FIC

Hidrología Estadística y
Probabilística

Ing. Walter
Walter La Madrid, M.Sc.
wwlamadrid@yahoo.es
La planeación y el diseño de obras hidráulicas están relacionados con
eventos hidrológicos futuros, cuyo tiempo de ocurrencia o magnitud no
pueden predecirse, ya que no están gobernados por leyes físicas o
químicas conocida, sino por las leyes de azar.
azar.

Es por ello que la probabilidad y la estadística juegan un papel muy

importante para pronosticar eventos hidrológicos.

Debido a que en hidrología se cuenta con periodos muy cortos de

precipitaciones para poder estimar la lluvia de diseño de una avenida, se
requiere buscar entre las distintas funciones de distribución de
probabilidad teóricas la que se ajuste mejor a los datos medidos, y usar
esta función para poder extrapolar los eventos de diseño, ya sea por
medios gráficos o por medio de la obtención de los parámetros de su
función de distribución.
La planeación y el diseño de obras hidráulicas están relacionados con
eventos hidrológicos futuros, cuyo tiempo de ocurrencia o magnitud no
pueden predecirse, ya que no están gobernados por leyes físicas o
químicas conocida, sino por las leyes de azar.
azar.

Es por ello que la probabilidad y la estadística juegan un papel muy

importante para pronosticar eventos hidrológicos.

Debido a que en hidrología se cuenta con periodos muy cortos de

precipitaciones para poder estimar la lluvia de diseño de una avenida, se
requiere buscar entre las distintas funciones de distribución de
probabilidad teóricas la que se ajuste mejor a los datos medidos, y usar
esta función para poder extrapolar los eventos de diseño, ya sea por
medios gráficos o por medio de la obtención de los parámetros de su
función de distribución.
 DISTRIBUCIONES DE PROBABILIDAD
Funciones que mejor se ajustan al comportamiento de las variables
hidrológicas.

Una variable aleatoria es aquella que toma un conjunto de valores

numéricos asociados a los resultados de nuestra búsqueda que
produce un proceso aleatorio.

Una distribución de probabilidad es una lista del total de valores

que puede tomar una variable aleatoria con una probabilidad
asociada.

Existen dos tipos de distribuciones de probabilidad, las

distribuciones de probabilidad discretas y las distribuciones de
probabilidad continuas.
 Distribuciones Continuas

Las distribuciones de probabilidad continuas son

aquellas en las que la variable aleatoria puede
asumir un número infinito de valores, que son
resultado de una medición.

Por ejemplo, el valor de la temperatura media del

aire en intervalos dados de tiempo. Por supuesto
que las variables aleatorias continuas dependen de
la exactitud del instrumento de medición en este
caso del termómetro.
termómetro.
Población y muestra:

Población, es el conjunto total de individuos o sucesos que queremos estudiar.

A veces disponemos de medidas de toda la población estudiada, pero
generalmente, esto sería muy difícil (medir la estatura de todos los peruanos)
imposible (estudiando el caudal de un río tendríamos que medir los caudales de
todos los años pasados y futuros). En estos casos debemos conformarnos con
medir una parte de la población (una muestra). En cualquier caso, consideramos
los datos disponibles y con ellos intentamos extraer estimaciones válidas para
toda la población.

Muestra, es una pequeña parte de la población elegida adecuadamente para

que sea representativa del total de la población.

Si se midiera la estatura de los alumnos de Hidrología para conocer la estatura

media del curso, ellos serían toda la población estudiada. Pero si, a partir de ellos,
se quisiera extraer conclusiones sobre la estatura de toda la juventud peruana,
mis alumnos serían solamente una muestra representativa de la población
estudiada.
 Distribución Normal

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

iguales y se localizan en el centro de la distribución.

2. La distribución de probabilidad normal es simétrica alrededor de su media. La

mitad del área bajo la curva está antes del punto central y la otra mitad
después.

3. El área total bajo la curva es igual a 1.

Distribución Normal
Misma media y distintas
desviaciones estándar

Distintas medias y misma

desviación estándar

Distintas medias y distintas

desviaciones estándar
 Distribución Normal
  1    x     2
1  
 
 F   x e   2     
2 

• Distribución Normal Estandarizada

 Modelo “Normal”
• Es un modelo matemático que describe
la probabilidad de variables continuas
en una Población. N (μ,σ)
• La “Normal” (=campana de Gauss):
 – Media esperanza (μ) en torno a la
que se centran los datos.
 – Desviación típica (σ): dispersión de los
datos.
 – Frecuencia densidad: mientras más a σ

la izquierda/derecha de la media, menos

frecuencia.
 – Es muy frecuente en la naturaleza.
μ
• Altura de humanos
• Peso de gatos
• Resistencia del hormigón
• Élitros (=alas) de insectos
• Capa de óxido de un microchip  x   
 – Definición: N (μ,σ)  N (0,1) 
 – Modelo matemático (con fórmula).   / n
10
 Modelo “Normal” (cont)
Se puede calcular la probabilidad (o el %) de datos que queda a la derecha/izquierda de μ.


N (μ,σ)

68%

95%

99%

68% de los datos: (μ –1σ, μ +1σ)

95% de los datos: (μ –2σ, μ +2σ)
99% de los datos: (μ –3σ, μ +3σ) 11
Variable aleatoria discreta
Se dice que una variable aleatoria X es discreta cuando sus valores se
restringen a un conjunto enumerable finito o infinito.
Ejemplo: Número de días de lluvias ocurridas en los meses de un año
cualquiera.
Variable aleatoria continua
Se dice que una variable aleatoria X es continua, cuando sus valores se
encuentran en un rango continuo y puede ser representado por cualquier
número entero o decimal.
Ejemplo: El caudal diario registrado en una estación de aforo.
Distribuciones
El comportamiento de una variable aleatoria se describe mediante su ley de
probabilidades, que, a su vez, se puede caracterizar de varias maneras. La más
común es mediante la distribución de probabilidades de la variable aleatoria.
Notación:
X ⇒ variable aleatoria de la función
x ⇒ valor particular que toma la variable aleatoria
f(x) ⇒ función de densidad de probabilidad (función de probabilidad,
distribución de probabilidad de x)
F(x) ⇒ función acumulada (función de distribución acumulada)
DISTRIBICIONES DE PROBABILIDAD
CONTINUA
Trabajando con caudales o precipitaciones el número de datos puede ser de 30 ó
40, o a veces menos, y no son suficientes para agruparlos en intervalos (caudales
entre 5 y 10, entre 10 y 15, etc.). Pero sí podemos realizar un gráfico acumulado
como el anterior con los datos individuales.

Veamos como ejemplo 21 precipitaciones anuales en Corral del Medio.

A la izquierda de la tabla aparecen en orden cronológico. A la derecha se han

clasificado de mayor a menor, y en la última columna se refleja el porcentaje de
datos que supera ese valor.

Por ejemplo, para n=4, n/N=4/21*100=19 %. Quiere decir que el 19% de los datos
es igual o menor que 896 mm.
En el gráfico podríamos leer directamente la probabilidad de que la
precipitación sea <1300 mm, o, a la inversa, qué valor de
precipitación no se supera el 30% de los años.
 DISTRIBUCIONES SIMÉTRICAS Y ASIMÉTRICAS

Si en la Fig. N° 1 hiciéramos los intervalos más

pequeños, y aumentáramos el número de
valores medidos, el gráfico continuaría con
esa forma de campana, pero se iría suavizando
hasta ser una curva continua.

Lo mismo sucedería con la curva en forma de S

de la fig. 2. Así obtendríamos las dos curvas
que aparecen en la Fig. 4 Gauss encontró la
ecuación de estas curvas.

La ecuación de la curva en forma de campana

se llama función de densidad y la de forma de
S  función de distribución. Nosotros vamos a
trabajar con la segunda.
 MUESTRA POBLACION

       )
     x
       (
       f
     r
       f

xi
xi

FUNCIÓN DE FRECUENCIA RELATIVA FUNCIÓN DENSIDAD DE PROBABILIDADES

F (x )

FUNCIÓN DE FRECUENCIA FUNCIÓN DISTRIBUCION DE

ACUMULADA PROBABILIDADES
 Distribución Normal
• Descubierta en 1733 por el francés Moiure, descrita también
por Laplace y Gauss (sinónimo de la forma gráfica de esta
distribución).
• Importancia práctica de esta distribución teórica:
 – Muchos fenómenos distribuidos suficientemente Normal
 – Distribución de promedios.
 – Distribución de errores.
 Características D. Normal
• Área bajo la curva entre 2 puntos representa probabilidad que ocurra un
hecho entre esos dos puntos
• Su dominio va de menos infinito a más infinito;
• Es simétrica con respecto a su media;
• Tiene dos colas y es asintótica al eje x por ambos lados;
• El valor del área debajo de toda la curva es igual a 1;
• El centro de la curva está representado por la media poblacional ().
• Para cualquier curva normal, el área de -  a + es igual a 0.6827; de -2  a
+2 de 0,9545 y de -3 a +3 de 0,9973;
• Distribución muestreal de varios estadísticos, como `  x es normal e
independiente de distribución de la población.
 D. Normal Tipificada (estandarizada)
• Distribución especial que representa a todas las variables aleatorias
normales y que es la distribución de otra variable normal llamada Z:

x -  
 Z =
 
• = NORMALIZACION ( x; media; desv_estándar)
• Z se la conoce como variable aleatoria estandarizada.
• Esta función se caracteriza por tener media igual a cero y desviación
tipificada igual a uno : N(0,1)
• Representa a todas las distribuciones Normales. Igual densidad de
probabilidad, si medimos desviaciones de media en base a .
• Valores obtenidos de tabla Normal válidos para todas las distribuciones
Normal de media =  y varianza =2.
 Muchas variables naturales se ajustan a la distribución simétrica
estudiada por Gauss, pero no todas. En ocasiones no hay la misma
proporción de pequeños que de grandes, eso dará lugar a una
distribución asimétrica.
Por ejemplo, si representáramos los
ingresos de la población de una
ciudad, seguro que la campana no
sería simétrica: la riqueza se
distribuye con menor equidad que la
estatura, y mientras que la
proporción de altos y bajos es similar,
no así la de ricos y pobres (hay pocos
ricos y muchos pobres). Quizá la
campana correspondiente tendría
una forma similar a la figura 5.

Fig. 5.- Distribución asimétrica en la que los valores

más frecuentes (pico de la curva) son más bajos que
la media, (esta curva corresponde a la ecuación de
Gumbel)
Los matemáticos han determinado las ecuaciones de muchas de estas
campanas asimétricas (Gumbel, Pearson III, etc.).

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

pero sus logaritmos sí, se denomina entonces log-normal (LN,LN2, y LN3),
la distribución de Gauss se llama “normal”).

En Hidrología, las precipitaciones o caudales anuales suelen

ajustarse a la distribución simétrica de Gauss, pero los valores
máximos, no: si consideramos el día más caudaloso o el más
lluvioso de cada año de una serie larga de años (eso es
necesario para estudiar la previsión de avenidas), no se
ajustarán a Gauss, sino probablemente a la campana
asimétrica descrita por Gumbel o alguna similar.
 PROBABILIDAD, PERIODO DE RETORNO Y RIESGO DE
FALLA
A lo largo de los temas anteriores se ha estado utilizando indistintamente
probabilidad (por ejemplo: un 2% de los años) y expresiones como “cada 50
años”.
Es evidente que si un suceso se presenta (por término medio) cada 10 años,
su probabilidad es de 0,10 (10%).
Análoga e inversamente, si la probabilidad de que algo suceda es de 0,04
(4%), ello quiere decir que, en promedio, sucederá 4 veces en 100 años, o
sea: una vez cada 25 años.
Estos conceptos se relacionan mediante la expresión:
En Hidrología se utiliza más el periodo de retorno que la probabilidad. Así, se habla
de la crecida de 50 años en lugar de referirse a la crecida con probabilidad 0,02 o de la
precipitación con retorno de 100 años en vez de la precipitación con probabilidad 0,01.

Supongamos que hemos calculado un cierto caudal que corresponde al retorno de 50

años. La probabilidad de que se produzca el año próximo será de 0,02 (=1/50); y la
probabilidad de que se produzca el siguiente año será de 0,02 y así cada año.
Necesitamos conocer la probabilidad de que se alcance ese caudal en los próximos n
años:

Vamos a denominar a la última expresión obtenida arriba el riesgo de falla (R), es decir: la
 probabilidad de que sí se produzca alguna vez un suceso de  periodo de retorno T a lo
largo de un periodo de n años:
Ejemplo: Se va a construir un canal cuya vida útil es de 75 años.
Si el caudal supera el valor correspondiente al periodo de retorno
de 100 años, se desbordará. Calcular la probabilidad de que se
produzca un desbordamiento en alguno de los próximos 75
años

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

retorno 100 años se alcance en alguno de los próximos 75 años
Ajuste de Distribución Normal datos
años rio Guaporé de 1940 a 1995

Subestima!
DISTRIBUCIÓN DE GUMBEL
= - Ln(-Ln(1 – 1/TR))
X=Q
DISTRIBUCIÓN DE GUMBEL
 Distribución Exponencial
Consideraciones:
• Proceso de eventos aleatorios (los parámetros no cambian con el
tiempo).
• No es posible tener mas de un evento en cualquier instante.
• Descripción de un proceso Poisson.
• La v.a. t  representa el tiempo entre tormentas.

Función de Densidad:  f  (t )   e  t  , t0

La media es:  E (t )  1 /  
La varianza es:  2 (t )  1/  2
La función de distribución acumulada es:
t 
 F (t )   0
 e   t d    1  e  t 
 Ejemplo: Distribución exponencial
En un año en un sitio determinado ocurren 110 tormentas independientes con
una duración promedio (todas) de 5.3 h. El intervalo entre tormentas es:

8760  110  5.3

 = 1/ λ λ = 1/74.3 = 0.0135 h -1
t    74.3h
110

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

P(t  96) =1- F(96)

96

 F (96)   e 
0
  t 
dt   1  e
  t 

  t 
 P (t   96)  1  1  e  e0.0135*96  0.27
b)  Cual es la probabilidad de que el tiempo entre dos tormentas sea
exactamente 12 horas?

P(t = 12)= 0 la probabilidad que una V.A continua valga cero en un

intervalo es cero.

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

igual que 12 h?
 Distribución Log Normal
En general, cuando la variable aleatoria X es el producto de un gran número

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

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

logaritmos de los factores contribuyentes.

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

Normal, se dice que la variable aleatoria X es log normalmente distribuida.

• Función de Distribución de Probabilidad

Asumiendo Y = loga (X)
 1 y - μ y  
2
1
f(x) = exp  - 2

σ y x 2π  2 σy 
 Parámetros y Factor de frecuencia
• Media (Parámetro de escala)
• Desviación estandar (Parámetro de forma)

Estimación de parámetros: Método de los momentos

N 12
1  1  N 
 Y  
ˆ

N
log (X )
a i  Y     log a (X i )   Y 2 
 N  i1
ˆ ˆ

i1 

ln X T  = y + K y K es la misma de la distribución normal

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

logarítmico se tiene que:
  ln 1 + Cv2  
expK T ln 1 + Cv  - 
2 1/2
  -1
  2 
K =
Cv
 - 1    1   
K  T   =  F  u 1  -  
  T  r   
Es el inverso de la función de distribución Normal
1   1  
F  u  1   estandarizada acumulada y Cv es el coeficiente
  T   
de variación
•  Intervalos
Intervalos de confianza

: Nivel de confianza o significancia

ST: Error estándar

ln X T   u1- 2 S T
1/ 2
Y    K 2T 
ST =   = 1 + 
N   2  
Ejemplo: Distribución Log Normal
La media y desviación estándar de los Q max anuales de la estación del río
Nare son:
μ=94.35 m3/s y σ=22.45 m3/s

μY=4.52 y σY=0.2337

Hallar el Q TR=100 si los Q max tienen una distribución Log Normal.

K=2.326
Q Y Tr=100=4.52+2.326*0.237
Q Tr=100=159 m3/s

Intervalos de Confianza: Ln(Q TR=100) μ95ST

Es un intervalo de dos colas, con una probabilidad en cada una de 5%
1/2  
  Y      T    
K  
2  

S  T    =        =  

1 +  2    
δ=1.92
N      
ST=0.075
5.0711.6*0.075
4.94  Q Y  5.14 139159 170 m3/s
Distribución Gamma (2 Parámetros)
Una de las mas usadas en Hidrología.   -1
1   x    x

  e
-
 f(x) =  
•  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).

 Parámetros y Factor de frecuencia
•  (Parámetro de escala) 
•  > 0 (Parámetro de forma) () =  z-1 e-z dz
•  () es la función Gamma completa 0

Estimación de parámetros: Método de los momentos

 =  =
ˆ
1
2
Ĉ v

 = 
2 2

ˆ


ˆ

2 3 4 5
2  1 3   
  2   
     1    
 
K   K T + (K t  1) + (K T  6K T )    (K T  1)   + K T     
ˆ ˆ ˆ ˆ ˆ

6 3  6   6   6  3  6 

Distribución Gamma (3 Parámetros)
• Función de distribución de probabilidad
β -1
1  x - xo   x - xo 
f(x) =   exp  - 
| α | Γ(β)   α     α  
• Función de densidad acumulada
  x  x0  
 X      x   x    1
1       0  
 P ( X     x)   e     dx
 (  ) 0      
• Parámetros
 y , parámetros de escala y forma respectivamente.
xo parámetro de localización.

() =  z-1 e-z dz
0
Parámetros e Intervalos de confianza (Función Gamma)

• Estimación de Parámetros:
Parámetros: Método de los momentos
2
  2   ˆ


ˆ = 
  ˆ=
 ˆ 2
X̂0 =    ˆ

   
ˆ ˆ

Que tan cercano puede estar el estimado al verdadero valor desconocido

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

X T  u1 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estándar

ST = 
N
Tabla Factor de frecuencia
Pearson tipo III
Valores de  para la Distribución Gamma ó Pearson tipo III
 Ejemplo: Distribución Gamma
Hallar el Q TR=100. Si la distribución de los caudales de la estación de Nare es
Gamma.

μ = 94.35 m 3/s y σ = 22.45 m3/s, γ = 0.845

μY = 4.52 y σY = 0.2337, Y = 0.0069

De tabla: K = 2.32

Q TR=100 = 94.35 + 2.32*22.45 = 146.4

Intervalos de confianza:

XT u1 2 ST
De tabla δ=4.7, N= 36 datos.

ST
N

ST = 17.6
De tabla 95=1.6
146,4 1.6*17.6
146.4  28.16 m3/s
 Distribución Log Pearson Tipo III
• Función de distribución de probabilidad
-1
1  ln(x) - y o   ln(x)- y o 
-
  f   x (x) =  e

x  () 
  


• Parámetros
 y , parámetros de escala y forma
y yo parámetro de localización

• Estimación de Parámetros
Método de los momentos
2
  2  
   
y
ˆ
 = y ˆ

ŷ 0  y  
  y  
ˆ
ˆ ˆ

2
ˆ ˆ
ˆ
• Factor de Frecuencia
Frecuencia::

 Y T = ln X T = y + K  y
ˆ ˆ

• Intervalos de Confianza
Confianza:: Que tan cercano puede estar el estimado al
verdadero valor desconocido de la población: Conocer con cierta certeza.
Franja grande: mucha incertidumbre.

X T  u1- 2 S T
: Nivel de confianza o nivel de probabilidad
ST: Error estándar

y
ST =  ˆ
ln XT 1
ST
/  2
N
 Conclusión
• Distribuciones para variables continuas
 – Uniforme
 – Normal, Lognormal
 – Gamma
 – Pearson III, Log-Pearson III
 – Dist. Valores Extremos I y II

• Cuál usar? TODAS y elegir la que mejor se AJUSTE

a los datos de una distribución de probabilidad.
 Pruebas de Bondad de Ajuste
Para determinar que tan adecuado es el ajuste de los datos a
una distribución de probabilidades se han propuesto una serie
de pruebas estadísticas que determinan si es adecuado el
ajuste.
Una de las bases fundamentales del control estadístico de la
calidad es la inferencia estadística. Por ello, la determinación
del tipo de distribución correspondiente a un conjunto de datos
provenientes del estudio es absolutamente necesario. La
prueba de bondad de ajuste permite probar el ajuste de datos a
una distribución de probabilidad teórica sujeto a un error o
nivel de confianza.
 Pruebas de Bondad de Ajuste

Para la prueba de hipótesis utilizaremos dos

estadísticos: El Chi-cuadrado y la prueba de
Kolmogorov-Smirnov
 Chi-Cuadrado

2 (fo – fe)2
 χ  = Σ fe
• En donde:
• fo =Frecuencia observada de datos discretos
• fe =Frecuencia esperada de la distribución teórica
• Los grados de libertad se emplea (k-1) y luego se resta un
grado adicional de libertad para cada parámetro de
población que tenga que ser estimado de los datos de la
muestra
 Test de Kolmogorov-Smirnov
Es un simple método no paramétrico para probar si hay una diferencia
significativa entre una distribución observada y una distribución teórica de
frecuencia.
Para la aplicación del test señalado, es necesario determinar la frecuencia
observada acumulada.
Para la frecuencia observada en el caso especial de Gumbel, se ordena la
información de menor a mayor y se aplica:

donde:
Fn (x): frecuencia observada acumulada.
n: N° total de orden
N: N° total de datos.

En el caso de la frecuencia teórica acumulada, ésta se determina a través de

la función de Gumbel.
Una vez determinadas ambas frecuencias, se obtiene el supremo de las
diferencias entre ambas, en la i-ésima posición de orden, que se denomina D.
El coeficiente de determinación señala qué proporción de la variación total de las
frecuencias observadas, es explicada por las frecuencias teóricas acumuladas.

EJEMPLO PRACTICO

Ajuste a Gumbel:
Se desea conocer la ley de distribución de las precipitaciones máximas en 24
horas, de la estación Monte Patria provincia de Limarí. Para ello, se dispone de
los siguientes datos.

De lo expuesto, se deduce que se cuenta con una información de doce años, y

además que los montos denotan una extrema variabilidad.
En relación al primer aspecto, es un denominador común en muchas
estaciones del país, la carencia de series hidrológicas consistentes, por lo cual
es difícil soslayarlo.
En cuanto a la variabilidad, es preciso destacar que las zonas
áridas se caracterizan por presentar este elemento como
característica de la distribución y cantidad de las
precipitaciones.
No obstante lo anterior, y como se tiende a estimar valores
máximos, se puede obviar este último aspecto considerando las
dos o tres precipitaciones máximas anuales, para con esta
nueva serie de datos elegir un número mayor de años a
considerar.
Luego, el enfrentamiento de este problema es resorte del
criterio que el ingeniero utilice para tomar la decisión, y la cual
sólo podrá ser calificada a la luz de los antecedentes que cada
situación denote. Así, para el caso en cuestión, se trabajará con
la información de precipitación máxima anual en 24 horas, toda
vez que se trata de un ejercicio metodológico.
De lo expuesto, se deduce que se cuenta con una información de doce años, y además
que las cantidades denotan una extrema variabilidad.

Por otra parte, aplicando la expresión n/N+1, se obtiene la frecuencia observada

acumulada, la cual se expresa en la columna (2) del cuadro N° 2. Asimismo, reemplazando
en la ecuación (1) los valores de x, se obtienen las frecuencias teóricas acumuladas, las
cuales constituyen la columna (3) del cuadro N° 2.
Aplicación de Kolmogorov-Smirnov.
Con la información del cuadro N° 2, se busca el Sup |Fn(x)i − F(x)i| = D.
En este caso, corresponde a D = 0.073 en el tercer valor del cuadro mencionado. Con un
95% de confiabilidad y n = 12, se obtiene un valor de tabla Dt = 0.375.
Luego D < Dt, por consiguiente se acepta con 95% de seguridad que el ajuste es bueno.
Aplicación del Coeficiente de determinación (R 2):
Utilizando la ecuación descrita en 3.2., y las columnas 2 y 3 del cuadro N° 2, queda:

R2 = 0,988

Luego se considera que el modelo elegido, explica en un 98,8% las variaciones de las
frecuencias observadas, lo cual es muy bueno.
nivel de significancia a = 0.05
Utilidad Práctica del Ajuste a Gumbel:
Una vez que se ha validado el ajuste a la función de Gumbel, resta definir la utilidad
que esto puede determinar. En este marco, si de la ecuación,
Luego, se puede deducir del cuadro anterior, que existe un 1% de
probabilidad, de que sean superados los 118.44 mm. en 24 horas de
precipitación, y lo cual corresponde a un evento centenario; en otras
palabras, existe un 99% de probabilidades de que el año 1985, la
precipitación en 24 horas sea menor o igual a 118.44 mm. Similar análisis,
puede realizarse para todos los períodos de retorno involucrados.

No obstante lo anterior, se recomienda que los períodos de retorno

considerados, no incluyan un número mayor de información que el doble o
el triple como máximo, de la longitud de la serie de datos en estudio. En
este caso, como la información base corresponde a 12 años, se recomienda
no exceder de 24 años o un máximo de 36 años, dado que la serie
estadística no presenta una longitud adecuada. Por ello, se recomienda el
valor de T = 30, como intermedio de lo señalado precedentemente; el
considerar mayor número de años no posee sentido desde el punto de vista
estadístico.
En Tabla 4.3 se muestra un resumen de la prueba Kolmogorov  – Smirnov según el
orden de preferencia indicado por cada prueba, dando 1 a la "mejor" y 5 a la
"peor“

Tabla 4.3 Resumen de la prueba Kolmogorov  – Smirnov

FUNCIÓN KOLMOGOROV D
Normal 5 0.1585
Log Normal 4 0.1316
Pearson III 2 0.1150
Log Pearson III 3 0.1176
Gumbel 1 0.1124

Adaptado: “Fundamentos de Hidrología de superficie”, Aparicio (1992), pág. 280

La función de distribución con el menor valor de D es la Gumbel (tabla 4.3) por lo
que, según esta prueba, esta función sería la preferible.