DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGA

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 especfico 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).
Si conocemos la probabilidad P(a x b) para todos los valores de a y b, se dice que
conocemos la Distribucin de Probabilidades de la variable x.
Si x es un nmero dado y consideramos la probabilidad P(X x):
F(x)= P(X x):
y llamamos F(x) la funcin de distribucin acumulada.
Ejemplo
Se tienen las probabilidades de que haya 1, 2, 3, ... etc, das nublados por semana en un
determinado lugar, con ellos calcule la distribucin de probabilidades
x
0
1
2
3
4
5
6
7
Total

P(x)
0.05
0.15
0.25
0.20
0.15
0.10
0.08
0.02
1.0

F(x)
0.05
0.20
0.45
0.65
0.80
0.90
0.98
1.00

Si se tiene una variable aleatoria continua, la figura presenta el histograma de 85 aos

de registro de caudales de crecientes (mximos instantneos) en el ro Magdalena,
agrupados en 9 intervalos de clase.

x
1
2
3
4
5
6
7
8
9
Total

P(x)
0.05
0.10
0.15
0.20
0.10
0.10
0.15
0.10
0.05
1.00

F(x)
0.05
0.15
0.30
0.50
0.60
0.70
0.85
0.95
1.00

Cuando el nmero de observaciones se incrementa, el tamao de los intervalos decrece

y se puede tener algo s

donde f(x) es la llamada funcin de densidad de probabilidades y tiene las siguientes

caractersticas
i)
ii)
iii)

Lo que implica que las probabilidades se definen slo como REAS bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.
MOMENTOS DE LAS DISTRIBUCIONES
Las propiedades de las distribuciones pueden ser definidas completamente en trminos
de los momentos. Los momentos en estadstica son similares a los momentos en fsica
(rotacin respecto al origen)
para la variable continua

para la variable discreta

o respecto a la media (eje de rotacin diferente al origen)
para la variable continua

para la variable discreta

PARMETROS ESTADSTICOS
Los estadsticos extraen informacin de una muestra, indicando las caractersticas de la
poblacin. Los principales estadsticos son los momentos de primer, segundo y tercer
orden correspondiente a la media, varianza, y asimetra respectivamente.

Media :
es el valor esperado de la variable misma . Primer momento respecto a la origen.
Muestra la tendencia central de la distribucin

el valor estimado de la media a partir de la muestra es

1.2.2 Varianza :
mide la variabilidad de los datos. Es el segundo momento respecto a la media.

el valor estimado de la varianza a partir de la muestra es

en el cual el divisor es n-1 en lugar de n para asegurar que la estadstica 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 varianza son la media al cuadrado, la
desviacin estndar es una medida de la variabilidad que tiene las mismas
dimensiones que la media y simplemente es la raz cuadrada de la varianza, se estima
por s. El significado de la desviacin estndar se ilustra en la siguiente figura

Efectos de la funcin de densidad de probabilidad causados por cambios en la

desviacin estndar.

Coeficiente de variacin

es una medida adimensional de la variabilidad su

estimado es

Coeficiente de asimetra
la distribucin de los valores de una distribucin alrededor de la media se mide por la
asimetra. Se obtiene a partir del tercer momento alrededor de la media, dividindolo
por el cubo de la desviacin estndar para que sea adimensional.
tercer momento respecto a la media

Un estimativo del coeficiente de asimetra est dado por

Ejemplo
Encontrar el valor medio de la precipitacin si se tiene
Intervalo (mm)
100
110
120
130
140
150
160

110
120
130
140
150
160
170

Xi medio
105
115
125
135
145
155
165

Frecuencia Frecuencia
absoluta
relativa
10
0.1
16
0.16
9
0.09
10
0.1
20
0.2
15
0.15
20
0.2
Total=100

x f(x)
10.5
18.4
11.25
13.5
29
23.25
33
= 138.9

ANALISIS DE FRECUENCIA
El anlisis de frecuencia es una herramienta utilizada para, predecir el comportamiento
futuro de los caudales en un sitio de inters, a partir de la informacin histrica de
caudales. Es un mtodo basado en procedimientos estadsticos que permite calcular la
magnitud del caudal asociado a un perodo de retorno. Su confiabilidad depende de la
longitud y calidad de la serie histrica, adems de la incertidumbre propia de la
distribucin de probabilidades seleccionada.
Cuando se pretende realizar
extrapolaciones, perodo de retorno mayor que la longitud de la serie disponible, el error
relativo asociado a la distribucin de probabilidades utilizada es ms importante,
mientras que en interpolaciones la incertidumbre est 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 extrapolacin de frecuencias
extremas en una distribucin emprica de crecientes es extremadamente riesgosa
(Garcon, 1994).
Para determinar la magnitud de eventos extremos cuando la distribucin de
probabilidades no es una funcin fcilmente invertibles se requiere conocer la variacin
de la variable respecto a la media. Chow en 1951 propus determinar esta variacin a
partir de un factor de frecuencia KT que puede ser expresado:

y se puede estimar a partir de los datos

Para una distribucin dada, puede determinarse una relacin entre K y el perodo de
retorno Tr. Esta relacin puede expresarse en trminos matemticos o por medio del
uso de una tabla.
El anlisis de frecuencia consiste en determinar los parmetros de las distribuciones de
probabilidad y determinar con el factor de frecuencia la magnitud del evento para un
perodo de retorno dado.
A continuacin se describen las principales distribuciones de probabilidad utilizadas en
hidrologa, la forma de estimar sus parmetros, el factor de frecuencia y los lmites de
confianza. Estos ltimos son indicadores de que tanta incertidumbre se tiene con las
extrapolaciones, puesto que determinar el rango de valores donde realmente estara la
variables, si el rango es muy grande la incertidumbre es muy alta y si es pequeo, por el
contrario, habr mucha confianza en el valor estimado.
3 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES CONTINUAS
DISTRIBUCION NORMAL
La distribucin normal es una distribucin simtrica en forma de campana, tambin
conocida como Campana de Gauss. Aunque muchas veces no se ajusta a los datos
hidrolgicos tiene amplia aplicacin por ejemplo a los datos transformados que siguen
la distribucin normal.

Funcin de densidad:
La funcin de densidad est dada por

Los dos parmetros de la distribucin son la media y desviacin estndar para los
cuales (media) y s (desviacin estndar) son derivados de los datos.

Estimacin de parmetros:

Factor de frecuencia:
1

Si se trabaja con los X sin transformar el K se calcula como

este factor es el mismo de la variable normal estndar

Limites de confianza:

donde es el nivel de probabilidad

es el cuantil de la distribucin normal
estandarizada para una probabilidad acumulada de 1- y Se es el error estndar
DISTRIBUCIN LOGNORMAL DE DOS PARMETROS
Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que
X se distribuye normalmente.
Esta distribucin es muy usada para el calculo de valores extremos por ejemplo Qmax,
Qmnimos, Pmax, Pmnima (excelentes resultados en Antioquia). Tiene la ventaja que
X>0 y que la transformacin Log tiende a reducir la asimetra positiva ya que al sacar
logaritmos se reducen en mayor proporcin los datos mayores que los menores.
Limitaciones: tiene solamente dos parmetros, y requiere que los logaritmos de la
variables estn centrados en la media

Funcin de densidad:

y = ln x
donde,
y : media de los logaritmos de la poblacin (parmetro escalar), estimado
Desviacin estndar de los logaritmos de la poblacin, estimado sy.

Estimacin de parmetros:

Factor de frecuencia:
Puede trabajarse en el campo original y en el campo transformado.
2

Campo transformado: Si se trabaja en el campo transformado se trabaja con la

media y la desviacin estndar de los logaritmos, as:
Ln(XTr) = xTr+KSy

de donde,
XTr = eln (xTr)
con K con variable normal estandarizada para el Tr dado, x y media de los logaritmos y
Sy es la desviacin estndar de los logaritmos.
3

Campo original: Si se trabaja con los X sin transformar el K se calcula como

K es la variable normal estandarizada para el Tr dado,

es el coeficiente de
variacin, x media de los datos originales y s desviacin estndar de los datos
originales.

Limites de confianza:
En el campo transformado.

en donde, n numero de datos, Se error estndar, KT variable normal estandarizada.

EJEMPLO: En un ro se tienen 30 aos de registros de Qmximos instantneos anuales
con x= 15 m3/s, S = 5 m3/s (media y desviacin estndar para los datos originales).
xy=2.655, sy = 0.324 (media y desviacin estndar de los datos transformados).
Encontrar el caudal para un periodo de retorno de 100 aos y los limites de confianza
para un = 5%. Calcular la probabilidad de que un caudal de 42.5 m 3/s no sea igualado
o excedido P(Q 4.25).
Solucin:
n=30
x= 15 m3/s
s = 5 m3/s

xy=2.655
sy = 0.324

En el campo original

= 5/15 = 0.33
K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.99)
de la tabla de la normal se obtiene KT=2.33

KT = 3.06
QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s
En el campo transformado se tiene que:
LnQTr100 = 2.655 + 2.33*0.324
LnQTr100 = 3.40992
QTr100 = Exp (3.40992)
Q Tr100 = 30.26 m3/s

Limites de confianza
Ln (QTr) t(1-) Se

= 1.93

t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

Ln(30.28) (1.645 ) (0.11)
3.41 0.18095
[3.22905
[e3.22905
[25.26

3.59095]
e3.59095]
36.29]

Intervalos de confianza para QTr100

b) Calcular la probabilidad de que un caudal de 45 m 3/s no se igualado o excedido P(Q

4.25).
Ln(42.5) = 3.75
t = (3.75 - 2.655)/0.324
F(3.38) = 0.9996 Ledo de la tabla de la normal
P(Q 4.25) = 99.9%
DISTRIBUCION GUMBEL O EXTREMA TIPO I
Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico
es la distribucin general de valores extremos, la cual ha sido ampliamente utilizada
para representar el comportamiento de crecientes y sequas (mximos y mnimos).

Funcin de densidad:

En donde y son los parmetros de la distribucin.

Estimacin de parmetros

donde

son la media y la desviacin estndar estimadas con la muestra.

Factor de frecuencia:

Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal

para un perodo de retorno de 2.33 aos es igual a la media de los caudales mximos.

Limites de confianza
Xt t(1-) Se

KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una

probabilidad de no excedencia de 1-.
EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno
y los intervalos de confianza. x= 15 m3/s, s = 5 m3/s
QTr100 = x + KT s

KT = 3.14

QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

= 3.93

Xt t(1-) Se
30.7 m3/s (1.64) (3.58)
[24.83 m3/s

36.58 m3/s]

Intervalo de confianza para QTr100

DISTRIBUCION GAMMA DE TRES PARMETROS O PEARSON TIPO 3

Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de
las variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la
distribucin de frecuencia de variables tales como crecientes mximas anuales,
Caudales mnimos, Volmenes de flujo anuales y estacionales, valores de
precipitaciones extremas y volmenes de lluvia de corta duracin. La funcin de
distribucin Gamma tiene dos o tres parmetros.

Funcin de densidad:

donde,
x0 x para 0
x x0 para 0
y son los parmetros de escala y forma, respectivamente , y x 0 es el parmetro de
localizacin.

Estimacin de parmetros:

Cs es el coeficiente de asimetra,
muestra respectivamente.

son la media y la desviacin estndar de la

Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la
muestra.

Intervalos de confianza:
Xt t(1-) Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y se

encuentra tabulado en funcin de Cs y Tr.
EJEMPLO: Se tiene una estacin con 30 aos de registros de caudales mximos
instantneos con Media de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el
coeficiente de asimetra de los caudales es de 1.981 pie 3/s cual es caudal para un periodo
de retorno de 100 aos y su intervalo de confianza.
QTr100 = X+ SK
K es F(1.981, 100)

de tablas se obtiene K=3.595

QTr100 = 4144+ (3.595) (3311)

QTr100 = 16050 pie3/s
Intervalos de confianza
Xt t(1-) Se

(1.9,100) = 3.553
(2.0,100) = 3.605

 = F(1.981,100)

de tablas se obtiene =8.4922

(1.9,100) = 8.2196
(2.0,100) = 8.5562

Se = 5133.56 pie3/s
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
16050 (5133.56) (1.645)
[7605.29 pie3/s

24494.71pie3/s]

Intervalos de confianza para QTr100

DISTRIBUCIN LOG GAMMA O LOGPEARSON DE 3 PARMETROS

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin Pearson
tipo III, se dice que la variable aleatoria X se ajusta a una distribucin Log Pearson Tipo
III. Esta distribucin es ampliamente usada en el mundo para el anlisis de frecuencia
de Caudales mximos. Esta se trabaja igual que para la Pearson Tipo III pero con X y y
Sy como la media y desviacin estndar de los logaritmos de la variable original X.

Funcin de densidad:

donde,
y0 y para 0
y y0 para 0
y son los parmetros de escala y forma, respectivamente , y y 0 es el parmetro de
localizacin.

Estimacin de parmetros:

Cs es el coeficiente de asimetra,
son la media y la desviacin estndar de
los logaritmos de la muestra respectivamente.

Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la
muestra.

Intervalos de confianza:
Xt t(1-) Se

Donde Sy es la desviacin estndar de los logaritmos de la muestra, n es el nmero de

datos y se encuentra tabulado en funcin de Cs y Tr.
4

AJUSTE DE DISTRIBUCIONES

Para la modelacin de caudales mximos se utilizan, entre otras, las distribuciones Log Normal, Gumbel y Log-Gumbel principalmente. Para seleccionar la distribucin de
probabilidades de la serie histrica se deben tener en cuenta algunas consideraciones.

Cuando en la serie histrica se observan outliers1 es necesario verificar la

sensibilidad del ajuste debido a la presencia de estos, (Ashkar, et al. 1994)

Para el ajuste a las distribuciones Log-Normal, Log-Gumbel y Log-Pearson se

requiere transformar la variable al campo logartmico para modelarla, con lo que

se disminuye la varianza muestral, pero tambin se filtran las variaciones reales

de los datos.

Las distribuciones de dos parmetros fijan el valor del coeficiente de asimetra,

lo que en algunos casos puede no ser recomendable. La distribucin Log Normal de dos parmetros slo es recomendable s el coeficiente de asimetra es
cercano a cero. Las distribuciones Gumbel y Log - Gumbel son recomendables
si el coeficiente de asimetra de los eventos registrados es cercano a 1.13

Para ajustar distribuciones de tres parmetros (Log Normal III, Log Pearson) se
requiere estimar el coeficiente de asimetra de la distribucin; para ello es
necesario disponer de una serie con longitud de registros larga, mayor de 50
aos, (Kite, 1988). Las distribuciones de dos parmetros son usualmente
preferidas cuando se dispone de pocos datos, porque reducen la varianza de la
muestra, (Ashkar, et al. 1994).

Para seleccionar la distribucin de probabilidades adecuada se debe tratar de

utilizar informacin adicional del proceso hidrolgico que permita identificar la
forma en que se distribuye la variable. Usualmente es muy difcil determinar las
propiedades fsicas de los procesos hidrolgicos para identificar el tipo de
distribucin de probabilidad que es aplicable.

Kite (1988) y Mamdouh (1993) afirman que no existe consistencia sobre cual es
la distribucin que mejor se ajusta a los caudales mximos y recomiendan
seleccionar el mejor ajuste a criterio del modelador con la prueba de ajuste
grfico o basado en el comportamiento de las pruebas estadsticas de bondad del
ajuste (por ejemplo Chi Cuadrado, Smirnov-Kolmogorov, Cramer-Von Mises)
en las que se calcula un estimador y se compara con un valor tabulado para
determinar si el ajuste es adecuado o no. En la prueba de ajuste grfica se
dibujan los valores registrados en la serie contra la distribucin terica de
probabilidades y de manera visual (subjetiva) se determina si el ajuste es
adecuado o no.

Cuando la informacin es adecuada el anlisis de frecuencia es la metodologa ms

recomendable para la evaluacin de eventos extremos, ya que la estimacin depende
solamente de los caudales mximos anuales que han ocurrido en la cuenca y no da
cuenta de los procesos de transformacin de la precipitacin en escorrenta.
Obviamente tiene algunas limitaciones relacionadas con el comportamiento de la serie
histrica y con el tamao y calidad de los datos de la muestra.

Cuando se presenten cambios o tendencias en la serie histrica se deben utilizar

tcnicas estadsticas que permitan removerlos para poder realizar el anlisis de
frecuencias (Kite, 1988; Mamdouh, 1993; Ashkar, et al. 1994).

La seleccin inadecuada de la distribucin de probabilidades de la serie histrica

arrojar resultados de confiabilidad dudosa, (Ashkar, et al. 1994).

El tamao de la muestra influye directamente en la confiabilidad de los

resultados, as a mayor perodo de retorno del estimativo mayor longitud de
registros necesaria para mejor confiabilidad en los resultados.

El ajuste a distribuciones se puede hacer de dos tcnicas, con el factor de frecuencia

como se refiri en el numeral ANALISIS DE FRECUENCIA o hallando la distribucin
emprica de los datos muestrales, por el mtodo de Plotting Position.
Plotting Position
Trabaja con la probabilidad de excedencia asignada a cada valor de la muestra. Se han
propuesto numerosos mtodos empricos. Si n es el total de valores y m es el rango de
un valor en una lista ordenada de mayor a menor (m=1 para el valor mximo) la
probabilidad de excedencia se puede obtener por medio de las siguientes expresiones

California

Weibull

Hazen
La expresin ms utilizada es la Weibull. Con las anteriores expresiones se halla lo que
se conoce como la distribucin emprica de una muestra, esta luego se puede ajustar a
una de las distribuciones tericas presentadas anteriormente. Los resultados pueden ser
dibujados en el papel de probabilidad; este es diseado para que los datos se ajusten a
una lnea recta y se puedan comparar los datos muestrales con la distribucin terica
(lnea recta).
Pruebas de Ajuste
Para determinar que tan adecuado es el ajuste de los datos a una distribucin de
probabilidades se han propuesto una serie de pruebas estadsticas que determinan si es
adecuado el ajuste. Estos son anlisis estadsticos y como tal se deben entender, es
decir, no se puede ignorar el significado fsico de los ajustes.

Prueba Smirnov Kolmogorov

El estadstico Smirnov Kolmogorov D considera la desviacin de la funcin de
distribucin de probabilidades de la muestra P(x) de la funcin de probabilidades
terica, escogida Po(x) tal que

La prueba requiere que el valor Dn calculado con la expresin anterior sea menor que el
valor tabulado Dn para un nivel de probabilidad requerido.

Esta prueba es fcil de realizar y comprende las siguientes etapas:

El estadstico Dn es la mxima diferencia entre la funcin de distribucin
acumulada de la muestra y la funcin de distribucin acumulada terica
escogida.
Se fija el nivel de probabilidad , valores de 0.05 y 0.01 son los ms usuales.
El valor crtico D de la prueba debe ser obtenido de tablas en funcin de y n.
Si el valor calculado Dn es mayor que el D, la distribucin escogida se debe
rechazar.

Prueba Chi Cuadrado

Una medida de las discrepancia entre las frecuencias observadas (fo) y las frecuencias
calculadas (fc) por medio de una distribucin terica esta dada por el estadstico
en donde
si el estadstico =0 significa que las distribuciones terica y emprica ajustan
exactamente, mientras que si el estadstico >0, ellas difieren. La distribucin del
estadstico se puede asimilar a una distribucin Chi-cuadrado con (k-n-1) grados de
libertad, donde k es el nmero de intervalos y n es el nmero de los parmetros de la
distribucin terica. La funcin se encuentra tabulada. Supongase que una hiptesis
Ho es aceptar que una distribucin emprica se ajusta a una distribucin Normal. Si el
valor calculado de por la ecuacin anterior es mayor que algn valor crtico de ,
con niveles de significancia de 0.05 y 0.01 (el nivel de confianza es 1-) se puede
decir que las frecuencias observadas difieren significativamente de las frecuencias
esperadas (o calculadas) y entonces la hiptesis Ho se rechaza, si ocurre lo contrario
entonces se acepta.
[1] Aunque no existe una definicin generalmente aceptada, se puede entender como
valores extremos, muy superiores a los dems registrados (Ashkar, et al. 1994).
2

__.__