3273 1.5014
20 0.05000 2.4477 1.6452
25 0.04000 2.5373 1.7511
30 0.03333 2.6081 1.8343
35 0.02857 2.6666 1.9026
40 0.02500 2.7162 1.9604
45 0.02222 2.7592 2.0103
50 0.02000 2.7971 2.0542
55 0.01818 2.8310 2.0933
60 0.01667 2.8616 2.1285
65 0.01538 2.8894 2.1605
70 0.01429 2.9150 2.1898
75 0.01333 2.9385 2.2168
80 0.01250 2.9604 2.2418
85 0.01176 2.9808 2.2652
90 0.01111 2.9999 2.2870
95 0.01053 3.0179 2.3075
100 0.01000 3.0349 2.3268
FACTOR DE FRECUENCIA K = Z, Para la Distribucin Normal
FACTOR DE FRECUENCIA K, Para la Distribucin Gumbel
T P K
aos
1 1.00000 infinito
2 0.50000 -0.1643
3 0.33333 0.2538
4 0.25000 0.5214
5 0.20000 0.7195
6 0.16667 0.8770
8 0.12500 1.1198
10 0.10000 1.3046
15 0.06667 1.6347
20 0.05000 1.8658
25 0.04000 2.0438
30 0.03333 2.1887
35 0.02857 2.3108
40 0.02500 2.4163
45 0.02222 2.5093
50 0.02000 2.5923
55 0.01818 2.6673
60 0.01667 2.7358
65 0.01538 2.7987
70 0.01429 2.8569
75 0.01333 2.9111
80 0.01250 2.9617
85 0.01176 3.0093
90 0.01111 3.0541
95 0.01053 3.0965
100 0.01000 3.1367
125 0.00800 3.3115
150 0.00667 3.4541
175 0.00571 3.5747
200 0.00500 3.6791
250 0.00400 3.8535
300 0.00333 3.9959
350 0.00286 4.1163
400 0.00250 4.2205
450 0.00222 4.3125
500 0.00200 4.3947
550 0.00182 4.4691
600 0.00167 4.5370
650 0.00154 4.5994
700 0.00143 4.6573
750 0.00133 4.7111
800 0.00125 4.7614
850 0.00118 4.8087
900 0.00111 4.8533
950 0.00105 4.8955
1000 0.00100 4.9355
1500 0.00067 5.2518
2000 0.00050 5.4762
2500 0.00040 5.6502
3000 0.00033 5.7924
3500 0.00029 5.9126
4000 0.00025 6.0167
4500 0.00022 6.1086
5000 0.00020 6.1907
7500 0.00013 6.5069
8000 0.00013 6.5572
10000 0.00010 6.7312
FACTOR DE FRECUENCIA K, Para la Distribucin Pearson
Coeficiente PERIODO DE RETORNO EN AOS
de 2 5 10 25 50 75 100 200 500 1000
Asimetra PPROBABILIDAD DE EXCEDENCIA
(c) 0.500 0.200 0.100 0.040 0.020 0.013 0.010 0.005 0.002 0.001
-2.6 0.3469 0.6901 0.7460 0.7589 0.7594 0.7616 0.7648 0.7807 0.8224 0.8716
-2.5 0.3401 0.7055 0.7716 0.7909 0.7916 0.7924 0.7940 0.8037 0.8331 0.8702
-2.4 0.3326 0.7202 0.7973 0.8242 0.8265 0.8266 0.8271 0.8323 0.8517 0.8783
-2.3 0.3242 0.7342 0.8229 0.8588 0.8638 0.8640 0.8641 0.8662 0.8777 0.8958
-2.2 0.3152 0.7476 0.8484 0.8945 0.9034 0.9045 0.9047 0.9051 0.9109 0.9221
-2.1 0.3054 0.7602 0.8737 0.9312 0.9451 0.9479 0.9486 0.9489 0.9510 0.9570
-2.0 0.2949 0.7721 0.8989 0.9688 0.9887 0.9939 0.9958 0.9972 0.9976 1.0001
-1.9 0.2839 0.7832 0.9237 1.0072 1.0342 1.0424 1.0460 1.0499 1.0505 1.0510
-1.8 0.2722 0.7936 0.9483 1.0462 1.0813 1.0932 1.0989 1.1066 1.1094 1.1095
-1.7 0.2600 0.8032 0.9724 1.0858 1.1299 1.1461 1.1545 1.1672 1.1739 1.1752
-1.6 0.2473 0.8120 0.9962 1.1259 1.1799 1.2009 1.2124 1.2314 1.2439 1.2477
-1.5 0.2340 0.8201 1.0194 1.1663 1.2311 1.2576 1.2726 1.2990 1.3189 1.3267
-1.4 0.2204 0.8273 1.0421 1.2069 1.2833 1.3159 1.3349 1.3697 1.3988 1.4120
-1.3 0.2063 0.8338 1.0643 1.2477 1.3365 1.3756 1.3990 1.4434 1.4832 1.5031
-1.2 0.1919 0.8394 1.0858 1.2886 1.3904 1.4366 1.4647 1.5198 1.5719 1.5998
-1.1 0.1771 0.8442 1.1066 1.3293 1.4450 1.4988 1.5320 1.5987 1.6646 1.7019
-1.0 0.1620 0.8481 1.1268 1.3700 1.5002 1.5619 1.6007 1.6800 1.7610 1.8089
-0.9 0.1466 0.8513 1.1462 1.4104 1.5557 1.6259 1.6705 1.7633 1.8610 1.9205
-0.8 0.1309 0.8536 1.1648 1.4506 1.6115 1.6906 1.7414 1.8485 1.9642 2.0366
-0.7 0.1151 0.8550 1.1826 1.4903 1.6675 1.7558 1.8131 1.9355 2.0704 2.1568
-0.6 0.0990 0.8556 1.1996 1.5296 1.7235 1.8215 1.8855 2.0239 2.1794 2.2808
-0.5 0.0828 0.8553 1.2157 1.5683 1.7794 1.8874 1.9585 2.1137 2.2909 2.4084
-0.4 0.0664 0.8543 1.2308 1.6064 1.8351 1.9535 2.0319 2.2046 2.4047 2.5393
-0.3 0.0499 0.8523 1.2450 1.6438 1.8906 2.0196 2.1055 2.2965 2.5206 2.6732
-0.2 0.0333 0.8495 1.2583 1.6804 1.9456 2.0856 2.1793 2.3892 2.6384 2.8099
-0.1 0.0167 0.8459 1.2705 1.7162 2.0002 2.1514 2.2531 2.4825 2.7577 2.9491
0.0 0.0000 0.8415 1.2817 1.7511 2.0542 2.2168 2.3268 2.5762 2.8785 3.0905
0.1 -0.0167 0.8362 1.2919 1.7850 2.1075 2.2818 2.4002 2.6703 3.0005 3.2340
0.2 -0.0333 0.8301 1.3011 1.8180 2.1600 2.3462 2.4733 2.7645 3.1235 3.3793
0.3 -0.0499 0.8232 1.3091 1.8499 2.2117 2.4100 2.5458 2.8588 3.2474 3.5262
0.4 -0.0664 0.8155 1.3161 1.8806 2.2625 2.4731 2.6178 2.9528 3.3719 3.6744
0.5 -0.0828 0.8070 1.3221 1.9103 2.3123 2.5353 2.6890 3.0466 3.4968 3.8237
0.6 -0.0990 0.7978 1.3269 1.9387 2.3610 2.5965 2.7595 3.1400 3.6220 3.9740
0.7 -0.1151 0.7878 1.3306 1.9659 2.4085 2.6567 2.8290 3.2329 3.7473 4.1250
0.8 -0.1309 0.7771 1.3332 1.9918 2.4548 2.7159 2.8975 3.3250 3.8726 4.2765
0.9 -0.1466 0.7657 1.3348 2.0164 2.4999 2.7738 2.9650 3.4164 3.9976 4.4283
1.0 -0.1620 0.7536 1.3352 2.0397 2.5437 2.8305 3.0312 3.5069 4.1223 4.5802
1.1 -0.1771 0.7409 1.3346 2.0617 2.5860 2.8859 3.0962 3.5963 4.2464 4.7321
1.2 -0.1919 0.7275 1.3328 2.0822 2.6270 2.9399 3.1599 3.6846 4.3698 4.8838
1.3 -0.2063 0.7135 1.3301 2.1014 2.6665 2.9925 3.2222 3.7718 4.4925 5.0350
1.4 -0.2204 0.6990 1.3262 2.1191 2.7045 3.0435 3.2830 3.8576 4.6141 5.1858
1.5 -0.2340 0.6839 1.3214 2.1355 2.7410 3.0930 3.3423 3.9420 4.7348 5.3358
1.6 -0.2473 0.6683 1.3155 2.1504 2.7759 3.1410 3.4000 4.0249 4.8542 5.4850
1.7 -0.2600 0.6523 1.3087 2.1639 2.8092 3.1873 3.4561 4.1063 4.9723 5.6331
1.8 -0.2722 0.6358 1.3009 2.1760 2.8409 3.2319 3.5105 4.1860 5.0890 5.7801
1.9 -0.2839 0.6190 1.2922 2.1867 2.8710 3.2749 3.5632 4.2641 5.2043 5.9259
2.0 -0.2949 0.6018 1.2826 2.1960 2.8995 3.3162 3.6142 4.3404 5.3179 6.0703
2.1 -0.3054 0.5843 1.2721 2.2039 2.9263 3.3557 3.6634 4.4149 5.4298 6.2131
2.2 -0.3152 0.5667 1.2608 2.2105 2.9515 3.3935 3.7108 4.4876 5.5399 6.3544
2.3 -0.3242 0.5488 1.2488 2.2157 2.9750 3.4295 3.7564 4.5583 5.6482 6.4939
2.4 -0.3326 0.5308 1.2361 2.2196 2.9970 3.4638 3.8001 4.6272 5.7546 6.6317
2.5 -0.3401 0.5128 1.2227 2.2222 3.0173 3.4963 3.8420 4.6940 5.8589 6.7675
2.6 -0.3469 0.4947 1.2087 2.2236 3.0360 3.5271 3.8821 4.7589 5.9613 6.9013
2.7 -0.3527 0.4768 1.1942 2.2238 3.0532 3.5561 3.9204 4.8218 6.0615 7.0331
2.8 -0.3577 0.4589 1.1791 2.2228 3.0688 3.5834 3.9568 4.8826 6.1596 7.1628
2.9 -0.3616 0.4413 1.1637 2.2208 3.0829 3.6091 3.9914 4.9415 6.2556 7.2902
6/29/2012 FIA DRAT-CAYO RAMOS 63
PRUEBA DE BONDAD DE AJUSTE
La bondad del ajuste de una distribucin de
probabilidad puede probarse comparando los
valores tericos y muestrales de las
funciones de frecuencia relativa o de
frecuencia acumulada.
Se usa la Prueba X
2

( ) ( ) ( )
( )

=
m
i
i
i i
x p
x p x f n
X
1
2
2
( ) o = 1 , 1 ,
2
p m v X
c
m = Numero de intervalos
p = Numero de parametros
usados
v = grados de libertad
o = nivel de significacion
6/29/2012 FIA DRAT-CAYO RAMOS 64
EJEMPLO

Ao Pp (mm) Ao Pp (mm) Ao Pp (mm) Ao Pp (mm) Ao Pp (mm) Ao Pp (mm)
1911 39.9 1923 48.4 1935 41.8 1947 43.8 1959 41.3 1971 31.7
1912 31.0 1924 34.2 1936 41.1 1948 21.6 1960 46.0 1972 31.5
1913 42.3 1925 32.4 1937 31.2 1949 47.1 1961 44.3 1973 59.6
1914 42.1 1926 46.4 1938 35.2 1950 31.2 1962 37.8 1974 50.5
1915 41.1 1927 38.9 1939 35.1 1951 27.0 1963 29.6 1975 38.6
1916 28.7 1928 37.3 1940 49.3 1952 37.0 1964 35.1 1976 43.4
1917 16.8 1929 50.6 1941 44.2 1953 46.8 1965 49.7 1977 28.7
1918 34.1 1930 44.8 1942 41.7 1954 26.9 1966 36.6 1978 32.0
1919 56.4 1931 34.0 1943 30.8 1955 25.4 1967 32.5 1979 51.8
1920 48.7 1932 45.6 1944 53.6 1956 23.0 1968 61.7
1921 44.1 1933 37.3 1945 34.5 1957 56.5 1969 47.4
1922 42.8 1934 43.7 1946 50.3 1958 43.4 1970 33.9
Precipitacion Anual
6/29/2012 FIA DRAT-CAYO RAMOS 65
EJEMPLO

Ajuste a una distribucion Normal
Intervalo rango n f (x) F(x) Z F(x) p(x) X
2
c
1 <20 1 0.014 0.014 -2.141 0.016 0.016 0.012
2 20-25 2 0.029 0.043 -1.599 0.055 0.039 0.169
3 25-30 6 0.087 0.13 -1.058 0.145 0.09 0.008
4 30-35 14 0.203 0.333 -0.516 0.303 0.158 0.89
5 35-40 11 0.159 0.493 0.025 0.51 0.207 0.762
6 40-45 16 0.232 0.725 0.567 0.715 0.205 0.253
7 45-50 10 0.145 0.87 1.109 0.866 0.152 0.02
8 50-55 5 0.072 0.942 1.65 0.951 0.084 0.116
9 55-60 3 0.043 0.986 2.192 0.986 0.035 0.132
10 >60 1 0.014 1 2.755 1 0.014 4E-04
total 69 1 1 2.362
x 39.77
s 9.23
6/29/2012 FIA DRAT-CAYO RAMOS 66
PRUEBA DE KOLMOGOROV
Determina la desviacin mxima entre la
frecuencia relativa observada determinada
con Weibull F(m) y la frecuencia relativa
esperada F(x) calculada por el desarrollo de
la funcin de distribucin terica:


Compararlo con la Atabla con o y N
) ( ) ( x F m F
max
= A
o = nivel de significacin y
N numero de datos
Gracias