1 DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA

El comportamiento de las variables aleatorias discretas o continuas se describe con la ayuda

de Distribuciones de Probabilidad. La variable se designa por mayscula y un valor
especifico de ella por minscula.
Por P(x = a) se denota la probabilidad de que un evento asuma el valor a similarmente P(a
x b) denota la probabilidad de que un evento se encuentre en el intervalo (a!b). "i
conocemos la probabilidad P(a x b) para todos los valores de a y b! se dice que
conocemos la Distribuci#n de Probabilidades de la variable x.
"i x es un nmero dado y consideramos la probabilidad P($ x)%
&(x)= P($ x)%
y llamamos &(x) la funci#n de distribuci#n acumulada
E'emplo
"e tienen las probabilidades de que (aya )! *! +! ... etc! d,as nublados por semana en un
determinado lugar! con ellos calcule la distribuci#n de probabilidades
x P(x) F(x)
0 0.05 0.05
1 0.15 0.20
2 0.25 0.45
3 0.20 0.65
4 0.15 0.80
5 0.10 0.90
6 0.08 0.98
7 0.02 1.00
Total 1.0
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0 1 2 3 4 5 6 7
# dias nublados
f
(
x
)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
0 2 4 6 8
# dias nublados
F
(
x
)
"i se tiene una variable aleatoria continua! la figura presenta el (istograma de -. a/os de
registro de caudales de crecientes (m0ximos instant0neos) en el r,o 1agdalena! agrupados
en 2 intervalos de clase.
)
x P(x) F(x)
1 0.05 0.05
2 0.10 0.15
3 0.15 0.30
4 0.20 0.50
5 0.10 0.60
6 0.10 0.70
7 0.15 0.85
8 0.10 0.95
9 0.05 1.00
Total 1.00
0.00
0.05
0.10
0.15
0.20
0.25
1 2 3 4 5 6 7 8 9
Qmx instntaneo *10 (m/s)
f
(
x
)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
0 2 4 6 8 10
Qmx instntaneo *10 (m/s)
F
(
x
)
3uando el nmero de observaciones se incrementa! el tama/o de los intervalos decrece y se
puede tener algo s,
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
1 2 3 4 5 6 7 8 9 10
Qmx instntaneo *10 (m/s)
f
(
x
)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
0 5 10 15
Qmx instntaneo *10 (m/s)
F
(
x
)
donde f(x) es la llamada funci#n de densidad de probabilidades y tiene las siguientes
caracter,sticas
i)

) ) ( dx x f
ii)


b
a
dx x f b x a P ) ( ) (
iii) 4 ) (

b
b
dx x f
*
Lo que implica que las probabilidades se definen solo como 56E5" ba'o la funci#n de
densidad de probabilidad (&DP) entre l,mites finitos.
1.1 MOMENTOS DE LAS DISTRIBUCIONES
Las propiedades de las distribuciones pueden ser definidas completamente en t7rminos de los
momentos. Los momentos en estad,stica son similares a los momentos en f,sica (rotaci#n
respecto al origen)

dx x f x M
r r
) (
para la variable continua

n
j
r r
x f x M
)
) (
para la variable discreta
o respecto a la media (e'e de rotaci#n diferente al origen)

dx x f x M
r r
) ( ) (
para la variable continua

n
j
r r
x f x M
)
) ( ) (
para la variable discreta
1.2 PARMETROS ESTADISTICOS
Los estad,sticos extraen informaci#n de una muestra! indicando las caracter,sticas de la
poblaci#n. Los principales estad,sticos son los momentos de primer! segundo y tercer orden
correspondiente a la media! varian8a! y asimetr,a respectivamente.
1.2.1 Media :
es el valor esperado de la variable misma . Primer momento respecto a la origen. 1uestra
la tendencia central de la distribuci#n

dx x f x ) (
el valor estimado de la media a partir de la muestra es

n
i
i
x
n
x
)
)
1.2.2 a!ian"a :
mide la variabilidad de los datos. Es el segundo momento respecto a la media.

dx x f x ) ( ) (
* *

+
el valor estimado de la varian8a a partir de la muestra es

n
i
i
x x
n
s
)
* *
) (
)
)
en el cual el divisor es n9) en lugar de n para asegurar que la estad,stica de la muestra no sea
sesgada, es decir! que no tenga una tendencia! en promedio! a ser mayor o menor que el
valor verdadero. Las unidades de la varian8a son la media al cuadrado! la desviaci#n
est0ndar es una medida de la variabilidad que tiene las mismas dimensiones que la media y
simplemente es la ra,8 cuadrada de la varian8a! se estima por s. El significado de la
desviaci#n est0ndar se ilustra en la siguiente figura
0.00
0.20
0.40
0.60
0.80
1.00
0 2 4 6 8 10
x
f
(
x
)
0.50 1.00 1.30 2.00
Efectos de la funci#n de densidad de probabilidad causados por cambios en la desviaci#n
est0ndar.
3oeficiente de variaci#n

Cv
es una medida adimensional de la variabilidad su estimado
es
x
s
Cv
1.2.# $oefi%iente de asimet!&a
la distribuci#n de los valores de una distribuci#n alrededor de la media se mide por la
asimetr,a. "e obtiene a partir del tercer momento alrededor de la media! dividi7ndolo por el
cubo de la desviaci#n est0ndar para que sea adimensional.

dx x f x x E ) ( ) ( : ) ;(
+ +

tercer momento respecto a la media
: ) <;(
)
+
+

x E
=
>n estimativo del coeficiente de asimetr,a est0 dado por
+
)
+
? ) * )( ) (
) (
s n n
x x n
C
n
i
s

E'emplo
Encontrar el valor medio de la precipitaci#n si se tiene
'nte!(alo (mm) )i medio
F!e%uen%ia
absoluta
F!e%uen%ia
!elati(a
x f(x)
100 110 105 10 0.1 10.5
110 120 115 16 0.16 18.4
120 130 125 9 0.09 11.25
130 140 135 10 0.1 13.5
140 150 145 20 0.2 29
150 160 155 15 0.15 23.25
160 170 165 20 0.2 33
Total=100 x = 138.9
2 ANALISIS DE FRECUENCIA
El an0lisis de frecuencia es una (erramienta utili8ada para! predecir el comportamiento
futuro de los caudales en un sitio de inter7s! a partir de la informaci#n (ist#rica de caudales.
Es un m7todo basado en procedimientos estad,sticos que permite calcular la magnitud del
caudal asociado a un per,odo de retorno. "u confiabilidad depende de la longitud y calidad
de la serie (ist#rica! adem0s de la incertidumbre propia de la distribuci#n de probabilidades
seleccionada. 3uando se pretende reali8ar extrapolaciones! per,odo de retorno mayor que la
longitud de la serie disponible! el error relativo asociado a la distribuci#n de probabilidades
utili8ada es m0s importante! mientras que en interpolaciones la incertidumbre est0 asociada
principalmente a la calidad de los datos a modelar en ambos casos la incertidumbre es alta
dependiendo de la cantidad de datos disponibles (Ashkar, et al. 1994). La extrapolaci#n de
frecuencias extremas en una distribuci#n emp,rica de crecientes es extremadamente riesgosa
(ar!on, 1994).
Para determinar la magnitud de eventos extremos cuando la distribuci#n de probabilidades
no es una funci#n f0cilmente invertibles se requiere conocer la variaci#n de la variable
respecto a la media. 3(o@ en )2.) propus# determinar esta variaci#n a partir de un factor
de frecuencia A
B
que puede ser expresado%

" "
# $ +
y se puede estimar a partir de los datos
s # x $
" "
+
.
Para una distribuci#n dada! puede determinarse una relaci#n entre A y el per,odo de retorno
Br. Esta relaci#n puede expresarse en t7rminos matem0ticos o por medio del uso de una
tabla.
El an0lisis de frecuencia consiste en determinar los par0metros de las distribuciones de
probabilidad y determinar con el factor de frecuencia la magnitud del evento para un per,odo
de retorno dado.
5 continuaci#n se describen las principales distribuciones de probabilidad utili8adas en
(idrolog,a! la forma de estimar sus par0metros! el factor de frecuencia y los l,mites de
confian8a. Estos ltimos son indicadores de que tanta incertidumbre se tiene con las
extrapolaciones! puesto que determinar el rango de valores donde realmente estar,a la
variables! si el rango es muy grande la incertidumbre es muy alta y si es peque/o! por el
contrario! (abr0 muc(a confian8a en el valor estimado.
3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS
3.1 DISTRIBUCION NORMAL
La distribuci#n normal es una distribuci#n sim7trica en forma de campana! tambi7n conocida
como 3ampana de Causs. 5unque muc(as veces no se a'usta a los datos (idrol#gicos tiene
amplia aplicaci#n por e'emplo a los datos transformados que siguen la distribuci#n normal.
#.1.1 Fun%i*n de densidad:
La funci#n de densidad est0 dada por
< <

x x f
x
*
*
) (
*
)
exp
*
)
) (

Los dos par0metros de la distribuci#n son la media y desviaci#n est0ndar para los cuales
x (media) y s (desviaci#n est0ndar) son derivados de los datos.
#.1.2 +stima%i*n de ,a!met!os:

n
i
i
x
n
x
)
)
*
)
)
*
) (
)
)

'

n
i
i
x x
n
s
D
#.1.# Fa%to! de f!e%uen%ia:
). "i se traba'a con los $ sin transformar el A se calcula como

"
"
x
#
este factor es el mismo de la variable normal est0ndar ) ) (
)
)
"r "
% #

#.1.- .imites de %onfian"a:
e "r
& t $
) ) (
t
donde es el nivel de probabilidad ) ) (
t
es el cuantil de la distribuci#n normal
estandari8ada para una probabilidad acumulada de )9 y "
e
es el error est0ndar
3.2 DISTRIBUCION LOGNORMAL DE DOS PARAMETROS
"i los logaritmos E de una variable aleatoria $ se distribuyen normalmente se dice que $ se
distribuye normalmente.
Esta distribuci#n es muy usada para el calculo de valores extremos por e'emplo Fmax!
Fm,nimos! Pmax! Pm,nima (excelentes resultados en 5ntioquia). Biene la venta'a que $G4
y que la transformaci#n Log tiende a reducir la asimetr,a positiva ya que al sacar logaritmos
se reducen en mayor proporci#n los datos mayores que los menores.
Limitaciones% tiene solamente dos par0metros! y requiere que los logaritmos de la variables
est7n centrados en la media
#.2.1 Fun%i*n de densidad:
4 exp
*
)
) (
*
) (
*
)
>

x
x
x f
'
'
'

y = ln x
donde!
y
% media de los logaritmos de la poblaci#n (par0metro escalar)! estimado
'

y
% Desviaci#n est0ndar de los logaritmos de la poblaci#n! estimado s
'
.
H
#.2.2 +stima%i*n de ,a!met!os:

n
i
i
x
n
'
)
) ln(
)
*
)
*
)
) ) (ln(
)
)

'

n
i
i '
' x
n
s
#.2.# Fa%to! de f!e%uen%ia:
Puede traba'arse en el campo original y en el campo transformado.
*. 3ampo transformado % "i se traba'a en el campo transformado se traba'a con la media y la
desviaci#n est0ndar de los logaritmos! as,%
Ln($
Br
) = x
Br
IA"
y
de donde!
$B
r
= e
ln (x
Br
)
con A con variable normal estandari8ada para el Br dado! x
y
media de los logaritmos y "
y
es
la desviaci#n est0ndar de los logaritmos.
+. 3ampo original % "i se traba'a con los $ sin transformar el A se calcula como
Cv
Cv
Cv (n # Ex)
#t
"
)
*
) ) ln(
)) ) ( ( ?
*
*
)
*

'

,
_

+
+

A es la variable normal estandari8ada para el Br dado!

x
s
Cv es el coeficiente de
variaci#n! x media de los datos originales y s desviaci#n est0ndar de los datos originales.
#.2.- .imites de %onfian"a:
En el campo transformado.
" "r
& t $ (n
) ) (
) (

t
-
*
)
*
*
)
) (

,
_

+
"
'
e
#
n
&
&

en donde! n numero de datos! "e error est0ndar! A

B
variable normal estandari8ada.
EJEMPLO: En un r,o se tienen +4 a/os de registros de Fm0ximos instant0neos anuales con
x= ). m
+
Js! " = . m
+
Js (media y desviaci#n est0ndar para los datos originales). x
y
=*.D..! s
y
= 4.+*= (media y desviaci#n est0ndar de los datos transformados). Encontrar el caudal para
un periodo de retorno de )44 a/os y los limites de confian8a para un = .K. 3alcular la
probabilidad de que un caudal de =*.. m
+
Js no sea igualado o excedido P(F =.*.).
"oluci#n%
n=+4
x= ). m
+
Js x
y
=*.D..
s = . m
+
Js s
y
= 4.+*=
En el campo original
At
Exp A Ln 3v
3v
3v

+
+

_
,

'

?( ( ))
ln( )
)
)
*
)
*
)
*
*
x
s
Cv = .J). = 4.++
A = &
9)
()9)JBr) = &
9)
()9)J)44) = &
9)
(4.22)
de la tabla de la normal se obtiene AB=*.++
++ . 4
)
*
) ++ . 4 ) ln(
)) ++ . 4 ) ( ( ? ++ . *
*
*
)
*

'

,
_

+
+

(n Ex)
#
"
A
B
= +.4D
FBr = ). I . ? +.4*-
FBr = +4.)= m
+
Js
En el campo transformado se tiene que%
LnF
Br)44
= *.D.. I *.++?4.+*=
LnF
Br)44
= +.=422*
2
F
Br)44
= Exp (+.=422*)
F
Br)44
= +4.*D m
+
Js
Limites de confian8a
Ln (FBr) t t
()9)
"e
*
)
*
*
)
) (

,
_

+
"
'
e
#
n
&
&

_
,
)
* ++
*
*
)
*
.
= ).2+
"e

)2+ 4 +*=
+4
4))
. .
.
t
()9)
= t
(4.2.)
= ).D=. (Le,do de la tabla de la normal)
Ln(+4.*-) t ().D=. ) (4.)))
+.=) t 4.)-42.
;+.**24. +..242.:
;e
+.**24.
e
+..242.
:
;*..*D +D.*2: Lntervalos de confian8a para F
Br)44
b) 3alcular la probabilidad de que un caudal de =. m
+
Js no se igualado o excedido P(F
=.*.).
Ln(=*..) = +.H.
t = (+.H. 9 *.D..)J4.+*=
&(+.+-) = 4.222D Le,do de la tabla de la normal
P(F =.*.) = 22.2K
)4
3.3 DISTRIBUCION GUMBEL O EXTREMA TIPO I
>na familia importante de distribuciones usadas en el an0lisis de frecuencia (idrol#gico es la
distribuci#n general de valores extremos! la cual (a sido ampliamente utili8ada para
representar el comportamiento de crecientes y sequ,as (m0ximos y m,nimos).
#.#.1 Fun%i*n de densidad:
1
]
1

,
_

) (
exp
) (
exp
)
) (
x x
x f
En donde y son los par0metros de la distribuci#n.
1
]
1

,
_

) (
exp exp ) ( ) (
x
dx x f x %
#.#.2 +stima%i*n de ,a!met!os

.HH* . 4
D

x
s
donde
s ' x
son la media y la desviaci#n est0ndar estimadas con la muestra.
#.#.# Fa%to! de f!e%uen%ia:

'

1
]
1

,
_

+
)
ln ln .HH* . 4
D
r
r
"
"
"
#

Donde Br es el periodo de retorno. Para la distribuci#n Cumbel se tiene que el caudal para
un per,odo de retorno de *.++ a/os es igual a la media de los caudales m0ximos.
#.#.- .imites de %onfian"a
$t t t
()9)
"e
n
s
&e

))
*
)
*
: ) . ) )+2D . ) ) ;
" "
# # + +
A
B
es el factor de frecuencia y t
()9)
es la variable normal estandari8ada para una probabilidad
de no excedencia de )9.
EJEMPLO: Para el e'emplo anterior encontrar el F de )44 a/os de periodo de retorno y
los intervalos de confian8a. x= ). m
+
Js! s = . m
+
Js
F
Br)44
= x I A
B
s
{ } ): 22 ln( )44 ln;ln .HH . 4
D
+

"
#
A
B
= +.)=
F
Br)44
= ). I +.)=?.
F
Br)44
= +4.H m
+
Js
Lntervalos de confian8a
t
()9)
= t
(4.2.)
= ).D=. (Le,do de la tabla de la normal)
+ + ; . ( . ) . ( . ) : ) ))+2D +)= )) +)=
*
)
*
= +.2+
"e
"e m s

( . ) ( )
. J
+2+ .
+4
+.-
+
$t t t
()9)
"e
+4.H m
+
Js t ().D=) (+..-)
;*=.-+ m
+
Js +D..- m
+
Js: Lntervalo de confian8a para FBr)44
3.4 DISTRIBUCION GAMA DE TRES PARAMETROS O PEARSON TIPO 3
Esta distribuci#n (a sido una de las mas utili8adas en (idrolog,a. 3omo la mayor,a de las
variables (idrol#gicas son sesgadas! la funci#n Camma se utili8a para a'ustar la distribuci#n
)*
de frecuencia de variables tales como crecientes m0ximas anuales! 3audales m,nimos!
Molmenes de flu'o anuales y estacionales! valores de precipitaciones extremas y volmenes
de lluvia de corta duraci#n. La funci#n de distribuci#n Camma tiene dos o tres par0metros.
#.-.1 Fun%i*n de densidad:
( )

,
_

,
_

4
)
4
N
exp
N )
) (
x x x x
x f
donde!
x
4
x < para > 4
< x x
4
para < 4
y son los par0metros de escala y forma! respectivamente ! y x
4
es el par0metro de
locali8aci#n.
#.-.2 +stima%i*n de ,a!met!os:

N
N
*
N
*
N
4
*

,
_

x x
Cs
s
Cs
3s es el coeficiente de asimetr,a!
s ' x
son la media y la desviaci#n est0ndar de la
muestra respectivamente.
#.-.# Fa%to! de f!e%uen%ia:
. = +
*
*
+ *
D +
)
D D
) ) (
D
) D (
+
)
D
) ) (

,
_

,
_

,
_

,
_

+ +
Cs Cs
*
Cs
*
Cs
* *
Cs
* * #
donde 8 es la variable normal estandari8ada
Este valor de A se encuentra tabulado de acuerdo al valor de 3s calculado con la muestra.
#.-.- 'nte!(alos de %onfian"a:
$t t t
()9)
"e
"e
"
n

)+
Donde " es la desviaci#n est0ndar de la muestra! n es el nmero de datos y se encuentra
tabulado en funci#n de 3s y Br.
EJEMPLO: "e tiene una estaci#n con +4 a/os de registros de caudales m0ximos
instant0neos con 1edia de =)== pie
+
Js y desviaci#n est0ndar de ++)) pie
+
Js. "i el coeficiente
de asimetr,a de los caudales es de ).2-) pie
+
Js cual es caudal para un periodo de retorno de
)44 a/os y su intervalo de confian8a.
FBr)44 = $I "A
A es &().2-)! )44) de tablas se obtiene A=+..2. ().2!)44) = +...+
(*.4!)44) = +.D4.
FBr)44 = =)==I (+..2.) (++)))
FBr)44 = )D4.4 pie
+
Js
Lntervalos de confian8a
$t t t
()9)
"e
"e
"
n

= &().2-)!)44) de tablas se obtiene =-.=2** ().2!)44) = -.*)2D
(*.4!)44) = -...D*
"e
( ) ( . ) ++)) - =2**
+4
"e = .)++..D pie
+
Js
t
()9)
= t
(4.2.)
= ).D=. (Le,do de la tabla de la normal)
)D4.4 t (.)++..D) ().D=.)
;HD4..*2 pie
+
Js *==2=.H)pie
+
Js: Lntervalos de confian8a para FBr)44
3.5 DISTRIBUCION LOG GAMMA O LOGPEARSON DE 3 PARAMETROS
"i los logaritmos E de una variable aleatoria $ se a'ustan a una distribuci#n Pearson tipo LLL!
se dice que la variable aleatoria $ se a'usta a una distribuci#n Log Pearson Bipo LLL. Esta
distribuci#n es ampliamente usada en el mundo para el an0lisis de frecuencia de 3audales
)=
m0ximos. Esta se traba'a igual que para la Pearson Bipo LLL pero con $
y
y "
y
como la media
y desviaci#n est0ndar de los logaritmos de la variable original $.
#./.1 Fun%i*n de densidad:
( )

,
_

,
_

4
)
4
) ln(
exp
) ln( )
) (
' x ' x
x
x f
donde!
y
4
y < para > 4
< y y
4
para < 4
y son los par0metros de escala y forma! respectivamente ! y y
4
es el par0metro de
locali8aci#n.
#./.2 +stima%i*n de ,a!met!os:

N
N
*
N
*
N
4
*

,
_

' '
x x
Cs
s
Cs
3s es el coeficiente de asimetr,a! ! ' '
s ' x
son la media y la desviaci#n est0ndar de los
logaritmos de la muestra respectivamente.
#./.# Fa%to! de f!e%uen%ia:
' ' "r
s # x + + ) ln(

. = +
*
*
+ *
D +
)
D D
) ) (
D
) D (
+
)
D
) ) (

,
_

,
_

,
_

,
_

+ +
Cs Cs
*
Cs
*
Cs
* *
Cs
* * #
donde 8 es la variable normal estandari8ada
Este valor de A se encuentra tabulado de acuerdo al valor de 3s calculado con la muestra.
#./.- 'nte!(alos de %onfian"a:
$t t t
()9)
"e
).
"e
"
n
y

Donde "
y
es la desviaci#n est0ndar de los logaritmos de la muestra! n es el nmero de datos
y se encuentra tabulado en funci#n de 3s y Br.
4 AJUSTE DE DISTRIBUCIONES
Para la modelaci#n de caudales m0ximos se utili8an! entre otras! las distribuciones Log 9
Oormal! Cumbel y Log9Cumbel principalmente. Para seleccionar la distribuci#n de
probabilidades de la serie (ist#rica se deben tener en cuenta algunas consideraciones.
3uando en la serie (ist#rica se observan Poutliers
)
Q es necesario verificar la
sensibilidad del a'uste debido a la presencia de estos! (Ashkar, et al. 1994)
Para el a'uste a las distribuciones Log9Oormal! Log9Cumbel y Log9Pearson se
requiere transformar la variable al campo logar,tmico para modelarla! con lo que se
disminuye la varian8a muestral! pero tambi7n se filtran las variaciones reales de los
datos.
Las distribuciones de dos par0metros fi'an el valor del coeficiente de asimetr,a! lo
que en algunos casos puede no ser recomendable. La distribuci#n Log 9 Oormal de
dos par0metros s#lo es recomendable s, el coeficiente de asimetr,a es cercano a cero.
Las distribuciones Cumbel y Log 9 Cumbel son recomendables si el coeficiente de
asimetr,a de los eventos registrados es cercano a ).)+
Para a'ustar distribuciones de tres par0metros (Log Oormal LLL! Log Pearson) se
requiere estimar el coeficiente de asimetr,a de la distribuci#n para ello es necesario
disponer de una serie con longitud de registros larga! mayor de .4 a/os! (Aite!
)2--). Las distribuciones de dos par0metros son usualmente preferidas cuando se
dispone de pocos datos! porque reducen la varian8a de la muestra! (5s(Rar! et al.
)22=).
Para seleccionar la distribuci#n de probabilidades adecuada se debe tratar de utili8ar
informaci#n adicional del proceso (idrol#gico que permita identificar la forma en que
se distribuye la variable. >sualmente es muy dif,cil determinar las propiedades f,sicas
de los procesos (idrol#gicos para identificar el tipo de distribuci#n de probabilidad
que es aplicable.
Aite ()2--) y 1amdou( ()22+) afirman que no existe consistencia sobre cual es la
distribuci#n que me'or se a'usta a los caudales m0ximos y recomiendan seleccionar el
me'or a'uste a criterio del modelador con la prueba de a'uste gr0fico o basado en el
comportamiento de las pruebas estad,sticas de bondad del a'uste (por e'emplo 3(i
)
5unque no existe una definici#n generalmente aceptada! se puede entender como valores extremos! muy
superiores a los dem0s registrados (Ashkar, et al. 1994).
)D
3uadrado! "mirnov9Aolmogorov! 3ramer9Mon 1ises) en las que se calcula un
estimador y se compara con un valor tabulado para determinar si el a'uste es
adecuado o no. En la prueba de a'uste gr0fica se dibu'an los valores registrados en la
serie contra la distribuci#n te#rica de probabilidades y de manera visual (sub'etiva) se
determina si el a'uste es adecuado o no.
3uando la informaci#n es adecuada el an0lisis de frecuencia es la metodolog,a m0s
recomendable para la evaluaci#n de eventos extremos! ya que la estimaci#n depende
solamente de los caudales m0ximos anuales que (an ocurrido en la cuenca y no da cuenta de
los procesos de transformaci#n de la precipitaci#n en escorrent,a. Sbviamente tiene algunas
limitaciones relacionadas con el comportamiento de la serie (ist#rica y con el tama/o y
calidad de los datos de la muestra.
3uando se presenten cambios o tendencias en la serie (ist#rica se deben utili8ar
t7cnicas estad,sticas que permitan removerlos para poder reali8ar el an0lisis de
frecuencias (Aite! )2-- 1amdou(! )22+ 5s(Rar! et al. )22=).
La selecci#n inadecuada de la distribuci#n de probabilidades de la serie (ist#rica
arro'ar0 resultados de confiabilidad dudosa! (5s(Rar! et al. )22=).
El tama/o de la muestra influye directamente en la confiabilidad de los resultados! as,
a mayor per,odo de retorno del estimativo mayor longitud de registros necesaria para
me'or confiabilidad en los resultados.
El a'uste a distribuciones se puede (acer de dos t7cnicas! con el factor de frecuencia como
se refiri# en el numeral * o (allando la distribuci#n emp,rica de los datos muestrales! por el
m7todo de Plotting Position.
4.1 Pl!!"#$ P%"!"#
Braba'a con la probabilidad de excedencia asignada a cada valor de la muestra. "e (an
propuesto numerosos m7todos emp,ricos. "i n es el total de valores y m es el rango de un
valor en una lista ordenada de mayor a menor (m=) para el valor m0ximo) la probabilidad de
excedencia se puede obtener por medio de las siguientes expresiones
3alifornia
n
,
P
Teibull
) +

n
,
P
Ua8en
n
,
P
*
) *

La expresi#n m0s utili8ada es la Teibull. 3on las anteriores expresiones se (alla lo que se
conoce como la distribuci#n emp,rica de una muestra! esta luego se puede a'ustar a una de
)H
las distribuciones te#ricas presentadas anteriormente. Los resultados pueden ser dibu'ados
en el papel de probabilidad este es dise/ado para que los datos se a'usten a una l,nea recta y
se puedan comparar los datos muestrales con la distribuci#n te#rica (l,nea recta).
4.2 P&'()*% +( A,'%!(
Para determinar que tan adecuado es el a'uste de los datos a una distribuci#n de
probabilidades se (an propuesto una serie de pruebas estad,sticas que determinan si es
adecuado el a'uste. Estos son an0lisis estad,sticos y como tal se deben entender! es decir! no
se puede ignorar el significado f,sico de los a'ustes.
-.2.1 0!ueba 1mi!no( 2olmo3o!o(
El estad,stico "mirnov Aolmogorov D considera la desviaci#n de la funci#n de distribuci#n
de probabilidades de la muestra P(x) de la funci#n de probabilidades te#rica! escogida Po(x)
tal que
)) ( ) ( max( x Po x P -n
.
La prueba requiere que el valor Dn calculado con la expresi#n anterior sea menor que el
valor tabulado Dn para un nivel de probabilidad requerido.
Esta prueba es f0cil de reali8ar y comprende las siguientes etapas%
El estad,stico Dn es la m0xima diferencia entre la funci#n de distribuci#n acumulada
de la muestra y la funci#n de distribuci#n acumulada te#rica escogida.
"e fi'a el nivel de probabilidad ! valores de 4.4. y 4.4) son los m0s usuales.
El valor cr,tico D de la prueba debe ser obtenido de tablas en funci#n de y n.
"i el valor calculado Dn es mayor que el D! la distribuci#n escogida se debe
rec(a8ar.
-.2.2 0!ueba $4i $uad!ado
>na medida de las discrepancia entre las frecuencias observadas (f
o
) y las frecuencias
calculadas (f
!
) por medio de una distribuci#n te#rica esta dada por el estad,stico VW

k
i !
! o
f
f f
)
*
*
) (

en donde

!
o
f f
si el estad,stico VW=4 significa que lae distribuciones te#rica y emp,rica a'ustan exactamente!
mientras que si el estad,stico VWG4! ellas difieren. La distribuci#n del estad,stico VW se puede
asimilar a una distribuci#n 3(i9cuadrado con (R9n9)) grados de libertad! donde R es el
nmero de intervalos y n es el nmero de los par0metros de la distribuci#n te#rica. La
funci#n VW se encuentra tabulada. "upongase que una (ip#tesis Uo es aceptar que una
distribuci#n emp,rica se a'usta a una distribuci#n Oormal. "i el valor calculado de VW por la
ecuaci#n anterior es mayor que algn valor cr,tico de VW! con niveles de significancia de
4.4. y 4.4) (el nivel de confian8a es )9) se puede decir que las frecuencias observadas
difieren significativamente de las frecuencias esperadas (o calculadas) y entonces la
(ip#tesis Uo se rec(a8a! si ocurre lo contrario entonces se acepta.
)-
)2