Apunte de Hidrologia Estadistica

UIVERSIDAD ACIOAL DE CRDOBA
Facultad de Ciencias Exactas, Fsicas y aturales

Ctedra de Hidrologa y Procesos Hidrulicos

Clase de Estadstica Hidrolgica

Profesores:
Titular: Dr. Ing. Juan Carlos Bertoni
Adjunto: Dra. Ing. Teresa Reyna
Adjunto: Ing. Sergio Menajovsky
Asistente: MSc. Ing. Facundo Alonso
Adscripta: MSc. Ing. Cecilia Pozzi
Adscripto: Ing. Facundo Ganancias Martnez

Preparado por: Ing. Facundo Ganancias Martnez

Crdoba, 2009
PDF Created with deskPDF PDF Writer - Trial :: http://www.docudesk.com
Estadstica Hidrolgica
Facultad de Ciencias Exactas, Fsicas y aturales. UC
Ing. Civil Facundo Ganancias Martnez - 2 -

NDICE

I - INTRODUCCIN................................................................................................................................... - 3 -
II - NIVEL DE SIGNIFICANCIA................................................................................................................ - 3 -
III - PRUEBAS DE INDEPENDENCIA....................................................................................................... - 6 -
III.1 - Prueba de Independencia: Anderson....................................................................................... - 6 -
III.2 - Prueba de Independencia: Corridas de Wald-Wolfowitz ......................................................... - 7 -
Introduccin................................................................................................................................................. - 7 -
Desarrollo .................................................................................................................................................... - 7 -
IV - PRUEBAS DE HOMOGENEIDAD...................................................................................................... - 9 -
IV.1 - Prueba de Homogeneidad: Helmert ........................................................................................ - 9 -
IV.2 - Prueba estadstica de t de Student........................................................................................... - 9 -
IV.3 - Prueba estadstica de Cramer................................................................................................ - 10 -
V - TCNICAS DE ESTIMACIN DE PARMETROS ........................................................................... - 11 -
V.1 - Tipos de Modelos Tericos .................................................................................................. - 11 -
V.2 - Mtodo de los Momentos..................................................................................................... - 12 -
V.3 - Mtodo de Mxima Verosimilitud........................................................................................ - 14 -
V.4 - Mtodo de Momentos de Probabilidad Pesada...................................................................... - 15 -
V.5 - Mtodo de Mnimos Cuadrados............................................................................................ - 16 -
V.6 - Mtodo de Momentos L....................................................................................................... - 17 -
V.7 - Mtodo de Momentos de Probabilidad Pesada...................................................................... - 18 -
VI - ANLISIS DE FRECUENCIA DE VALORES EXTREMOS.............................................................. - 19 -
VI.1 - Distribucin Normal ............................................................................................................ - 20 -
VI.2 - Distribucin Gumbel............................................................................................................ - 22 -
VI.3 - Distribucin General de Valores Extremos (GVE)................................................................ - 24 -
VI.4 - Distribucin Log Pearson Tipo III........................................................................................ - 27 -
VII - MTODOS DE SELECCIN DE DISTRIBUCIONES...................................................................... - 29 -
VII.1 - Introduccin.................................................................................................................... - 29 -
VII.2 - Tcnica Chi Cuadrado.................................................................................................. - 29 -
VII.3 - Tcnica Kolmogorov - Smirnov....................................................................................... - 30 -
VII.4 - Tcnica de Papeles Probabilsticos................................................................................... - 30 -
VII.5 - Tcnica del Error Estndar de Ajuste............................................................................... - 31 -
VIII - BIBLIOGRAFA.............................................................................................................................. - 31 -


I - ITRODUCCI

El estudio de frecuencia de caudales mximos es uno de los tpicos ms estudiados de
la Hidrologa, dada la necesidad de estimar la probabilidad de ocurrencia de crecidas para el
diseo de obras hidrulicas, proteccin de ciudades, etc.

El enfoque clsico del anlisis de frecuencia se basa en el empleo de una serie de datos
observados de manera sistemtica en una seccin o punto de inters de un ro o una cuenca.
Para el adecuado empleo de dicha serie, es necesario verificar en primera instancia el
cumplimiento de dos tipos de pruebas de hiptesis: Pruebas de Independencia y Pruebas de
Homogeneidad.

Las pruebas de Independencia son utilizadas para demostrar que los valores que
conforman la serie son aleatorios. Esta afirmacin implica que la probabilidad de ocurrencia
de uno cualquiera de ellos no depende de la ocurrencia del o de los valores precedentes, y no
afecta de ninguna manera a la probabilidad de ocurrencia de las datos posteriores.

Por su parte las pruebas de Homogeneidad evalan si todos los valores que conforman
la muestra, provienen estadsticamente de una misma poblacin. Para ello es necesario dividir
la muestra en dos o ms grupos de tamaos iguales (o diferentes), y se comparan los
estadsticos de la muestra: media, mediana, varianza, entre otros.

La aceptacin de las pruebas de independencia y homogeneidad de la muestra estar
dada en funcin de un nivel de significancia propuesto, por lo general del 5 %.

II - IVEL DE SIGIFICACIA

En problemas estadsticos, al afirmar cierta hiptesis que se desea contrastar, la misma
recibe el nombre de hiptesis nula
0
H . El nombre de nula indica que
0
H representa la
hiptesis que se mantiene como verdadera a menos que los datos indiquen su falsedad, y
puede entenderse, por tanto, en el sentido de neutra.

La hiptesis
0
H nunca se considera probada, aunque puede ser rechazada por los
datos. Por ejemplo, la hiptesis de que dos poblaciones tienen la misma media puede ser
rechazada fcilmente cuando ambas difieren considerablemente, analizando muestras
suficientemente grandes de ambas poblaciones, pero no puede ser demostrada mediante
muestreo, puesto que siempre cabe la posibilidad de que las medias difieran en una cantidad
lo suficientemente pequea para que no pueda ser detectada, aunque la muestra sea muy
grande.

A partir de una muestra de la poblacin en estudio, se extrae un estadstico, esto es un
valor que es funcin de la muestra, cuya distribucin de probabilidad est relacionada con la
hiptesis en estudio y sea conocida. Se toma entonces el conjunto de valores que es ms
improbable bajo la hiptesis, como regin de rechazo, esto es, el conjunto de valores para el

cual se considera que, si el valor del estadstico obtenido pertenece a l, se rechazar la
hiptesis nula.

La probabilidad de que se obtenga un valor del estadstico que entre en la regin de
rechazo an siendo cierta la hiptesis puede calcularse. De esta manera, se puede escoger
dicha regin de tal forma que la probabilidad de cometer este error sea suficientemente
pequea.

Actualmente se considera siempre una hiptesis alternativa a la hiptesis nula. De
manera explcita o implcita, la hiptesis nula, a la que se denota habitualmente por
0
H , se
enfrenta a otra hiptesis denominada hiptesis alternativa y que se denota
1
H . En los casos en
los que no se especifica
1
H de manera explcita, se puede considerar que la misma ha quedado
definida implcitamente como
0
H es falsa.

Si por ejemplo se desea comprobar la hiptesis de que dos distribuciones tienen la
misma media, se considera implcitamente como hiptesis alternativa ambas poblaciones
tienen distinta media. Es posible, sin embargo considerar casos en los que
1
H no es la simple
negacin de
0
H .

Un test de hiptesis se entiende, en el enfoque moderno, como una funcin de la
muestra, corrientemente basada en un estadstico. Puede suponerse que se tiene una muestra
de una poblacin en estudio y que se han formulado hiptesis sobre un parmetro
relacionado con la distribucin estadstica de la poblacin. Supongamos que se dispone de un
estadstico T(X) cuya distribucin con respecto a , ( ) T F
se conoce. Supongamos, tambin,

que las hiptesis nula y alternativa tienen la siguiente formulacin:

1 1
0 0
:
:
H
H

Un contraste, prueba o test para dichas hiptesis sera una funcin de la muestra de la
siguiente forma:

( )
( )
( )

=
X T SI
X T SI
X
.. .. 0 , 0
.. .. 0 , 1

Donde ( ) 0 , 1 = x significa que se debe rechazar la hiptesis nula,
0
H (aceptar
1
H ) y
( ) 0 , 0 = x , que debemos aceptar
0
H (o que no hay evidencia estadstica contra
0
H ). A se
la denomina regin de rechazo. En esencia, para construir el test deseado, basta con escoger el
estadstico del contraste T(X) y la regin de rechazo .

Se escoge de tal manera que la probabilidad de que T(X) caiga en su interior sea
baja cuando se da
0
H .

Una vez realizado el contraste de hiptesis, se habr optado por una de las dos
hiptesis,
0
H o
1
H , y la decisin escogida coincidir o no con la que en realidad es cierta. Se
pueden dar los cuatro casos que se exponen en el siguiente cuadro:

0
H es cierta
1
H es cierta
Se escogi
0
H No hay Error Error de Tipo II
Se escogi
1
H Error de Tipo I No hay Error

Si la probabilidad de cometer un error de tipo I est unvocamente determinada, su
valor se suele denotar por la letra griega , y en las mismas condiciones, se denota por la
probabilidad de cometer el error de tipo II, esto es:

P(escoger H
1
H
0
es cierta) =
P(escoger H
0
H
1
es cierta) =

El valor es tambin conocido como nivel de significancia de la prueba. Se
denomina potencia del contraste al valor 1-, esto es, a la probabilidad de escoger
1
H cuando
esta es cierta.

Cuando es necesario disear un contraste de hiptesis, sera deseable hacerlo de tal
manera que las probabilidades de ambos tipos de error fueran tan pequeas como fuera
posible. Sin embargo, con una muestra de tamao prefijado, disminuir la probabilidad del
error de tipo I, , conduce a incrementar la probabilidad del error de tipo II, .

Usualmente, se disean los contrastes de tal manera que la probabilidad sea el 5%
(0,05), aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones ms
relajadas o ms estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir
, probabilidad de error de tipo II, es aumentar el tamao de la muestra, lo que en la prctica
conlleva un incremento de los costos del estudio que se quiere realizar. En la Figura II1 se
identifican las regiones de aceptacin y rechazo, en la distribucin normal, para un nivel de
significancia del 5%.

Figura II1. Regin de rechazo y aceptacin en la distribucin normal

III - PRUEBAS DE IDEPEDECIA

Existen numerosas tcnicas para definir la independencia de los valores que
conforman una determinada serie. Las pruebas que aqu se exhiben son las de: Anderson y la
de Corridas de Wald-Wolfowitz. Ambas pruebas son presentadas a continuacin:
III.1 - Prueba de Independencia: Anderson
La prueba de independencia de Anderson (Salas, 1998 apud Escalante Sandoval,
2005) hace uso del coeficiente de autocorrelacin serial
j
k
r para diferentes tiempos de retraso
k. En el caso de analizar un solo registro, entonces j = 1.

La expresin para obtener el coeficiente de autocorrelacin serial de retraso k se
presenta a continuacin (Ecuacin III-1).

( ) ( )
( )
=
+

=
j
j
n
i
j
j
i
j
j
k i
k n
i
j
j
i
j
k
Q Q
Q Q Q Q
r
1
2
1
III-1
para:
3
,..., 2 , 1
j
n
k =
Donde:

=
=
j
n
i j
j
i
j
n
Q
Q
1
III-2

Adems, los lmites al 95% de confianza para
j
k
r se pueden obtener con la ecuacin III-3.

( )
k n
k n
r
j
j
j
k

=
1 96 , 1 1
%) 95 ( III-3

La grfica de los valores estimados para
j
k
r (ordenadas) contra los tiempos de retraso
k (abscisas), junto con sus correspondientes lmites de confianza, se denomina correlograma
de la muestra.

Si no ms del 10% de los valores
j
k
r sobrepasan los lmites de confianza, se dice que la
serie
j
i
Q es independiente y por lo tanto es una variable que sigue las leyes de la probabilidad.


III.2 - Prueba de Independencia: Corridas de Wald-Wolfowitz
Introduccin

En general suele suponerse que los datos recolectados en un estudio constituyen una
muestra aleatoria, de modo que cada observacin o medida es tomada de la poblacin de
manera aleatoria e independiente. Tal suposicin, sin embargo, puede ser probada mediante el
empleo de un procedimiento no paramtrico conocido como prueba de corridas de una
muestra de Wald-Wolfowitz. Este procedimiento no paramtrico no est relacionado con la
prueba de cualquier parmetro en particular y, por tanto, no tiene una contraparte paramtrica.

Los procedimientos estadsticos paramtricos consisten en la aplicacin de ecuaciones
matemticas que tienen como condicin necesaria la existencia de una particular y reconocida
distribucin de la poblacin.

Para probar la aleatoriedad, la hiptesis nula es:

H
0
: El proceso que genera el conjunto de datos numricos es aleatorio.

y la hiptesis alternativa:

H
1
: El proceso que genera el conjunto de datos numricos no es aleatorio.

La hiptesis nula, de aleatoriedad, puede probarse mediante la observacin del orden o
de la secuencia en que se obtienen los elementos de la muestra. Si a cada elemento se le
asigna uno de dos trminos, como E y F (por xito y fracaso), dependiendo de si la medida es
mayor o menor a un cierto valor, la aleatoriedad de la secuencia puede ser investigada. Si sta
es generada de manera aleatoria, el valor (E o F) de un elemento ser independiente tanto de
su posicin en la secuencia como del valor de los elementos que le preceden. Por otra parte, si
el valor de un elemento de la secuencia es afectado por los valores de los dems elementos, o
si la probabilidad de su ocurrencia depende de su posicin en la secuencia, el proceso que la
genera no es considerado aleatorio.

En los casos no aleatorios los elementos parecidos tendern a agruparse (del mismo
modo que cuando existe una tendencia presente en los datos) o se mezclarn de manera
alternada, de modo que se presentara algn efecto peridico sistemtico.

Para estudiar si una secuencia observada es aleatoria o no, se considera como
estadstico de prueba al nmero de corridas presente en los datos. Una corrida se define como
una serie consecutiva de elementos similares que estn limitados por elementos de un tipo
diferente o por el inicio o fin de la secuencia.

Desarrollo

Para probar la hiptesis nula de aleatoriedad, es necesario dividir el tamao completo
de la muestra: n, en dos partes: n
1
(el nmero de xitos, o de valores superiores al valor de
referencia) y n
2
(el nmero de fracasos, o de valores inferiores al valor de referencia).

La estadstica de prueba, es representada por la letra Z, para una prueba de dos
extremos. Si Z es mayor o menor de lo que cabra esperar en una serie aleatoria de datos, se
rechazara la hiptesis nula de aleatoriedad a favor de la hiptesis alternativa. Si para una
combinacin dada de n
1
y n
2
, Z es mayor o igual al valor crtico superior, o menor o igual al
valor crtico inferior, la hiptesis nula de aleatoriedad puede ser rechazada al nivel de
significancia . Sin embargo, si Z se encuentra entre estos lmites, la hiptesis nula de
aleatoriedad puede aceptarse.

Por otra parte, las pruebas de aleatoriedad no siempre son de dos extremos, si se est
interesado en probar la aleatoriedad contra una alternativa especifica de un efecto de
tendencia (de que hay una tendencia de agrupamiento de los elementos parecidos), se necesita
una prueba de un extremo En el otro extremo, si se est interesado en probar la aleatoriedad
contra un efecto sistemtico o peridico, se utiliza una prueba de un extremo que rechaza la
hiptesis nula slo si se presentan numerosas corridas.

Independientemente si la prueba es de un extremo o de dos extremos, para una
muestra de tamao n, mayor a 40, el estadstico Z est distribuido de manera
aproximadamente normal.

La ecuacin para determinar el valor del estadstico Z, se presenta a continuacin
(Ecuacin III-4).

2
R
R
R
Z

=

III-4

Donde: R es el nmero total de corridas observadas, el valor medio de R es dado por la
ecuacin III-5:

1
2
2 1
+

=
n
n n
R

III-5
y la desviacin estndar de R es dada por (Ecuacin III-6):

( )( )
1
2 1

=
n
R R
R

III-6

El valor del estadstico Z obtenido por el procedimiento indicado, se contrasta con el
valor de tabla de la distribucin normal para un cierto nivel de significancia establecido, y
como fue indicado previamente, si se encuentra comprendido entre los lmites de tabla, se
dice que las variables que integran la serie son aleatorias. De lo contrario se rechaza tal
afirmacin.


IV - PRUEBAS DE HOMOGEEIDAD

Para demostrar la homogeneidad de una serie de datos, puede emplearse una o
diferentes pruebas de hiptesis. Dichas pruebas permiten determinar si las variables que
integran una serie de datos pertenecen estadsticamente a una misma poblacin. Las pruebas
aqu presentadas son las de: Helmert, t de Student y Cramer. En los prrafos subsiguientes se
explica en que consisten tales pruebas.
IV.1 - Prueba de Homogeneidad: Helmert
Esta prueba es sencilla y consiste en analizar el signo de las desviaciones de cada
evento
j
i
Q
de la serie j para i = 1, 2, 3,, n
j
, con respecto a su valor medio
j
Q
.

Si una desviacin de un cierto signo es seguida por otra del mismo signo, entonces se
dice que se forma una secuencia: S, de lo contrario se considera un cambio: C.

La serie se considera homognea si se cumplen las condiciones de la ecuacin IV-1:

( ) 1 1
j j
n C S n

IV-1

IV.2 - Prueba estadstica de t de Student
Si se considera una serie
j
i
Q
para i = 1, 2, 3,, n
j
, del sitio j, la cual se divide en dos
conjuntos de tamao
2
2 1
j
n
n n = =
, entonces el estadstico de prueba se define con la
expresin IV-2:

2
1
2 1 2 1
2
2 2
2
1 1
2 1
1 1
2
(
|
|
\
|
+
+
+
=
n n n n
s n s n
x x
t
d

IV-2

Donde:

2
1 1
, s x : son la media y la varianza de la primera parte del registro de tamao n
1
2
2 2
, s x : son la media y la varianza de la segunda parte del registro de tamao n
2

El valor absoluto de t
d
se compara con el valor de la distribucin t de Student de dos
colas y con 2
2 1
+ = n n grados de libertad y para un nivel de significancia: 05 , 0 =


Si y solo si el valor absoluto de t
d
es mayor que aquel de la distribucin t de Student,
se concluye que la diferencia entre las medias es evidencia de inconsistencia, y por lo tanto la
serie
j
i
Q se considera no homognea. En caso contrario la serie es Homognea.
IV.3 - Prueba estadstica de Cramer
Esta prueba se utiliza con el propsito de verificar homogeneidad en el registro
j
i
Q de
la serie j para i = 1, 2, 3,, n
j
, y tambin para determinar si el valor medio no vara
significativamente de un perodo de tiempo a otro. Con este propsito se consideran tres
bloques, el primero del tamao total de la muestra, n
j
, el segundo de tamao n
60
(ltimos 60%
de los valores de la muestra) y el tercero de tamao n
30
(ltimos 30% de los valores de la
muestra).

La prueba compara el valor
j
Q del registro total con cada una de las medias de los
bloques elegidos
j
Q
60
y
j
Q
30
.

Para que se considere la serie analizada como estacionaria en la media, se deber
cumplir que no existe una diferencia significativa entre las medias de los dos bloques.

=
=
j
n
i j
j
i j
n
Q
Q
1
IV-3

para una sola muestra analizada j = 1.

( )
( )
2
1
1
2
1
1
(
(
=

=
j
n
i
j j
i
j
j
Q
Q Q
n
S
IV-4
=
=
60
1 60
60
n
k
j
k j
n
Q
Q IV-5
=
=
30
1 30
30
n
k
j
k j
n
Q
Q IV-6
j
Q
j j
j
S
Q Q
=
60
60
IV-7
j
Q
j j
j
S
Q Q
=
30
30
IV-8

( )
( ) [ ]
j
w
j
w w j
j w
w
n n
n n
t
2
1
2
1
2
+

=
IV-9

El estadstico t
w
tiene distribucin t de Student de dos colas con 2
2 1
+ = n n
grados de libertad y para un nivel de significancia 05 , 0 = .

Si y solo si el valor absoluto de t
w
para w = 60 y w =30, es mayor que el de la
distribucin t de Student se concluye que la diferencia entre las medias es evidencia de
inconsistencia y por lo tanto la serie
j
i
Q se considera no homognea. En caso contrario la
serie es Homognea.

V - TCICAS DE ESTIMACI DE PARMETROS
V.1 - Tipos de Modelos Tericos
En general en muchas ocasiones los problemas hidrolgicos se analizan y sintetizan a
travs del uso de modelos matemticos. Estos ltimos pueden ser del tipo determinstico,
paramtrico o estadstico (o bien estocstico).

Un modelo completamente determinstico es aquel que se obtiene a travs de
relaciones fsicas y no requiere de datos experimentales para su aplicacin.

Un modelo paramtrico puede ser considerado como un determinstico en el sentido de
que una vez que se estiman los parmetros del modelo, este siempre genera la misma salida a
partir de la informacin de entrada. Por otro lado, un modelo paramtrico es estadstico en el
sentido de que los parmetros estimados dependen de los datos observados y aquellos
cambiarn cuando los datos observados tambin lo hagan.

Un modelo estadstico es aquel en el cual las salidas son predecibles solamente en un
sentido estadstico. En un modelo estadstico, el empleo repetido de un grupo dado de
entradas de modelo genera salidas que no son las mismas pero siguen cierto modelo
estadstico (Escalante Sandoval, 2005).

Todo modelo estocstico es por naturaleza estadstico. Sin embargo, suele emplearse la
denominacin estocstico a los efectos de remarcar la dependencia de las variables
intervinientes con el tiempo (Clarke, 1988), hecho tpico en la series de tiempo de variables
hidrolgicas

Antes de hacer inferencias de cualquier modelo es importante la estimacin de sus
parmetros. Cada estimador de un parmetro es una funcin de los valores de la muestra, las
cuales son observaciones de una variable aleatoria. As, el propio parmetro estimado es una
variable aleatoria que tiene su propia distribucin muestral. Un estimador que se obtiene a

partir de un grupo de valores puede considerarse como un valor observado de una variable
aleatoria. Por lo cual, la bondad de un estimador puede ser juzgado a partir de su distribucin.

Independientemente de la tcnica que se use para la estimacin de los parmetros se
deben cumplir las siguientes propiedades:

Sesgo nulo: Un estimador
de un parmetro se dice que tiene sesgo nulo

cuando ( ) =
E . De lo contrario es sesgado. El sesgo se obtiene como

( ) =
E B .

Consistencia: Un estimador
de un parmetro se dice consistente si para

cualquier nmero positivo , el ( ) 0
lim = >

P
n
. Donde n es el
tamao de muestra.

Eficiencia: Un estimador
se dice el ms eficiente para si tiene sesgo

nulo y su varianza es al menos tan pequea como cualquier otro estimador no
sesgado para .Generalmente es posible obtener ms de un estimador no
sesgado para el mismo parmetro . Si
1
y
2
son dos estimadores no

sesgados de , con varianzas ( )
1
V y ( )
2
V , respectivamente, entonces la
eficiencia relativa de
1
con respecto a
2
se define a travs de la relacin

( ) ( )
2 1
V V .

Suficiencia:
es un estimador suficiente para , si
emplea toda la
informacin relevante contenida en la muestra.

A continuacin se presentan algunas de las tcnicas de estimacin de parmetros ms
comunes en Hidrolgica.
V.2 - Mtodo de los Momentos
El mtodo de los momentos es un procedimiento muy sencillo para encontrar un
estimador de uno o ms parmetros poblacionales. Consiste bsicamente en plantear un
sistema de ecuaciones, cuyo tamao depende del nmero de parmetros a estimar. Esto se
hace al igualar los momentos poblacionales con los muestrales.

Los momentos muestrales, tambin conocidos como estadsticos muestrales, se
obtienen con las siguientes expresiones.

Media: ecuacin V-1:

=
=
n
i
i
x
n
x
1
1
V-1


Varianza sesgada: ecuacin V-2:

( )
=
=
n
i
i sesg
x x
n
S
1
2 2
1

V-2

Varianza no sesgada: ecuacin V-3:

( )
=
n
i
i sesg insesg
x x
n
S
n
n
S
1
2 2 2
1
1
1
V-3

Cabe indicar que la denominacin no sesgado hace referencia al hecho de
considerarse que en la serie restan n-1 valores independientes luego de haberse calculado la
media de la muestra (al compararse los valores de la serie con su propia media se pierde un
grado de libertad).

Coeficiente de asimetra sesgado: ecuacin V-4:

( )
( )
( ) 2 / 3
2
1
3
1
sesg
n
i
i
sesg
S
x x
n
g

=
=

V-4

Coeficiente de asimetra no sesgado: ecuacin V-5:

( )( )
sesg insesg
g
n n
n
g

=
2 1
2
V-5

Coeficiente de curtosis sesgado: ecuacin V-6:

( )
( )
2
2
1
4
1
sesg
n
i
i
sesg
S
x x
n
k

=
=
V-6

Coeficiente de curtosis no sesgado: ecuacin V-7:

( ) ( ) ( )
sesg insesg
k
n n n
n
k

=
3 2 1
3
V-7

Desviacin estndar: ecuacin V-8:

2
S S =

V-8

Coeficiente de variacin: ecuacin V-9:


x
S
CV = V-9

En el anlisis hidrolgico se recomienda el uso de los estadsticos no sesgados, ya que
generalmente se trabaja con muestras relativamente pequeas. Cuando n es relativamente
grande (al menos mayor de 30 o 40, los valores de los momentos muestrales sesgados y no
sesgados son prcticamente similares).
V.3 - Mtodo de Mxima Verosimilitud
Sea ( )
m
a a a x f ,..., , ;
2 1
una funcin de densidad de probabilidad de x con parmetros
m i a
i
,..., 1 , = . Si existe una muestra aleatoria
n
x x x ,..., ,
2 1
de esta funcin de densidad,
entonces, su funcin de densidad conjunta es ( )
m n
a a a x x x x f ,..., , ; ,..., , ,
2 1 3 2 1
. Debido a que la
muestra es aleatoria, la funcin de densidad conjunta se puede escribir como en la ecuacin
V-10.
( ) ( )
=
=
n
i
m i m n
a a a x f a a a x x x x f
1
2 1 2 1 3 2 1
,..., , ; ,..., , ; ,..., , , V-10

Interpretado en forma conceptual, la probabilidad de obtener un valor dado de x,
digamos
1
x , es proporcional a ( )
m
a a a x f ,..., , ;
2 1
. Por otro lado, la probabilidad de obtener la
muestra aleatoria
n
x x x ,..., ,
2 1
a partir de la poblacin de x es proporcional al producto de sus
densidades de probabilidad individual. Esta funcin conjunta es llamada la funcin de
verosimilitud L, ecuacin V-11.

( )
=
=
n
i
m i
a a a x f L
1
2 1
,..., , ; V-11

Los parmetros m i a
i
,..., 1 , = son desconocidos.

El mtodo de mxima verosimilitud estima los parmetros al maximizar L, esto es,
maximizando la verosimilitud de que la muestra bajo consideracin es la nica que puede
obtenerse al seleccionar n observaciones aleatorias a partir de ( )
m
a a a x f ,..., , ;
2 1
. Los valores
de los parmetros obtenidos se conocen como los estimadores por mxima verosimilitud.
Debido a que con ( ) L ln se alcanza tambin su mximo para valores especficos de
m i a
i
,..., 1 , = , como lo hace L, entonces, la funcin de verosimilitud se puede expresar como
(ecuacin V-12).

( ) ( )
=
=
n
i
m i
a a a x f L
1
2 1
,..., , , ln ln V-12

El procedimiento para estimar los parmetros o la determinacin del punto donde la
funcin alcanza su mximo, implica la diferenciacin de L o de ( ) L ln parcialmente con
respecto a cada parmetro e igualando a cero. Por lo que se generan m ecuaciones con m

incgnitas que pueden resolverse para los m parmetros desconocidos (ecuaciones V-13,
V-14 y V-15)

( )
0
,..., ,
1
2 1
=
a
a a a L
m

V-13
( )
0
,..., ,
2
2 1
=
a
a a a L
m

V-14
( )
0
,..., ,
2 1
=
m
m
a
a a a L

V-15
V.4 - Mtodo de Momentos de Probabilidad Pesada
Greenwood et al en 1979 (Apud Escalante Sandoval, 2005) introdujeron al mtodo de
momentos de probabilidad pesada y mostraron su utilidad en la estimacin de parmetros de
distribuciones cuyas formas inversas ( ) F x x = se definen explcitamente. Si ( ) ( ) x X P x F = ,
entonces, los momentos de probabilidad pesada siguen la forma de la ecuacin V-16.

( ) [ ] ( ) [ ] ( )
= =
1
0
, ,
1 1 dF F F F x F F x E M
k j i k j i
k j i
V-16
Donde
k j i
M
, ,
es el momento de probabilidad pesada de orden (i, j, k), [ ] . E es el
operador esperanza, e i, j, k son nmeros reales. Si 0 = = k j e i es un entero no negativo,
entonces
0 , 0 , i
M representa el momento convencional de orden i con respecto al origen
(Ecuacin V-17).

( ) ( )

= =
r r
r
x E dx x f x M

V-17

Si
0 , 0 , i
M existe y x es una funcin continua de F, entonces
k j i
M
, ,
existe para todos
los nmeros reales no negativos j y k. Para valores enteros no negativos de j, k se tiene
(ecuaciones V-18 y V-19):

( )( )
=
=
k
j
j i
j k
j k i
M M
0
0 , , , 0 ,
1

V-18
( )( )
=
=
j
k
k i
k j
k j i
M M
0
, 0 , 0 , ,
1

V-19

Si
k i
M
, 0 ,
existe y x es una funcin continua de F, entonces
0 , , j i
M tambin existe. Si
k k
M M =
, 0 , 1
, se puede obtener un estimador no sesgado para
k
M y k , entero no negativo si
n i x
i
,..., 1 , = son los valores ordenados de mayor o menor como:


( )
( ) ( )
=

=
k n
i
n
k
i n
k i k
x
n
M
1
1
/
1

V-20
( )
=
=
n
i
i
x
n
M
1
0
1

V-21
( )
( )
( )
=
1
1
1
1
1
n
i
i
i n x
n n
M

V-22
( )
( )( )
( )( )
=

=
2
1
2
1
2 1
1
n
i
i
i n i n x
n n n
M

V-23
( )
( )( )( )
( )( )( )
=

=
3
1
3
2 1
3 2 1
1
n
i
i
i n i n i n x
n n n n
M

V-24
V.5 - Mtodo de Mnimos Cuadrados
Sea una funcin ( )
m
a a a x f ,..., , ;
2 1
donde m i a
i
,..., 2 , 1 , = son los parmetros a estimar.
El mtodo obtiene el conjunto de parmetros al minimizar la suma de los cuadrados de todas
las desviaciones entre los valores observados y calculados. Matemticamente esta suma puede
expresarse con las ecuaciones V-25 y V-26.

( ) ( ) [ ]

= =
= =
n
i
c
n
i
i
i y i y d S
1
2
0
1
2

V-25
( ) ( ) [ ]
=
=
n
i
m i
a a a x f i y S
1
2
2 1 0
,..., , ;

V-26

Donde ( ) i y
0
e ( ) i y
c
son los valores observados y calculados de " " y . Y m n > es el
nmero de observaciones. El mnimo de S se obtiene diferenciando parcialmente la ecuacin
V-26 con respecto a cada parmetro e igualando a cero (ecuaciones V-27 a V-29)

( ) ( ) [ ]
0
,..., , ;
1
1
2
2 1 0
=
=
a
a a a x f i y
n
i
m i

V-27
( ) ( ) [ ]
0
,..., , ;
2
1
2
2 1 0
=
=
a
a a a x f i y
n
i
m i

V-28
( ) ( ) [ ]
0
,..., , ;
1
2
2 1 0
=
=
m
n
i
m i
a
a a a x f i y

V-29

Finalmente, se plantea un sistema de ecuaciones, que al resolverlo entrega los
estimadores por mnimos cuadrados (ecuaciones V-30 a V-33).

= + + + + +
0 3 3 2 2 1 0
... y x a x a x a x a na
m m i

V-30

= + + + + +
0 1 1 3 1 3 2 1 2
2
1 0
... y x x x a x x a x x a x a x a
m m i i

V-31

= + + + + +
0 2 2 3 2 3
2
2 2 2 1 1 2 0
... y x x x a x x a x a x x a x a
m m

V-32

= + + + + +
0
2
3 3 1 2 1 1 0
... y x x a x x a x x a x x a x a
m m m m m m m

V-33
V.6 - Mtodo de Momentos L
Los momentos-L son anlogos a los momentos convencionales, sin embargo, tienen
cierta ventaja sobre ellos, ya que son capaces de caracterizar a un mayor nmero de
distribuciones, adems de estar virtualmente libres de sesgo an para muestras pequeas
(Hosking, 1990, apud Escalante Sandoval, 2005))

El primer estimador por momentos-L es la media, definida como (ecuacin V-34)

[ ] X E =
1

V-34

Sea
) n i
x
(
la i-sima observacin en una muestra de tamao n, ordenada de mayor a
menor, entonces, para cualquier distribucin de probabilidad el segundo momento-L es una
descripcin de escala basada en la diferencia esperada entre dos observaciones seleccionadas
de forma aleatoria (ecuacin V-35)

( ) ( )
[ ]
2 2 2 2 2
2
1
X X E =

V-35

De forma similar, el sesgo y el coeficiente de Curtosis se pueden obtener por medio de
las ecuaciones V-36 y V-37.

( ) ( ) ( )
[ ]
3 3 3 2 3 1 3
2
2
1
X X X E + =

V-36
( ) ( ) ( ) ( )
[ ]
4 4 4 3 4 2 4 1 4
3 3
2
1
X X X X E + =

V-37

As como la varianza o el coeficiente de asimetra de una distribucin son funcin de
las esperanzas [ ] [ ] [ ]
3 2
, , X E X E X E , los momentos-L pueden estimarse en funcin de los
momentos de probabilidad pesada (ecuacin V-38)

( ) [ ] { }
r
r
X F X E =

V-38

Los primeros cuatro momentos-L son los dados por las ecuaciones V-39, V-40, V-41 y
V-42.

0 1
=

V-39
0 1 2
2 =

V-40
0 1 2 3
6 6 + =

V-41

0 1 2 3 4
12 30 20 + =

V-42

Donde
= =
1
0
0 , ,
dF xF M
r
r i r

V-43

Los estimadores muestrales de los momentos-L, pueden obtenerse al sustituir los
estimadores no sesgados de las ecuaciones V-21 a V-24 en las ecuaciones V-39 a V-42.

Los primeros momentos-L poblacionales se pueden obtener mediante la expresin
V-43, de la siguiente manera (ecuaciones V-44 a V-47).

( )
=
1
0
1
dF F x

V-44
( )( )
=
1
0
2
1 2 dF F F x

V-45
( )( )
+ =
1
0
2
3
1 6 6 dF F F F x

V-46
( )( )
+ =
1
0
2 2
4
1 12 30 20 dF F F F F x

V-47

Una vez conocidas
4 3 2 1
, , y se pueden obtener las relaciones de los momentos-L

Coeficiente de variacin (L):
1 2 2
/ =

V-48

Coeficiente de sesgo (L):
2 3 3
/ =

V-49

Coeficiente de Curtosis (L):
2 4 4
/ =

V-50
V.7 - Mtodo de Momentos de Probabilidad Pesada
La entropa es una medida numrica de la incertidumbre o contenido de informacin
asociada con una funcin de densidad de probabilidad f(x), la cual describe el
comportamiento de la variable X. Se expresa matemticamente como (ecuacin V-51)

[ ] [ ] ( ) ( )

= = dx x Inf x f x I f I

V-51

Donde [ ] f I puede considerarse como la media de ) ( ln x f .

Si hay un nmero w de restricciones linealmente independiente
i
C , de la forma
(ecuacin V-52)
( ) ( )

= dx x f x g C
i i

V-52

En las que ( ) x y
i
son algunas funciones donde se especifican los promedios sobre
( ) x f , entonces la distribucin que conduce al mximo de I sujeto a las condiciones de la
ecuacin V-52, es (ecuacin V-53)

( ) ( )
(
=

=
w
i
i i
x g a a x f
1
0
exp

V-53

Donde w i a
i
,..., 2 , 1 , = son los multiplicadores de Lagrange que se determinan a partir
de la ecuacin V-52 y la condicin de normalizacin (ecuacin V-54)

( )

=1 dx x f

V-54

El mximo de I es (ecuacin V-55)
[ ] ( )
=
+ =
w
i
i i
x y a a f I
1
0

V-55

VI - ALISIS DE FRECUECIA DE VALORES EXTREMOS
El anlisis de frecuencia de valores extremos se desarrolla para estimar los valores
mximos asociados a diferentes perodos de retorno de datos como por ejemplo las lluvias
mximas registradas en una estacin pluviomtrica o pluviogrfica, o bien los caudales
mximos anuales de un ro.

Considerando una serie de caudales
i
Q , con n i ,..., 2 , 1 = , el anlisis de frecuencia de la
misma se emplea para proveer la magnitud de un evento
T
Q , de cierto perodo de retorno T,
por medio del ajuste de una distribucin de probabilidad, la cual se selecciona como la mejor
entre un grupo de ellas. (Escalante Sandoval, 2005).

El procedimiento empleado durante un anlisis de frecuencia de valores extremos (se
desarrolla el ejemplo con caudales mximos) debe contener los siguientes pasos:

1. Ordenar los caudales mximos anuales de la serie, de mayor a menor.

2. Asignar a cada valor de la serie un valor de frecuencia emprica, siguiendo una
distribucin de probabilidad emprica, por ejemplo la ley de Weibull:

m
n
T
1 +
= , n: nmero de datos de la serie, m: posicin del dato en la serie
ordenada de mayor a menor.

3. Determinar los parmetros de ajuste de diferentes distribuciones de
probabilidad tericas, por ejemplo:
Uniforme,
Exponencial de parmetro ,
Exponencial de parmetros x
0
y ,
Generalizada exponencial,
Normal,
Log normal de 2 parmetros,
Log normal de 3 parmetros,
Gamma de 2 parmetros,
Gamma de 3 parmetros,
Gumbel,
General de Valores Extremos (GVE), y
Log Pearson tipo III.

4. Los parmetros de ajuste de cada una de estas distribuciones de probabilidad se
obtienen segn los procedimientos adaptados para cada una de ellas, entre los
que se cuentan:
Momentos,
Mxima Verosimilitud,
Mxima Entropa,
Momentos L,
Momentos de Probabilidad Pesada, y
Mnimos Cuadrados.

En los prrafos siguientes se presentan las distribuciones Normal, Gumbel, general de
Valores Extremos y Log Pearson III, con sus respectivos mtodos de ajuste de parmetros.

Otras distribuciones tericas de probabilidad, y sus mtodos de ajuste, pueden ser
encontradas en el material bibliogrfico citado en este Apunte.
VI.1 - Distribucin ormal
La distribucin Normal presenta las funciones de probabilidad y de probabilidad
acumulada, siguientes (Ecuaciones VI-1 y VI-2):

( )
2
2
1
2
1
|
\
|

x
e x f

VI-1

( )

|
\
|

=
x
x
dx e x F
2
2
1
2
1

VI-2


Los parmetros de ajuste de esta distribucin pueden obtenerse por Momentos, por
Mxima Verosimilitud y por Momentos L.

Estimadores por Momentos y Mxima Verosimilitud

x =

VI-3
( )
=
n
i
i
x x
n
1
2
2
1
1

VI-4

Estimadores por Momentos L

1
=

VI-5
2
772 , 1 =

VI-6

donde
1
y
2
son los momentos muestrales, y se obtienen con las ecuaciones VI-7 a VI-11:

0 1
=

VI-7
0 1 2
2 =

VI-8
( ) 0 0
M =

VI-9
( ) 1 1
M =

VI-10
( )

=
=
n
i
i
x
n
M
1
1
0

VI-11

Los eventos de diseo por esta distribucin se obtienen mediante la expresin de la ecuacin
VI-12:

T T
U x + =

VI-12

Donde, para una probabilidad: 0 < F(x) 0,5:

3
5
2
4 3
2
2 1 0
1 V b V b V b
V b V b b
V U
T
+ + +
+ +
=

VI-13
( ) [ ]
)
`
=
2
1
ln
x F
V

VI-14
( )
T
x F
1
1 =

VI-15

Con los siguientes valores:

515517 , 2
0
= b
;
802853 , 0
1
= b
;
010328 , 0
2
= b
;
432788 , 1
3
= b
;
189269 , 0
4
= b
;
001308 , 0
5
= b


para una probabilidad: 0,5 < F(x) 1 se cambia F(x) por 1-F(x) en la expresin de V:

( ) [ ]
)
`
=
2
1
1
ln
x F
V

VI-16

y se le cambia el signo al valor obtenido de U
T
.

VI.2 - Distribucin Gumbel
La distribucin Gumbel presenta las funciones de probabilidad y probabilidad
acumulada siguientes (Ecuaciones VI-17 y VI-18):

( )
|
\
|
\
|
x
e
x
e e x f
1

VI-17
( )
|
\
|
=

x
e
e x F

VI-18

Los parmetros de ajuste de esta distribucin pueden obtenerse por Momentos, por
Mxima Verosimilitud, por Momentos L y por Mxima Entropa.

Estimadores por Momentos

S x = 45 , 0

VI-19
S = 78 , 0

VI-20

Estimadores por Mxima Verosimilitud

=
n
i
y
i
e n P
1

VI-21

=
=
+ =
n
i
y
i
n
i
i
i
e y y n R
1 1

VI-22

=
i
i
x
y

VI-23

Los criterios de convergencia son dados por las ecuaciones VI-24 y VI-25:

0
P

VI-24
0
R

VI-25


Los incrementos se calculan con las ecuaciones VI-26 y VI-27:

( )
n
R P
j
j j j
= 26 , 0 11 , 1

VI-26
( )
n
R P
j
j j j

= 61 , 0 26 , 0

VI-27

A partir de estos incrementos, los nuevos valores se calculan con las ecuaciones VI-28 y
VI-29:

j j j
+ =
+

1

VI-28
j j j
+ =
+

1

VI-29


577216 , 0
1
=

VI-30
( ) 2 ln
=

VI-31

Estimadores por Mxima Entropa

=
=
n
i
i
y
n
P
1
1

VI-32
=
n
i
y
i
e
n
R
1
1

VI-33

=
i
i
x
y

VI-34

Los criterios de convergencia son presentados con las ecuaciones VI-35 y VI-36:

0 577216 , 0 P

VI-35
0 1 R

VI-36

Los incrementos se calculan con las ecuaciones VI-37 y VI-38:

( )
j j j
R P ln 4228 , 0 + + =

VI-37
j j j
P = 577216 , 0

VI-38

A partir de estos incrementos, los nuevos valores se calculan con VI-39 y VI-40:

j j j j
+ =
+

1

VI-39
j j j
=
+

1

VI-40

Los eventos de diseo por esta distribucin se obtienen mediante la expresin dada por la
ecuacin VI-41.

( ) [ ] { } x F x
T
ln ln =

VI-41

VI.3 - Distribucin General de Valores Extremos (GVE)
La distribucin General de Valores Extremos presenta las funciones de probabilidad y
probabilidad acumulada siguientes (Ecuaciones VI-42 y VI-43):

( )
1
1
1
1
1
1
\
|

(
\
|
=

x
e x f
x

VI-42
( )
1
1
(
\
|

=
x
e x F

VI-43

La variable reducida de la Funcin General de Valores Extremos est dada por la
ecuacin VI-44.

(
\
|
=
x
y 1 ln
1

VI-44

Estimadores por Momentos

Para 1396 , 1 35 , 11 < < g :

5
4 3 2
000263 . 0
00376 . 0 023314 . 0 048306 . 0 333535 . 0 279434 , 0
g
g g g g

+ + =

VI-45

Para 95 , 18 14 , 1 < < g :

5
4 3 2
000043 . 0
000904 . 0 010883 . 0 075357 . 0 29219 . 0 25031 , 0
g
g g g g

+ + =

VI-46

[ ] [ ] y E B x y E B A
x
+ = + =

VI-47
( )
( )
2
1
=
y Var
x Var
B

VI-48
( )
2 2
x x
S x Var = =

VI-49
[ ] ( )
1+ = y E

VI-50
( ) ( ) ( )
2 1
2
+ + = y Var

VI-51

Para 0
< distribucin tipo II:

B

=

VI-52
B A

+ =

VI-53

Para 0
> distribucin tipo III:

B

=

VI-54
B A

=

VI-55

Para 0
= distribucin tipo I:
S S = = 78 , 0
6

VI-56
S x = 45 , 0

VI-57


A partir de la variable reducida, se tiene el proceso iterativo dado por las ecuaciones
VI-58, VI-59 y VI-60:

=
n
i
y
i
e n P
1

VI-58
( )
( )

= =

=
n
i
n
i
y y
i i
e e Q
1 1
1
1

VI-59
i
y
n
i
i
n
i
i
e y y n R

= =
+ =

1 1

VI-60

El criterio de convergencia est dado por las ecuaciones VI-61, VI-62 y VI-63:

0 = =

Q LL

VI-61
0
1
=
|
|
\
| +
=

Q P LL

VI-62
0
1
=
(
|
|
\
| +
=

Q P
R
LL

VI-63

Los incrementos se calculan con las ecuaciones VI-64, VI-65 y VI-66:

( ) ( )
(
(
+
+
+
+ =
j
j j
j
j j
j j
j
j
Q P
R
f
Q P h
Q b
n
j

VI-64

( ) ( )
(
(
+
+
+
+ =
j
j j
j
j j
j j
j
j
Q P
R
gs
Q P a
Q h
n
j

VI-65
( ) ( )
(
(
+
+
+
+ =
j
j j
j
j j
j j
j
Q P
R
c
Q P gs
Q f
n
j

1

VI-66

en estas ecuaciones se tiene:

3 2
059011 , 0
985803 , 0
562798 . 0 661437 , 0 + = a

VI-67
3 2
009577 , 0
115137 , 0
162161 , 0 235356 , 1 + = b

VI-68
3 2
009645 , 0
295825 , 0
77627 , 0 4711 , 0 + = c

VI-69
3 2
016837 , 0
19583 , 0
10287 , 0 244435 , 0 = f

VI-70
3 2
075004 , 0
479209 , 0
411923 , 0 15373 , 0 = gs

VI-71
3 2
019801 , 0
109822 , 0
209555 , 1 338937 , 0 = h

VI-72

Los nuevos valores se calculan con las ecuaciones VI-73, VI-74 y VI-75:

j
j j
+ =
+

1

VI-73
j
j j
+ =
+

1

VI-74
j
j j
+ =
+

1

VI-75


( ) ( )
( ) ( )
( )
( )
(

=
3 ln
2 ln

3

2
0 2
0 1
M M
M M
E

VI-76
2
9554 , 2 859 , 7
E E + =

VI-77
( )
1+ = A

VI-78
2 1

= B

VI-79
( ) ( )
( )
2
0 1
= M M C

VI-80
1
=
A
D

VI-81
B A
C
=

VI-82
( )

0
+ = D M

VI-83
( )

=
=
n
i
i
x
n
M
1
1
0

VI-84
( )
( )
( )
=

=
1
1
1
1
1
n
i
i
i n x
n n
M

VI-85

( )
( ) ( )
( ) ( )
=

=
2
1
1
2 1
1
2
n
i
i
i n i n x
n n n
M

VI-86

Los eventos de diseo por esta distribucin se obtienen mediante la expresin:

( ) ( ) [ ] { }
x F x
T
ln 1 + =
VI.4 - Distribucin Log Pearson Tipo III
La distribucin Log Pearson Tipo III presenta la funcin de probabilidad siguiente
(Ecuacin VI-87):

( )
( )
( )
( )
|
\
|

0
ln 1
0
ln 1
y x
e
y x
x
x f

VI-87

Los parmetros de ajuste de esta distribucin pueden obtenerse por Momentos:
mtodo directo y mtodo indirecto y por Mxima Verosimilitud.

Estimadores por Momentos: Mtodo Directo

3
1
+
=
A

VI-88
=
=
n
i
r
i
r
x
1

VI-89
( ) ( )
( ) ( )
1 2
1 3
ln 2 ln
ln 3 ln

= B

VI-90
3
1
=
B
C

VI-91

En funcin del valor que asuma el parmetro B, se tienen las situaciones dadas por las
ecuaciones VI-92 y VI-93:

Si 6 5 , 3 < B :

3 2
04557 , 0 20911 , 0 65262 , 1 23019 , 0 C C C A + + =

VI-92

Si 5 , 3 3 < B :

C A + = 99955 , 1 45157 , 0

VI-93


En cualquiera de los casos anteriores se tiene:

( ) ( )
( ) ( )

=
2 1 ln 1 ln
ln 2 ln
2
1 2

VI-94
( ) ( ) 1 ln
ln
1 0
+ = y

VI-95

Estimadores por Momentos: Mtodo Indirecto

2
4
y
g
=

VI-96
y
S
=

VI-97

donde
y y
g S y , , son los estadsticos de la serie: ( )
i i
x y ln =


( ) ( )
( )

= =
|
|
\
|
=
n
i i
n
i
i
y x
y x
n
1 0 1
0
2
ln
1
ln
1
1

VI-98
( ) ( )
( )
=
=
|
|
\
|
=
n
i
n
i i
i
y x
n
y x
n
1
1 0
0
ln
1
ln
1

VI-99

el estimador
0
y se obtiene al resolver la ecuacin VI-100:
( ) ( ) [ ] ( ) ( ) 0
ln ln ln
1
0 0
= =
=
n
i
i
n n y x y F

VI-100

Los eventos de diseo para esta distribucin se obtienen con la expresin siguiente (Ecuacin
VI-101):

|
|
|
\
|
|
|
\
|
+
=
3
0
9
1
9
1
1

T
U Y
T
e x

VI-101


VII - MTODOS DE SELECCI DE DISTRIBUCIOES
VII.1 - Introduccin
La calidad de los valores de caudal estimados para un cierto perodo de retorno, con
distribuciones de probabilidad terica, est dado principalmente por la comparacin de dichos
valores estimados con los valores realmente observados o medidos.

Para ello es posible utilizar diferentes tcnicas denominadas Tcnicas o Mtodos de
Bondad de Ajuste. Entre los diferentes mtodos ms difundidos se encuentran los de:

1. Chi Cuadrado.

2. Kolmogorov Smirnov,

3. Papeles probabilsticos,

4. Error Estndar de Ajuste.

Se considera que el mejor de los mtodos indicados es el del Error Estndar de Ajuste.
Se arriba a esta consideracin por entender que el mismo considera en la comparacin de los
valores observados y estimados, el nmero de parmetros que se utilizan para ajustar la
distribucin en prueba.

A continuacin, por lo expresado precedentemente, sern presentadas, de manera
resumida las primeras tres tcnicas y de forma ms extensa la tcnica del error estndar de
ajuste.
VII.2 - Tcnica Chi Cuadrado
La prueba de Chi - Cuadrado es considerada como una prueba no paramtrica que
mide la discrepancia entre una distribucin observada y otra terica (bondad de ajuste),
indicando en qu medida las diferencias existentes entre ambas; de haberlas, se deben al azar
en el contraste de hiptesis. Tambin se utiliza para probar la independencia de dos variables
entre s, mediante la presentacin de los datos en tablas de contingencia.

En esta prueba, para aceptar una funcin de distribucin dada, se debe cumplir la
ecuacin VII-1.

( )
2
1 ; 1
2
n k
i
i i

<

VII-1

Donde
2
1 ; 1 n k
es el valor de una variable aleatoria con distribucin Chi Cuadrado para
n k 1 grados de libertad y un nivel de significancia , k es el nmero de intervalos y n es
el nmero de parmetros empleados por la funcin de distribucin.


VII.3 - Tcnica Kolmogorov - Smirnov
La prueba Kolmogorov - Smirnov consiste en comparar el mximo valor absoluto de
la diferencia entre la funcin de distribucin observada ( )
i O
x F y la estimada ( )
i n
x F
, con un
valor crtico

D que depende del nmero de datos y el nivel de significancia seleccionado.
La expresin de comparacin para la prueba de Kolmogorov Smirnov est dada por
la ecuacin VII-2.

( ) ( )
i o i n
x F x F
n i
D

=
1
sup

VII-2

Donde:
i
x : Valor i-simo observado en la muestra (ordenada de mayor a menor)
( )
i n
x F
: Funcin de probabilidad estimada

( )
i O
x F : Funcin de probabilidad observada

Si los valores observados ( )
i O
x F son similares a los esperados ( )
i n
x F
, el valor de D
ser pequeo. Cuanto mayor sea la discrepancia entre la distribucin emprica y la
distribucin terica , mayor ser el valor de D.

Por tanto, el criterio para la toma de la decisin entre las dos hiptesis ser de la
forma:
Si
D D < : Aceptar que los datos observados siguen la distribucin probada

Si
D D > : Rechazar que los datos observados siguen la distribucin probada

donde el valor
D se elige de tal manera que:

P(Rechazar
0
0
H
H
es cierta) = P(

D D > / Los datos siguen la distribucin probada) = ,
siendo el nivel de significancia seleccionado para la prueba de bondad de ajuste.

VII.4 - Tcnica de Papeles Probabilsticos
La probabilidad acumulada de una distribucin terica puede representarse
grficamente en un papel de probabilidad diseado para la distribucin. En uno de estos
papeles las ordenadas usualmente representan el valor de x en una cierta escala y la abscisa
representa la probabilidad ( ) x X P o ( ) x X P < , el perodo de retorno T o la variable
reducida
T
y . Las escalas para las ordenadas y las abscisas estn diseadas de tal manera que
se espera que los datos que van a ser ajustados se ubiquen prximos a una lnea recta. El
propsito del uso del papel de probabilidad es el de linealizar la relacin de probabilidad de
tal manera que los datos graficados puedan ser fcilmente utilizados para interpolacin,
extrapolacin o con propsitos de comparacin. Para aquella distribucin de probabilidad en

donde los datos observados se pueden ubicar ms prximos a una recta, ser la distribucin
que mejor represente a la serie de datos.
VII.5 - Tcnica del Error Estndar de Ajuste
Kite, en el ao 1988, propuso un estadstico que permite seleccionar la mejor opcin,
entre diferentes modelos en competencia, para el ajuste de una muestra de datos
j
i
Q para
j
n i ,..., 3 , 2 , 1 = , de un sitio j.

Este estadstico es conocido como el error estndar de ajuste y se obtiene con la
ecuacin VII-3:
( )
2
1
1
2
(
(
(
(
=
p j
n
i
j
T
j
T
m n
Q Q
EEA
j

VII-3
Donde:

j
T
Q Son los eventos
j
i
Q ordenados de mayor a menor con un perodo de retorno asignado:
m
n
T
j
1 +
= y una probabilidad de no excedencia
T
P
1
1 =
j
n : Longitud en aos del registro analizado
m: Nmero de orden del registro.
j
T
Q
Eventos estimados por cierta distribucin de probabilidad para cada perodo de retorno T
asignado a la muestra ordenada
j
i
Q .
p
m : Nmero de parmetros de la distribucin ajustada.

La distribucin de mejor ajuste ser aquella que proporcione el mnimo valor del
estadstico E.E.A. Si una o ms distribuciones tienen valores similares del E. E. A, entonces
se deber optar por aquella distribucin que tenga el menor nmero de parmetros.

VIII - BIBLIOGRAFA

CAMPOS ARANDA, D. F. (2007). Estimacin y Aprovechamiento del Escurrimiento.
440p. Editorial Campos, San Lus de Potos, Mxico.

CUNNANE, C. (1988). Methods and merits of regional flood frecuency analysis. Journal of
Hydrology 100(1-4): 269-290.

ESCALANTE SANDOVAL, C; REYES CHVEZ, L. (2005). Tcnicas Estadsticas en
Hidrologa 2 Edicin. Universidad Nacional Autnoma de Mxico, Facultad de Ingeniera,
298p.


GANANCIAS MARTNEZ, F. (2009). Evaluacin de Metodologas Estadsticas de
Regionalizacin Hidrolgica: Aplicacin a los Caudales Mximos de Cuencas
Representativas de la Regin Sur-Oeste de la Provincia de Crdoba. Tesis de Maestra en
Ciencias de la Ingeniera Mencin en Recursos Hdricos. Facultad de Ciencias Exactas,
Fsicas y Naturales de la Universidad Nacional de Crdoba.

KITE, G.W. 2004). Frecuency and Risk Analyses in Hydrology. Water Resources
Publications, LLC. 257p. Estados Unidos de Amrica.

RAUDKIVI, A. J. (1979). Hydrology, An Advanced Introduction to Hydrological Processes
and Modelling. Editora Pergamon Press, Oxford, Inglaterra.

TUCCI, C. E. M. (1993). Hidrologa, Ciencia y Aplicacin. Editora da Universidade,
Universidade Federal do Ro Grande do Sul. Brasil.

VON MISES, R. (1946). Probabilidad, Estadstica y Verdad. ESPASA CALPE Argentina
S.A. 351p. Argentina.


Apunte de Hidrologia Estadistica

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte de Hidrologia Estadistica

Cargado por

Copyright:

Formatos disponibles

UIVERSIDAD ACIOAL DE CRDOBA

Facultad de Ciencias Exactas, Fsicas y aturales

se conoce. Supongamos, tambin,

de un parmetro se dice que tiene sesgo nulo

E . De lo contrario es sesgado. El sesgo se obtiene como

de un parmetro se dice consistente si para

se dice el ms eficiente para si tiene sesgo

son dos estimadores no

se define a travs de la relacin

es un estimador suficiente para , si

< distribucin tipo II:

> distribucin tipo III:

: Funcin de probabilidad estimada

D D < : Aceptar que los datos observados siguen la distribucin probada

D D > : Rechazar que los datos observados siguen la distribucin probada

D se elige de tal manera que:

También podría gustarte