Está en la página 1de 8

56 INGENIOMAGNO INGENIOMAGNO 57

suspensin y tiempo de residencia para establecer la


intensidad de corriente ms eficiente.
El tiempo de residencia establecido para la electro-
coagulacin que trabaja a pH 9,7 con una intensidad
de corriente de 1,8 A es de 60 minutos porque en este
tiempo se logran altos porcentajes de remocin de
metales y de slidos suspendidos. El porcentaje de
remocin de aluminio fue 88,7 %, de cobre fue 87,7 %
y de cinc fue 99,9 %. Si la operacin tuviera un tiempo
de residencia mayor, la concentracin de aluminio
aumentara afectando los resultados el mayor trata-
miento y se desperdiciara energa.
La operacin de electrocoagulacin es una alternati-
va para tratamientos de efluentes que estn contami-
nados con altas concentraciones de metales, ya que
se pueden obtener remociones de ms del 90,0 %.
REFERENCIAS
Bensadok, K., Benammar, S., Lapicque, F., Nezzal, G., (2008). Electrocoagulation of cutting oil emulsions using
aluminium plate electrodes, Elsevier, Journal of Hazardous Materials.
Bukhari, A., (2008), Investigation of the electro-coagulation treatment process for the removal of total suspended
solids and turbidity from municipal wastewater, Elsevier, Bioresource Technology.
Caizares, P., Martnez, F., Jimnez, C., Sez, C., Rodrigo, M., (2008), Coagulation and electrocoagulation of oil-in-
water emulsions, Elsevier, Journal of Hazardous Materials.
Caizares, P., Martnez, F., Lobato, J., Rodrigo, M., (2007), Break-up of oil-in-water emulsions by electrochemical
techniques, Elsevier, Journal of Hazardous Materials.
Casillas, H., Cocke, D., Gomes, J., Morkovsky, P., Parga, J., Peterson, E., (2007), Electrocoagulation mechanism for
COD removal, Elsevier, Separation Purification Technology.
FIMCP-ESPOL, (2006), Factibilidad del manejo ambientalmente correcto (MAC) de los residuos aceitosos en
Guayaquil
http://www.basel.int/centers/proj_activ/tctf_projects/019.pdf, (Octubre, 2008).
MUNICIPIO DEL DISTRITO METROPOLITANO DE QUITO, Norma Tcnica de la
Ordenanza Metropolitana 213
Sandra Biviana Gonzlez Fiag. Licenciada en Matemticas y Fsica, Universidad Pedaggica y
Tecnolgica de Colombia. Especialista en Matemticas y Estadstica Aplicadas, UPTC. Grupo de
investigacin GIPDCB, Tunja. Docente Departamento de Ciencias Bsicas. Universidad Santo
Toms seccional Tunja. sgonzalez@ustatunja.edu.co
Hlver Rincn Mrquez. Licenciado en Matemticas y Fsica, Universidad Pedaggica y
Tecnolgica de Colombia. Ingeniero Civil. Universidad Santo Toms seccional Tunja. Grupo de
investigacin GIPDCB, Tunja. Docente Tutor VUAD, Universidad Santo Toms seccional Tunja.
helver.rincon@ustatunja.edu.co
Metodologa para el ajuste
de modelos de valor extremo
tipo I (gumbel) y log pearson
tipo III, para series de valores
mximos
Resumen
En el presente trabajo se desarrolla una metodologa que permite comparar los modelos de valor extremo tipo I (EVI) mejor
conocida como distribucin Gumbel y la distribucin Log Pearson tipo III, para modelar un conjunto de valores extremos como son
una serie de caudales mximos. Para la eleccin de la funcin de distribucin ms adecuada de los datos de la muestra se aplican
tres criterios estadsticos tales como: el mtodo grfico, el clculo de error cuadrtico mnimo y la prueba de bondad de ajuste .
Por ltimo, se presentan conclusiones de tipo general y se muestra un ejemplo concreto vinculado a una base de datos que
corresponde a los valores medios mensuales de caudal en m3/s del Ro Bogot, registrados en la estacin hidrometeorolgica la
Balsa.
Palabras clave
Distribucin Gumbel, distribucin Log Pearson tipo III, intervalo de confianza, periodo de retorno, serie de excedencias, series de
mximos.
Abstract
In this paper develops a methodology for comparing models of extreme value type I (EVI) better known as the Gumbel distribution
and the Log Pearson Type III, distribution to model a set of extreme values such as a series of maximum flow. For the choice of most
appropriate distribution function of the sample data, apply three statistical criteria such as the graphical method, the calculation of
minimum square error and the test of goodness of fit. Finally, conclusions are general in nature and shows a specific example
related to a database that corresponds to the average monthly flow rate m3/s of the Bogota River, in the Balsa hydrometeorological
station.
Keywords
Gumbel distribution, Log Pearson type III distribution, confiance interval, return periods, exceedance series, maximum series.
2c
58 INGENIOMAGNO INGENIOMAGNO 59
1. INTRODUCCIN
En el estudio de la hidrologa es posible observar cmo
en repetidas ocasiones los sistemas hidrolgicos se ven
directamente afectados por eventos extremos, tales
como aumento de caudales en ros, presencia de tor-
mentas severas y sequas, entre otras. La magnitud de
un evento extremo est inversamente relacionado con su
frecuencia de ocurrencia, es decir que los eventos mode-
rados ocurren con mayor frecuencia, mientras que los
eventos extremos se presentan en pocas oportunidades.
Para analizar la probabilidad de ocurrencia de estos even-
tos se utilizan algunas distribuciones de probabilidad.
stas son funciones matemticas que relacionan la mag-
nitud de un evento con su probabilidad de ocurrencia.
La probabilidad puede ser expresada en forma de fre-
cuencia a travs del periodo de retorno o recurrencia. El
periodo de retorno de un evento con una magnitud
dada se define como el intervalo de recurrencia prome-
dio entre eventos que igualan o exceden una magnitud
especificada (Chow, Maidment y Mays, 1994).
La probabilidad de ocurrencia del evento
en cualquier observacin se relaciona con el periodo de
retorno de la siguiente forma:
(1)
Es posible calcular el periodo de retorno del n-simo
evento para el conjunto de datos que pertenecen a una
serie de valores extremos, Aparicio (2001). En particular
para calcular el periodo de retorno mximo y mnimo
para un conjunto de n elementos, se calcula de acuerdo
con la expresin:
(2)
Donde corresponde a la posicin de los datos de la
serie, ordenados en forma descendente, para el caso del
periodo de retorno mximo y para el periodo de
retorno mnimo .
Para el anlisis de frecuencias de eventos se tienen en
cuenta los siguientes supuestos, segn Beguera (2002):
Los eventos hidrolgicos extremos son variables alea-
torias que pueden expresarse por medio de una distri-
bucin de probabilidad.
Si la magnitud de cada suceso no tiene correlacin
con los sucesos anteriores, significa que la serie de
eventos extremos son independientes.
La distribucin de probabilidad que explica el proce-
so no vara en el tiempo, ni cambia en funcin de la
magnitud de la variable.
T
P(X x ) xX
T
m
1=m
nm=
T

( )
T
x X P
T

=
1

m
n
T
1 +
=
Como el anlisis de frecuencias de eventos extremos se
relaciona directamente con el estudio de las colas de la
distribucin de frecuencias de la variable, se hace nece-
sario introducir tcnicas de muestreo que permitan
extraer de las series de los datos originales, los valores
de magnitud excepcional. En Hidrologa existen dos
tcnicas de muestreo muy utilizadas que permiten
extraer una serie de valores parciales: la serie de mxi-
mos y la serie de excedencias.
Para la serie de mximos se selecciona el valor mximo
que ocurre en un intervalo de tiempo fijo, generalmente
un ao, de modo que el tamao de la muestra ser igual
al nmero de aos registrados en la serie original. En el
caso de la serie de excedencias los datos deben selec-
cionarse de tal forma que su magnitud sea mayor que un
valor predefinido, segn Chow et al. (1994), ste valor
corresponde al nmero de aos en el registro.
El periodo de retorno de magnitudes de evento dedu-
cido de una serie de excedencia anual se relaciona con el
correspondiente periodo de retorno para magnitudes
deducido de una serie mxima anual como (Chow et al,
1994, p. 395).
(3)
Cabe aclarar que la serie de excedencia anual es til para
algunos propsitos ya que hace un uso ms eficiente de
la informacin contenida en las series originales. Por
ejemplo, puede incluir ms de un evento por ao, si ste
cumple con el requisito para ser considerado extremo.
No obstante, est limitada por el hecho de asegurar la
independencia de las observaciones.
Por el contrario, para la serie de mximos anuales se
garantiza la independencia de las observaciones, pues
los eventos muestreados correspondern a eventos
igualmente espaciados en el tiempo.
Si por alguna razn se llegara a violar el supuesto de inde-
pendencia para la serie de excedencia anual, los resulta-
dos no se vern afectados significativamente. Es decir,
que mientras el periodo de retorno sea mayor, los resulta-
dos de los mtodos analizados tienden a ser similares,
Beguera (2001). Por esta razn, en el desarrollo de este
artculo se utilizar la serie de mximos anuales para el
anlisis de los resultados.
Para calcular la probabilidad de ocurrencia de eventos
extremos, a partir de la serie de mximos anuales, se
asumir que ste tipo de datos se ajustan en forma teri-
ca a la funcin de probabilidad de valor extremo tipo I
(EVI) mejor conocida como distribucin Gumbel o a la
distribucin Log Pearson tipo III, Aparicio (2001). Para
ET
T

1
1
ln
-

-
=
T
T
T
E
cada una de las distribuciones propuestas se estimarn
sus parmetros, lmites de confianza y bondad del ajuste.
La base de datos utilizada para el desarrollo del trabajo
corresponde a los valores medios mensuales de caudal
en m3/s del Ro Bogot, registrados en la Estacin Hidro-
meteorolgica La Balsa, Departamento de Cundinamar-
ca, con registros comprendidos entre 1943 1999. Para
la aplicacin de la metodologa se utilizaron nicamente
los registros de 20 aos, comprendidos entre 1947 a
1966, por estar la totalidad de los datos, ver figura 1.
La figura 2, presenta la serie de valores mximos anua-
les, tomada de la serie original.
FIGURA 1.- Valores medios mensuales de caudales 1947 - 1966

0
10
20
30
40
50
60
A

O
1
9
4
7
A

O
1
9
4
8
A

O
1
9
4
9
A

O
1
9
5
0
A

O
1
9
5
1
A

O
1
9
5
2
A

O
1
9
5
3
A

O
1
9
5
4
A

O
1
9
5
5
A

O
1
9
5
6
A

O
1
9
5
7
A

O
1
9
5
8
A

O
1
9
5
9
A

O
1
9
6
0
A

O
1
9
6
1
A

O
1
9
6
2
A

O
1
9
6
3
A

O
1
9
6
4
A

O
1
9
6
5
A

O
1
9
6
6
Tiempo
M
a
g
n
i
t
u
d
.
FIGURA 2.- Serie de mximos anuales
FIGURA 3.- Muestreo para la serie de excedencias
FIGURA 4.- Serie de excedencias anuales
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
En la figura 3, se presenta el proceso grfico de seleccin
de la muestra para la serie de excedencias anuales, cuyo
valor base corresponde a 28.88 m3/s. Del mismo modo,
en la figura 4 se muestran los veinte (20) valores extremos
menores a ste punto ordenados por su tiempo de ocu-
rrencia.
2. METODOLOGA
2.1 Distribucin de probabilidad para serie de mxi-
mos anuales: Gumbel (EVI)
Debido a la naturaleza de los eventos hidrolgicos extre-
mos la distribucin ms frecuente utilizada para las
series de mximos anuales es la distribucin de valores
extremos Tipo I, su funcin de densidad de probabilidad
es:
(4)
Donde puede tomar valores en el rango , y
son parmetros de escala y origen respectivamente.
La funcin de distribucin acumulada es:
(5)
Donde los parmetros se estiman a travs de las siguien-
tes expresiones:
(6)
Donde y son la media y la desviacin estndar esti-
madas con la muestra. y se obtienen de la
siguiente tabla.
x a b
x s
mx sx
- x
x

- -
-
- -
=
a
b
a
b
a
) (
exp
) (
exp
1
) (
x x
x f

-
- - = =
a
b ) (
exp exp ) ( ) (
x
dx x f x F

x
x
s
s
a =

a
m
b

x
x - = y
58 INGENIOMAGNO INGENIOMAGNO 59
1. INTRODUCCIN
En el estudio de la hidrologa es posible observar cmo
en repetidas ocasiones los sistemas hidrolgicos se ven
directamente afectados por eventos extremos, tales
como aumento de caudales en ros, presencia de tor-
mentas severas y sequas, entre otras. La magnitud de
un evento extremo est inversamente relacionado con su
frecuencia de ocurrencia, es decir que los eventos mode-
rados ocurren con mayor frecuencia, mientras que los
eventos extremos se presentan en pocas oportunidades.
Para analizar la probabilidad de ocurrencia de estos even-
tos se utilizan algunas distribuciones de probabilidad.
stas son funciones matemticas que relacionan la mag-
nitud de un evento con su probabilidad de ocurrencia.
La probabilidad puede ser expresada en forma de fre-
cuencia a travs del periodo de retorno o recurrencia. El
periodo de retorno de un evento con una magnitud
dada se define como el intervalo de recurrencia prome-
dio entre eventos que igualan o exceden una magnitud
especificada (Chow, Maidment y Mays, 1994).
La probabilidad de ocurrencia del evento
en cualquier observacin se relaciona con el periodo de
retorno de la siguiente forma:
(1)
Es posible calcular el periodo de retorno del n-simo
evento para el conjunto de datos que pertenecen a una
serie de valores extremos, Aparicio (2001). En particular
para calcular el periodo de retorno mximo y mnimo
para un conjunto de n elementos, se calcula de acuerdo
con la expresin:
(2)
Donde corresponde a la posicin de los datos de la
serie, ordenados en forma descendente, para el caso del
periodo de retorno mximo y para el periodo de
retorno mnimo .
Para el anlisis de frecuencias de eventos se tienen en
cuenta los siguientes supuestos, segn Beguera (2002):
Los eventos hidrolgicos extremos son variables alea-
torias que pueden expresarse por medio de una distri-
bucin de probabilidad.
Si la magnitud de cada suceso no tiene correlacin
con los sucesos anteriores, significa que la serie de
eventos extremos son independientes.
La distribucin de probabilidad que explica el proce-
so no vara en el tiempo, ni cambia en funcin de la
magnitud de la variable.
T
P(X x ) xX
T
m
1=m
nm=
T

( )
T
x X P
T

=
1

m
n
T
1 +
=
Como el anlisis de frecuencias de eventos extremos se
relaciona directamente con el estudio de las colas de la
distribucin de frecuencias de la variable, se hace nece-
sario introducir tcnicas de muestreo que permitan
extraer de las series de los datos originales, los valores
de magnitud excepcional. En Hidrologa existen dos
tcnicas de muestreo muy utilizadas que permiten
extraer una serie de valores parciales: la serie de mxi-
mos y la serie de excedencias.
Para la serie de mximos se selecciona el valor mximo
que ocurre en un intervalo de tiempo fijo, generalmente
un ao, de modo que el tamao de la muestra ser igual
al nmero de aos registrados en la serie original. En el
caso de la serie de excedencias los datos deben selec-
cionarse de tal forma que su magnitud sea mayor que un
valor predefinido, segn Chow et al. (1994), ste valor
corresponde al nmero de aos en el registro.
El periodo de retorno de magnitudes de evento dedu-
cido de una serie de excedencia anual se relaciona con el
correspondiente periodo de retorno para magnitudes
deducido de una serie mxima anual como (Chow et al,
1994, p. 395).
(3)
Cabe aclarar que la serie de excedencia anual es til para
algunos propsitos ya que hace un uso ms eficiente de
la informacin contenida en las series originales. Por
ejemplo, puede incluir ms de un evento por ao, si ste
cumple con el requisito para ser considerado extremo.
No obstante, est limitada por el hecho de asegurar la
independencia de las observaciones.
Por el contrario, para la serie de mximos anuales se
garantiza la independencia de las observaciones, pues
los eventos muestreados correspondern a eventos
igualmente espaciados en el tiempo.
Si por alguna razn se llegara a violar el supuesto de inde-
pendencia para la serie de excedencia anual, los resulta-
dos no se vern afectados significativamente. Es decir,
que mientras el periodo de retorno sea mayor, los resulta-
dos de los mtodos analizados tienden a ser similares,
Beguera (2001). Por esta razn, en el desarrollo de este
artculo se utilizar la serie de mximos anuales para el
anlisis de los resultados.
Para calcular la probabilidad de ocurrencia de eventos
extremos, a partir de la serie de mximos anuales, se
asumir que ste tipo de datos se ajustan en forma teri-
ca a la funcin de probabilidad de valor extremo tipo I
(EVI) mejor conocida como distribucin Gumbel o a la
distribucin Log Pearson tipo III, Aparicio (2001). Para
ET
T

1
1
ln
-

-
=
T
T
T
E
cada una de las distribuciones propuestas se estimarn
sus parmetros, lmites de confianza y bondad del ajuste.
La base de datos utilizada para el desarrollo del trabajo
corresponde a los valores medios mensuales de caudal
en m3/s del Ro Bogot, registrados en la Estacin Hidro-
meteorolgica La Balsa, Departamento de Cundinamar-
ca, con registros comprendidos entre 1943 1999. Para
la aplicacin de la metodologa se utilizaron nicamente
los registros de 20 aos, comprendidos entre 1947 a
1966, por estar la totalidad de los datos, ver figura 1.
La figura 2, presenta la serie de valores mximos anua-
les, tomada de la serie original.
FIGURA 1.- Valores medios mensuales de caudales 1947 - 1966

0
10
20
30
40
50
60
A

O
1
9
4
7
A

O
1
9
4
8
A

O
1
9
4
9
A

O
1
9
5
0
A

O
1
9
5
1
A

O
1
9
5
2
A

O
1
9
5
3
A

O
1
9
5
4
A

O
1
9
5
5
A

O
1
9
5
6
A

O
1
9
5
7
A

O
1
9
5
8
A

O
1
9
5
9
A

O
1
9
6
0
A

O
1
9
6
1
A

O
1
9
6
2
A

O
1
9
6
3
A

O
1
9
6
4
A

O
1
9
6
5
A

O
1
9
6
6
Tiempo
M
a
g
n
i
t
u
d
.
FIGURA 2.- Serie de mximos anuales
FIGURA 3.- Muestreo para la serie de excedencias
FIGURA 4.- Serie de excedencias anuales
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
Fuente: Autores, 11/09/2010
En la figura 3, se presenta el proceso grfico de seleccin
de la muestra para la serie de excedencias anuales, cuyo
valor base corresponde a 28.88 m3/s. Del mismo modo,
en la figura 4 se muestran los veinte (20) valores extremos
menores a ste punto ordenados por su tiempo de ocu-
rrencia.
2. METODOLOGA
2.1 Distribucin de probabilidad para serie de mxi-
mos anuales: Gumbel (EVI)
Debido a la naturaleza de los eventos hidrolgicos extre-
mos la distribucin ms frecuente utilizada para las
series de mximos anuales es la distribucin de valores
extremos Tipo I, su funcin de densidad de probabilidad
es:
(4)
Donde puede tomar valores en el rango , y
son parmetros de escala y origen respectivamente.
La funcin de distribucin acumulada es:
(5)
Donde los parmetros se estiman a travs de las siguien-
tes expresiones:
(6)
Donde y son la media y la desviacin estndar esti-
madas con la muestra. y se obtienen de la
siguiente tabla.
x a b
x s
mx sx
- x
x

- -
-
- -
=
a
b
a
b
a
) (
exp
) (
exp
1
) (
x x
x f

-
- - = =
a
b ) (
exp exp ) ( ) (
x
dx x f x F

x
x
s
s
a =

a
m
b

x
x - = y
60 INGENIOMAGNO INGENIOMAGNO 61
n
x
m
x
s
10 0.4952 0.9496
15 0.5128 1.0206
20 0.5236 1.0628
25 0.5309 1.0914
30 0.5362 1.1124
M M M
100 0.5600 1.2065
Factor de frecuencia: para la distribucin de valor extre-
mo Tipo I, Chow et al. (1994, p. 402), dedujo la siguiente
expresin:
(7)
En esta expresin se observa que los valores y
0. corresponden en forma anloga a y para un
tamao de muestra , luego el factor de frecuencia , se
puede expresar como sigue:
(8)
Donde 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 la distribucin del
valor extremo, es decir cuando .
Para expresar en trminos de , la ecuacin (7) puede
escribirse como:
(9)
Donde es una constante.
Los Lmites de confianza para el caudal medio de la serie
de mximos anuales, corresponden a:
Lmite superior de confianza:
Lmite inferior de confianza:
es la variable normal estandarizada para una pro-
babilidad de no excedencia . Donde y corres-
ponden a:
Y (9)
p/6
5772 s m
n K
T
0=KT
KT
g= 0.5772
a-1 es d
x x
T

-
+ - =
1
ln ln 5772 . 0
6
T
T
K
T
p

p / 6

-
- + - =
1
ln ln
T
T
K
x x T
m s

+ - - -
=
6
exp exp 1
1
T
K
T
p
g

e T
s t x L
a a -
+ =
1 ,

e 1 , T
s t x U
a - a
- =

a - 1
t

n
s
s
x
e

=
d
2
1 . 1 1396 . 1 1
T T
K K + + = d
2.2 Distribucin de probabilidad para serie de mxi-
mos anuales: Log- Pearson Tipo III
Esta distribucin se utiliza para el anlisis probabilstico
de eventos extremos, en la cual se utiliza como variable
para reducir la simetra. La estimacin de los par-
metros de esta distribucin se calcula de la misma forma
que para la distribucin Pearson Tipo III, pero con la dife-
rencia que y corresponden al promedio aritmtico y
desviacin estndar de los logaritmos con base 10 de la
variable original .
La funcin de densidad de probabilidad para esta distri-
bucin corresponde a:
(11)
Donde toma valores en el rango para
, y son parmetros de la funcin y es la
funcin Gamma.
La funcin de distribucin de probabilidad acumulada
es:
(12)
Sustituyendo (13)
(14)
La expresin (14) es una funcin de distribucin chi-
cuadrada con grados de libertad y .
Los parmetros , y se evalan a partir de los
datos de la muestra, mediante el sistema de ecuaciones:
Los parmetros estimados para esta distribucin corres-
ponden a las expresiones:
(15)
y log
y s
x
y
a b d ( )
2b1 c2 =2
a1 b1 d1 n
= x
y
1 1 1 G b1
w

( )

-
-

-
G
=
-
1
1
1
1
1
1 1
exp
1
) (
1
a
d
a
d
b a
b
y y
y f

1 1
a d y

( )
( )
dy
y
e y F
y
y
1
0 1
1
1 1
1
1
1
1
-

-
-

-
G
=
b
a
d
a
d
b a

-
=
1
1
a
d y
w

( )
( )
dw w e w F
w
w

- -
G
=
0
1
1
1
1
b
b

1 1 1
d b a + = y

1
2
1
2
b a =
y
s

1
2
b
=
S
C

1 1 1
1
1
2
1

; ;
2

b a d
b
a b - = =

= y
s
Cs
y
El coeficiente de asimetra de la distribucin se obtiene
a partir del tercer momento alrededor de la media, divi-
dindolo por el cubo de la desviacin estndar para que
sea adimensional.
(16)
Un estimador muestral del coeficiente de asimetra est
dado por:
(17)
Factor de frecuencia: el factor de frecuencia para la dis-
tribucin Log- Pearson Tipo III depende del periodo de
retorno y del coeficiente de asimetra , Chow et al.
(1994, p. 403). Cuando , el factor de frecuencia es
igual a la variable normal estndar . Si , esta
dada por la expresin:
(18)
Con
El valor de para un periodo de retorno es la variable
normal estandarizada y se encuentra tabulado de
acuerdo al valor de .
Intervalos de confianza: los estimadores estadsticos
por lo general, se presentan con un rango o intervalo de
confianza, dentro del cual se espera que incluya el valor
correcto. El tamao del intervalo depende del nivel de
confianza . Los valores extremos del intervalo se cono-
cen como limites de confianza superior e inferior.
A cada nivel de confianza corresponde un nivel de sig-
nificancia dado por
De acuerdo con Chow et al. (1994, p. 417) los lmites de
confianza para estimar la magnitud del evento con un
periodo de retorno , estn dados por:
Lmite superior de confianza:
Lmite inferior de confianza:
Donde y son los factores de los lmites de
confianza los cuales fueron aproximados por las siguien-
tes ecuaciones para la distribucin Log- Pearson Tipo III
por (Natrella, 1963; U.S. Water Resources Council,
g
T Cs
0=Cs
z Cs o KT
z T
k
Cs
b
b
a
T

( )
3
3
s
m
j
-
=
x E

3
1
3
) 2 )( 1 (
) (
y
n
i
i
s
s n n
y y n
C
- -
-
=

=
5 4 3 2 2 3 2
3
1
) 1 ( ) 6 (
3
1
) 1 ( k zk k z k z z k z z K
T
+ + - - - + - + =

6 /
S
C k =

( ) 2 1 b a - =

L
, T y , T
k s y L
a a
+ =

U
, T y , T
k s y U
a a
- =

U
T
k
a ,

L
T
k
a ,

( ) 1 2
1
2
-
- =
n
z
a
a

n
z
K b
T
2
2 a
- =

a
ab K K
k
T T U
T
- +
=
2
,a

a
ab K K
k
T T L
T
- -
=
2
,a
1981):
(19)
(20)
(21)
(22)
El valor es la variable normal estndar con una proba-
bilidad de excedencia .
2.3 Ajuste de distribuciones de probabilidad
Para la modelacin de caudales mximos se utilizarn
las distribuciones Gumbel y Log-Pearson Tipo III princi-
palmente. A continuacin, se presentan algunos de los
criterios estadsticos que permiten seleccionar la distri-
bucin de probabilidades de la serie histrica que mejor
ajusta este tipo de datos:
2.3.1 Anlisis grfico
Para verificar que una funcin de distribucin de proba-
bilidad se ajusta a un conjunto de datos hidrolgicos,
stos se grafican en un papel de probabilidad, utilizando
una escala de graficacin que linealice la funcin de dis-
tribucin.
Como el objetivo del artculo es seleccionar la funcin de
probabilidad que mejor ajuste la serie de mximos anua-
les, se elige la funcin de probabilidad para la que el con-
junto de datos sea semejante a una lnea recta.
Este mtodo presenta un alto grado de subjetividad, es
por esto que se recomienda usarlo paralelamente con
otros mtodos.
2.3.2 Mtodo del error cuadrtico medio
Este mtodo consiste en calcular para cada funcin el
error cuadrtico de la distribucin, donde correspon-
de al i-simo dato estimado y es el i-simo dato calcu-
lado con la funcin de distribucin bajo anlisis, donde
es el error cuadrtico medio, para cada distribucin.
(Montgomery y Runger, 2008).
(22)
z
a
iex
iox
C
a

( )
n
x x
C
n
i
o e
i i

=
-
=
1
2
60 INGENIOMAGNO INGENIOMAGNO 61
n
x
m
x
s
10 0.4952 0.9496
15 0.5128 1.0206
20 0.5236 1.0628
25 0.5309 1.0914
30 0.5362 1.1124
M M M
100 0.5600 1.2065
Factor de frecuencia: para la distribucin de valor extre-
mo Tipo I, Chow et al. (1994, p. 402), dedujo la siguiente
expresin:
(7)
En esta expresin se observa que los valores y
0. corresponden en forma anloga a y para un
tamao de muestra , luego el factor de frecuencia , se
puede expresar como sigue:
(8)
Donde 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 la distribucin del
valor extremo, es decir cuando .
Para expresar en trminos de , la ecuacin (7) puede
escribirse como:
(9)
Donde es una constante.
Los Lmites de confianza para el caudal medio de la serie
de mximos anuales, corresponden a:
Lmite superior de confianza:
Lmite inferior de confianza:
es la variable normal estandarizada para una pro-
babilidad de no excedencia . Donde y corres-
ponden a:
Y (9)
p/6
5772 s m
n K
T
0=KT
KT
g= 0.5772
a-1 es d
x x
T

-
+ - =
1
ln ln 5772 . 0
6
T
T
K
T
p

p / 6

-
- + - =
1
ln ln
T
T
K
x x T
m s

+ - - -
=
6
exp exp 1
1
T
K
T
p
g

e T
s t x L
a a -
+ =
1 ,

e 1 , T
s t x U
a - a
- =

a - 1
t

n
s
s
x
e

=
d
2
1 . 1 1396 . 1 1
T T
K K + + = d
2.2 Distribucin de probabilidad para serie de mxi-
mos anuales: Log- Pearson Tipo III
Esta distribucin se utiliza para el anlisis probabilstico
de eventos extremos, en la cual se utiliza como variable
para reducir la simetra. La estimacin de los par-
metros de esta distribucin se calcula de la misma forma
que para la distribucin Pearson Tipo III, pero con la dife-
rencia que y corresponden al promedio aritmtico y
desviacin estndar de los logaritmos con base 10 de la
variable original .
La funcin de densidad de probabilidad para esta distri-
bucin corresponde a:
(11)
Donde toma valores en el rango para
, y son parmetros de la funcin y es la
funcin Gamma.
La funcin de distribucin de probabilidad acumulada
es:
(12)
Sustituyendo (13)
(14)
La expresin (14) es una funcin de distribucin chi-
cuadrada con grados de libertad y .
Los parmetros , y se evalan a partir de los
datos de la muestra, mediante el sistema de ecuaciones:
Los parmetros estimados para esta distribucin corres-
ponden a las expresiones:
(15)
y log
y s
x
y
a b d ( )
2b1 c2 =2
a1 b1 d1 n
= x
y
1 1 1 G b1
w

( )

-
-

-
G
=
-
1
1
1
1
1
1 1
exp
1
) (
1
a
d
a
d
b a
b
y y
y f

1 1
a d y

( )
( )
dy
y
e y F
y
y
1
0 1
1
1 1
1
1
1
1
-

-
-

-
G
=
b
a
d
a
d
b a

-
=
1
1
a
d y
w

( )
( )
dw w e w F
w
w

- -
G
=
0
1
1
1
1
b
b

1 1 1
d b a + = y

1
2
1
2
b a =
y
s

1
2
b
=
S
C

1 1 1
1
1
2
1

; ;
2

b a d
b
a b - = =

= y
s
Cs
y
El coeficiente de asimetra de la distribucin se obtiene
a partir del tercer momento alrededor de la media, divi-
dindolo por el cubo de la desviacin estndar para que
sea adimensional.
(16)
Un estimador muestral del coeficiente de asimetra est
dado por:
(17)
Factor de frecuencia: el factor de frecuencia para la dis-
tribucin Log- Pearson Tipo III depende del periodo de
retorno y del coeficiente de asimetra , Chow et al.
(1994, p. 403). Cuando , el factor de frecuencia es
igual a la variable normal estndar . Si , esta
dada por la expresin:
(18)
Con
El valor de para un periodo de retorno es la variable
normal estandarizada y se encuentra tabulado de
acuerdo al valor de .
Intervalos de confianza: los estimadores estadsticos
por lo general, se presentan con un rango o intervalo de
confianza, dentro del cual se espera que incluya el valor
correcto. El tamao del intervalo depende del nivel de
confianza . Los valores extremos del intervalo se cono-
cen como limites de confianza superior e inferior.
A cada nivel de confianza corresponde un nivel de sig-
nificancia dado por
De acuerdo con Chow et al. (1994, p. 417) los lmites de
confianza para estimar la magnitud del evento con un
periodo de retorno , estn dados por:
Lmite superior de confianza:
Lmite inferior de confianza:
Donde y son los factores de los lmites de
confianza los cuales fueron aproximados por las siguien-
tes ecuaciones para la distribucin Log- Pearson Tipo III
por (Natrella, 1963; U.S. Water Resources Council,
g
T Cs
0=Cs
z Cs o KT
z T
k
Cs
b
b
a
T

( )
3
3
s
m
j
-
=
x E

3
1
3
) 2 )( 1 (
) (
y
n
i
i
s
s n n
y y n
C
- -
-
=

=
5 4 3 2 2 3 2
3
1
) 1 ( ) 6 (
3
1
) 1 ( k zk k z k z z k z z K
T
+ + - - - + - + =

6 /
S
C k =

( ) 2 1 b a - =

L
, T y , T
k s y L
a a
+ =

U
, T y , T
k s y U
a a
- =

U
T
k
a ,

L
T
k
a ,

( ) 1 2
1
2
-
- =
n
z
a
a

n
z
K b
T
2
2 a
- =

a
ab K K
k
T T U
T
- +
=
2
,a

a
ab K K
k
T T L
T
- -
=
2
,a
1981):
(19)
(20)
(21)
(22)
El valor es la variable normal estndar con una proba-
bilidad de excedencia .
2.3 Ajuste de distribuciones de probabilidad
Para la modelacin de caudales mximos se utilizarn
las distribuciones Gumbel y Log-Pearson Tipo III princi-
palmente. A continuacin, se presentan algunos de los
criterios estadsticos que permiten seleccionar la distri-
bucin de probabilidades de la serie histrica que mejor
ajusta este tipo de datos:
2.3.1 Anlisis grfico
Para verificar que una funcin de distribucin de proba-
bilidad se ajusta a un conjunto de datos hidrolgicos,
stos se grafican en un papel de probabilidad, utilizando
una escala de graficacin que linealice la funcin de dis-
tribucin.
Como el objetivo del artculo es seleccionar la funcin de
probabilidad que mejor ajuste la serie de mximos anua-
les, se elige la funcin de probabilidad para la que el con-
junto de datos sea semejante a una lnea recta.
Este mtodo presenta un alto grado de subjetividad, es
por esto que se recomienda usarlo paralelamente con
otros mtodos.
2.3.2 Mtodo del error cuadrtico medio
Este mtodo consiste en calcular para cada funcin el
error cuadrtico de la distribucin, donde correspon-
de al i-simo dato estimado y es el i-simo dato calcu-
lado con la funcin de distribucin bajo anlisis, donde
es el error cuadrtico medio, para cada distribucin.
(Montgomery y Runger, 2008).
(22)
z
a
iex
iox
C
a

( )
n
x x
C
n
i
o e
i i

=
-
=
1
2
62 INGENIOMAGNO INGENIOMAGNO 63
2.3.3 Prueba de bondad de ajuste
La bondad de ajuste de una distribucin de probabilidad
puede probarse comparando los valores tericos y mues-
trales de las funciones de frecuencia relativa. Para ste
caso se utiliza la prueba chicuadrado . Antes de apli-
car la prueba se construye una tabla de distribucin de
frecuencias con intervalos de clase, donde el valor de
es el valor entero de calcular . El estads-
tico de prueba corresponde a:
(24)
Donde es el nmero de observaciones en el intervalo ,
y es el nmero esperado de eventos en el mismo inter-
valo. se calcula de la siguiente forma:
(25)
es la funcin de probabilidad evaluada en el lmite
superior del intervalo , es la misma funcin pero
evaluada en el lmite inferior del intervalo .
Una vez calculado el estadstico de prueba para cada
funcin de distribucin, se determina el valor de la varia-
ble aleatoria con distribucin , para grados
de libertad y un nivel de significancia , donde es el
nmero de parmetros estimados a partir de los datos.
Para aceptar una funcin de distribucin dada, se debe
cumplir:
(25)
Este valor se debe buscar en la tabla de valores de cuan-
tiles de la distribucin .
3. RESULTADOS
3.1 Estimacin de los parmetros para la Distribucin
de probabilidad para serie de mximos anuales: Gum-
bel (EVI)
Para la estimacin de los parmetros es necesario tener
las estadsticas bsicas de la serie de valores de mxi-
mos anuales que pueden calcularse a travs de cualquier
software de estadstica. En este caso se muestra la sali-
da de SPSS Statistic.
c
k k
1+ log(n)
qi
ei
ei
f (Si)
I f (Ii)
i
D
2c mk--=1n
a m
c2
2
33.3
i


( )

=
-
=
k
i i
i i
D
1
2
e
e q

( ) ( ) [ ] k i para I f S f n
i i i
..., , 2 , 1 = - = e

2
, 1 n a
c
-
D
TABLA 2.- Estadsticas para caudales mximos
El coeficiente de asimetra para es
. Los parmetros estimados segn la expresin (6)
con y corresponden a:
La funcin de distribucin estimada y acumula son res-
pectivamente:
A partir de la ecuacin (2) el periodo de retorno mximo
, es , mientras que para el periodo de retorno
mnimo , .
Para un periodo de retorno el valor del factor
de frecuencia es:
El intervalo de confianza para el caudal medio poblacio-
nal de la serie de mximos anuales para un periodo de
retorno , de aproximadamente el 95% de confianza
est dado por:
3.2 Estimacin de los parmetros para la Distribucin
de probabilidad para serie de mximos anuales: Log-
Pearson Tipo III
n 20aos Cs
0.
mx = sx = 1.
m= T=
m=20 T= 05
T=10aos
T=
= =
613
0.5236 0628
1 21
1.
10

1019 . 0
4291 . 10
0628 . 1
= = a

36 . 25
1019 . 0
5236 . 0
49 . 30

= - = b

- -
-
- -
=
1019 . 0
) 36 . 25 (
exp
1019 . 0
) 36 . 25 (
exp
1019 . 0
1
) (
x x
x f

-
- - =
1019 . 0
) 36 . 25 (
exp exp ) (
x
x F

84 . 1
1 10
10
ln ln 5236 . 0 0628 . 1 =

-
- + - =
T
K
5 . 30 = x
5 . 40
,
=
a T
L
5 . 20
,
=
a T
U
5 . 40 5 . 20 x
TABLA 3.- Estadsticas para Log de caudales mximos
10
Fuente: Autores, 11/09/2010 Fuente: Autores, 11/09/2010
La tabla 3, muestra las estadsticas bsicas para la serie
de los log de la serie de caudales mximos.
10
El coeficiente de asimetra para la serie de caudales mxi-
mos es:
La estimacin de los parmetros para la distribucin Log
Pearson tipo III, se calculan como sigue:
La funcin de densidad para esta serie est dada por:
La funcin de distribucin de probabilidad acumulada
es:
El valor de y el nmero de grados de libertad son res-
pectivamente:
El factor de frecuencia para un y un periodo
de retorno aos se puede calcular tambin por
medio de la tabla de valores para la distribucin Log
Pearson tipo III. En este caso como el valor de no se
encontr directamente, se calcul mediante una interpo-
lacin.
El intervalo de confianza para el caudal medio poblacio-
c
Cs=
T=
K
Cs
2
1.202
10
T

202 . 1
s ) 2 n )( 1 n (
) y y ( n
C
3
y
n
1 i
3
i
s
=
- -
-
=

=
088 . 0
77 . 2
1472 . 0

1
= = a
77 . 2
202 . 1
2

2
1
=

= b
( )( ) 22 . 1 77 . 2 088 . 0 4609 . 1

1
= - = d

( )
( ) ( )

-
-

-
G
=
-
088 . 0
22 . 1 y
exp
088 . 0
22 . 1 y
77 . 2 088 . 0
1
) y ( f
1 77 . 2
( )
( )
dw w e
77 . 2
1
w F
w
0
1 w

- b -
G
=

088 . 0
22 . 1 y
w
-
=
w 2
2
= c
1
2b
libertad de Grados 5 . 5 2
1
= b = n

2896 . 1
10
= K
nal de la serie de log de mximos anuales para un perio-
10
do de retorno , de aproximadamente el 95% de
confianza se determina calculando las expresiones (19),
(20), (21) y (22), para un valor el cual se toma
de la tabla de probabilidad acumulada de la distribucin
normal estndar.
Intervalos de confianza para el Log10 de los caudales
mximos
El lmite de confianza para el promedio de los caudales
mximos, con un periodo de retorno corresponde
a:
3.3 Ajuste de distribuciones de probabilidad
3.3.1 Anlisis grfico
El mtodo grfico permite comparar el ajuste de una dis-
tribucin a la serie de mximos anuales, para la distribu-
cin de valor extremo Tipo I (Gumbel) y la distribucin
T=
z
T=10
10
(0.05)=1.645
9288 . 0
) 1 20 ( 2
645 . 1
1 =
-
- = a
5278 . 1
20
645 . 1
2896 . 1
2
2
= - = b
9204 . 1
9288 . 0
5278 . 1 9288 . 0 2896 . 1 2896 . 1
2
,
=
- +
=
U
T
k
a

8565 . 0
9288 . 0
5278 . 1 9288 . 0 2896 . 1 2896 . 1
2
,
=
- -
=
L
T
k
a

5867 . 1 8565 . 0 1472 . 0 4606 . 1
,
= + =
a T
L

1779 . 1 9204 . 1 1472 . 0 4606 . 1
,
= - =
a T
U
6087 . 36 0628 . 15 x
FIGURA 5.- Distribucin gumbel
Fuente: Autores, 11/09/2010
62 INGENIOMAGNO INGENIOMAGNO 63
2.3.3 Prueba de bondad de ajuste
La bondad de ajuste de una distribucin de probabilidad
puede probarse comparando los valores tericos y mues-
trales de las funciones de frecuencia relativa. Para ste
caso se utiliza la prueba chicuadrado . Antes de apli-
car la prueba se construye una tabla de distribucin de
frecuencias con intervalos de clase, donde el valor de
es el valor entero de calcular . El estads-
tico de prueba corresponde a:
(24)
Donde es el nmero de observaciones en el intervalo ,
y es el nmero esperado de eventos en el mismo inter-
valo. se calcula de la siguiente forma:
(25)
es la funcin de probabilidad evaluada en el lmite
superior del intervalo , es la misma funcin pero
evaluada en el lmite inferior del intervalo .
Una vez calculado el estadstico de prueba para cada
funcin de distribucin, se determina el valor de la varia-
ble aleatoria con distribucin , para grados
de libertad y un nivel de significancia , donde es el
nmero de parmetros estimados a partir de los datos.
Para aceptar una funcin de distribucin dada, se debe
cumplir:
(25)
Este valor se debe buscar en la tabla de valores de cuan-
tiles de la distribucin .
3. RESULTADOS
3.1 Estimacin de los parmetros para la Distribucin
de probabilidad para serie de mximos anuales: Gum-
bel (EVI)
Para la estimacin de los parmetros es necesario tener
las estadsticas bsicas de la serie de valores de mxi-
mos anuales que pueden calcularse a travs de cualquier
software de estadstica. En este caso se muestra la sali-
da de SPSS Statistic.
c
k k
1+ log(n)
qi
ei
ei
f (Si)
I f (Ii)
i
D
2c mk--=1n
a m
c2
2
33.3
i


( )

=
-
=
k
i i
i i
D
1
2
e
e q

( ) ( ) [ ] k i para I f S f n
i i i
..., , 2 , 1 = - = e

2
, 1 n a
c
-
D
TABLA 2.- Estadsticas para caudales mximos
El coeficiente de asimetra para es
. Los parmetros estimados segn la expresin (6)
con y corresponden a:
La funcin de distribucin estimada y acumula son res-
pectivamente:
A partir de la ecuacin (2) el periodo de retorno mximo
, es , mientras que para el periodo de retorno
mnimo , .
Para un periodo de retorno el valor del factor
de frecuencia es:
El intervalo de confianza para el caudal medio poblacio-
nal de la serie de mximos anuales para un periodo de
retorno , de aproximadamente el 95% de confianza
est dado por:
3.2 Estimacin de los parmetros para la Distribucin
de probabilidad para serie de mximos anuales: Log-
Pearson Tipo III
n 20aos Cs
0.
mx = sx = 1.
m= T=
m=20 T= 05
T=10aos
T=
= =
613
0.5236 0628
1 21
1.
10

1019 . 0
4291 . 10
0628 . 1
= = a

36 . 25
1019 . 0
5236 . 0
49 . 30

= - = b

- -
-
- -
=
1019 . 0
) 36 . 25 (
exp
1019 . 0
) 36 . 25 (
exp
1019 . 0
1
) (
x x
x f

-
- - =
1019 . 0
) 36 . 25 (
exp exp ) (
x
x F

84 . 1
1 10
10
ln ln 5236 . 0 0628 . 1 =

-
- + - =
T
K
5 . 30 = x
5 . 40
,
=
a T
L
5 . 20
,
=
a T
U
5 . 40 5 . 20 x
TABLA 3.- Estadsticas para Log de caudales mximos
10
Fuente: Autores, 11/09/2010 Fuente: Autores, 11/09/2010
La tabla 3, muestra las estadsticas bsicas para la serie
de los log de la serie de caudales mximos.
10
El coeficiente de asimetra para la serie de caudales mxi-
mos es:
La estimacin de los parmetros para la distribucin Log
Pearson tipo III, se calculan como sigue:
La funcin de densidad para esta serie est dada por:
La funcin de distribucin de probabilidad acumulada
es:
El valor de y el nmero de grados de libertad son res-
pectivamente:
El factor de frecuencia para un y un periodo
de retorno aos se puede calcular tambin por
medio de la tabla de valores para la distribucin Log
Pearson tipo III. En este caso como el valor de no se
encontr directamente, se calcul mediante una interpo-
lacin.
El intervalo de confianza para el caudal medio poblacio-
c
Cs=
T=
K
Cs
2
1.202
10
T

202 . 1
s ) 2 n )( 1 n (
) y y ( n
C
3
y
n
1 i
3
i
s
=
- -
-
=

=
088 . 0
77 . 2
1472 . 0

1
= = a
77 . 2
202 . 1
2

2
1
=

= b
( )( ) 22 . 1 77 . 2 088 . 0 4609 . 1

1
= - = d

( )
( ) ( )

-
-

-
G
=
-
088 . 0
22 . 1 y
exp
088 . 0
22 . 1 y
77 . 2 088 . 0
1
) y ( f
1 77 . 2
( )
( )
dw w e
77 . 2
1
w F
w
0
1 w

- b -
G
=

088 . 0
22 . 1 y
w
-
=
w 2
2
= c
1
2b
libertad de Grados 5 . 5 2
1
= b = n

2896 . 1
10
= K
nal de la serie de log de mximos anuales para un perio-
10
do de retorno , de aproximadamente el 95% de
confianza se determina calculando las expresiones (19),
(20), (21) y (22), para un valor el cual se toma
de la tabla de probabilidad acumulada de la distribucin
normal estndar.
Intervalos de confianza para el Log10 de los caudales
mximos
El lmite de confianza para el promedio de los caudales
mximos, con un periodo de retorno corresponde
a:
3.3 Ajuste de distribuciones de probabilidad
3.3.1 Anlisis grfico
El mtodo grfico permite comparar el ajuste de una dis-
tribucin a la serie de mximos anuales, para la distribu-
cin de valor extremo Tipo I (Gumbel) y la distribucin
T=
z
T=10
10
(0.05)=1.645
9288 . 0
) 1 20 ( 2
645 . 1
1 =
-
- = a
5278 . 1
20
645 . 1
2896 . 1
2
2
= - = b
9204 . 1
9288 . 0
5278 . 1 9288 . 0 2896 . 1 2896 . 1
2
,
=
- +
=
U
T
k
a

8565 . 0
9288 . 0
5278 . 1 9288 . 0 2896 . 1 2896 . 1
2
,
=
- -
=
L
T
k
a

5867 . 1 8565 . 0 1472 . 0 4606 . 1
,
= + =
a T
L

1779 . 1 9204 . 1 1472 . 0 4606 . 1
,
= - =
a T
U
6087 . 36 0628 . 15 x
FIGURA 5.- Distribucin gumbel
Fuente: Autores, 11/09/2010
64 INGENIOMAGNO INGENIOMAGNO 65
FIGURA 6.- Distribucin gumbel
Log Pearson Tipo III, se muestran las figuras 5 y 6 respec-
tivamente.
En la figura 6, se observa que la lnea ajustada es consis-
tente con la mayora las observaciones. Sin embargo,
tambin se aprecia que en la figura 5, ocurre un compor-
tamiento similar pero las observaciones se alejan ms de
la lnea de tendencia. Teniendo en cuenta el anlisis
visual de las dos grficas, se puede decir que la distribu-
cin que mejor ajusta el conjunto de datos es la Log Pear-
son Tipo III, por tener el mayor nmero de observaciones
sobre la lnea de tendencia.
3.3.2 Mtodo del error cuadrtico medio
El error cuadrtico medio para las distribuciones Gumbel
y Log Pearson Tipo III, se relaciona en la tabla 4;
corresponde al valor de la serie de mximos anuales.
Para el caso de la distribucin Gumbel, se calcula en
forma analtica, despejando el valor de la variable de la
funcin de probabilidad acumulada.
El i-simo valor calculado para la funcin de distribucin
Gumbel, segn Aparicio (2001, p. 265), est dado por la
expresin:
En el caso de la distribucin Log Pearson Tipo III, cada
uno de los valores se obtiene entrando al grfico (Figu-
ra 6), correspondiente al valor de probabilidad dado por
la frecuencia experimental, e interceptando la recta para
x
xe
xe
0

-
- - =
T
T
x
1
ln ln

a
b
Gumbel Log Pearson
Tipo III
T

( ) s m x /
3
0
( ) s m x
e
/
3
( )
2
0
x x
e
- ( ) s m x
e
/
3
( )
2
0
x x
e
-

Fuente: Autores, 11/09/2010




1.9

26.4

28.29

3.57

28.10

2.90
1.8

24.6

26.99

5.7

26.61

4.05
1.6

24.49

25.71

1.49

25.20

0.5
1.5

23.84

24.44

0.36

23.86

0.0
1.4

23.25

23.15

0.01

22.60

0.43
1.3

22.68

21.82

0.74

21.40

1.65
1.2

21.94

20.40

2.38

20.26

2.82
1.2 20.64 18.83 3.28 19.18 2.12
1.1 17.69 16.97 0.52 18.17 0.23
1.1 15.32 14.44 0.78 17.20 3.54
Error cuadrtico medio 1.47 1.54
TABLA 4.- Errores cuadrticos medios para las distribuciones
Gumbel y Log Pearson Tipo III
obtener el valor de la variable.
En la tabla 4, se observa que la distribucin que mejor
ajusta la serie de mximos anuales es la distribucin
Gumbel, por tener el menor error cuadrtico medio
(1.47); aunque la diferencia entre los errores cuadrticos
medios de las distribuciones no es muy significativa.
4. CONCLUSIONES
Se recomienda ajustar para una muestra de series de
mximos anuales, homognea (varianza mnima) la dis-
tribucin de valor extremo tipo I Gumbel.
El intervalo de confianza (95%) para el promedio de cau-
dal mximo anual para las distribuciones analizadas
corresponden a:
Se observa que el estimador promedio muestral
est contenido en estos intervalos. Por lo que
se recomienda ajustar la distribucin Gumbel por tener la
menor longitud en el intervalo.
El tamao de muestra influye directamente sobre la con-
fiabilidad de los resultados, se sugiere usar la serie de
mximos anuales pues sta garantiza independencia en
los eventos.
Para el ajuste de los datos a la distribucin Log Pearson,
se requiere transformar la variable al campo logartmico
para modelarla, con el objetivo de disminuir la varianza
muestral
En la prueba de ajuste de forma grfica se dibujan los valo-
res registrados en la serie de mximos anuales contra la
distribucin terica de probabilidad y de manera visual
(subjetiva), se determina si el ajuste es adecuado o no.
x=88.28
Gumbel
5 . 40 5 . 20 x
Log Pearson Tipo III
6 . 36 06 . 15 x
REFERENCIAS
Aparicio, F.J. (1987). Fundamentos de Hidrologa de Superficie. Limusa, 303 pp.
Beguera, S. (2002). Revisin de mtodos paramtricos para la estimacin de la probabilidad de ocurrencia de
eventos extremos en climatologa e hidrologa: El uso de series de excedencias y su comparacin con las series de
mximos anuales. 10 pp.
Chow, V.T., Maidment, D.R., Mays (1993). L.W. Hidrologa aplicada. McGraw-Hill, 580 pp.
Dudewicz, E.J., Mishra, S.N. (1998). Modern mathematical statistics. John Wiley & Sons, 838 pp.
Montgomery, D.C., Runger, G.C. Probabilidad y estadstica aplicadas a la ingeniera. Limusa Wiley, 817 pp.
Monsalve, G. (2002). Hidrologa en la ingeniera. Escuela colombiana de ingeniera, 382 pp.
TABLA 4.- Errores cuadrticos medios para las distribuciones
Gumbel y Log Pearson Tipo III
Gumbel Log Pearson
Tipo III
T

( ) s m x /
3
0
( ) s m x
e
/
3
( )
2
0
x x
e
- ( ) s m x
e
/
3
( )
2
0
x x
e
-
21.0

52.4

55

6.75

48.49

15.32
10.5

47.2

47.95

0.56

45.91

1.66
7.0 44.0 43.71

0.08

43.48

0.28
5.3 42.09 40.61

2.18

41.17

0.85
4.2 40.5 38.14

5.57

38.98

2.30
3.5 38.25 36.05

4.84

36.91

1.79

3.0

34.7

34.22

0.23

34.95

0.06
2.6

30.7

32.55

3.51

33.10

5.75
2.3 30.5 31.06 0.31 31.34 0.71
RESUMEN: Se inici un estudio del estado actual del comportamiento de los
modelos hidrulicos con esquema bidimensional basado en volmenes finitos,
funcionando como modelos hidrolgicos, para, de acuerdo a su rendimiento en
diferentes escenarios y escalas espaciales y temporales, plantear un perfeccio-
namiento hidrolgico a travs de un modelo que describa los procesos a nivel
de cuenca, y teniendo como referencia el hecho de lograr eficiencia en tiempos
de simulacin y proximidad a la realidad. El objetivo concreto es evaluar la utili-
zacin de las ecuaciones completas de Saint Venant en cualquier escala espa-
cial y temporal en el proceso de secado en los modelos hidrolgicos distribui-
dos, y optar por alternativas de simulacin que mejoren los rendimientos, sin
perjudicar la aproximacin en la validez de las simulaciones. En esta etapa se
avanz en la inclusin de el cdigo de prdidas por ETP y el escenario fue la
regin del lucio de los nsares, Andaluca, Espaa, donde los resultados de los
diferentes modelos siguieron la misma tendencia real registrada de secado y
corroboran un buen seguimiento del modelo de volmenes finitos en la repre-
sentacin hidrolgica del evento.
Palabras Clave- Cuenca, modelacin, secado.
Abstract- A study of the present state of the behavior of the hydraulic models
with bidimensional scheme based on finite volumes began, working like
hydrologic models, for, according to its yield in different scenes and space and
temporary scales, to raise an hydrologic improvement through a model that
describes the processes concerning watershed, and having like reference the
fact to obtain efficiency in the times of simulation and proximity to the reality.
The concrete objective is to evaluate the use of the complete equations of Saint
Venant in any space and temporary scale in the process of drying in the distrib-
uted hydrologic models, and to decide on alternatives of simulation that
improve the performance, without harming the approach in the validity of the
simulations. In this stage one advanced in the inclusion of the code of losses by
ETP and the scene was the region of Lucio de los nsares, Andaluca, Spain,
where the results of the different models followed the same real tendency regis-
tered of drying and corroborate a good pursuit of the model of finite volumes in
the hydrologic representation of the event.

Keywords- watershed, modelation, drying.
Modelacin
hidrolgica
Distribuida con base en
esquemas de volmenes finitos
Ing. Caro Camargo Carlos Andrs
Universidad Politcnica de Catalunya;
Instituto de investigacin FLUMEN, Espaa.
carlosandrescaro@gmail.com