ESTUDIO DE UNA CUENCA HIDROGRFICA

1.- UBICACIN
Ubicacin Poltica:
Distrito
Provincia
Departamento
Regin
Ubicacin Geogrfica:
Coordenadas UTM.

: Kimi
: Caruaz
: Ica
: Ica

9876787 N
389385 E
2.- PARAMETROS GEOMORFOLOGICOS DE LA CUENCA
Diversos son los parmetros geomorfolgicos que se pueden determinar en una
cuenca, sin embargo, los ms estudiados son las siguientes:
2.1.- Superficie
a) rea total de la cuenca (A): Se considera as a todo el rea de terreno cuyas
precipitaciones son evacuadas por un sistema comn de causes de agua,
estando comprendida desde el punto donde se inicia esta evacuacin hasta su
desembocadura u otro punto elegido por inters. Puede considerarse en su
delimitacin el divisor topogrfico por ser prcticamente fijo.

A = 98.77 km

b) Permetro (P): Esta caracterstica tiene influencia en el tiempo de concentracin

de una cuenca, es el mismo que ser menor cuando esta se asemeje a una
forma circular. Se expresa en Km.

P = 52.11 km

2.2.- Clculo de los parmetros de forma:

a)

Coeficiente de compacidad.- A partir de la relacin:

Kc = 1.47
b)

Factor de Forma.- Teniendo en consideracin que:

Ff = 0.036
2.3.- Clculo de los parmetros relativos al sistema de Drenaje:
a) Grado de Ramificacin:
Refleja el grado de ramificacin o bifurcacin de una cuenca.

b)

Dd = 0.63

N de
Drenes

Longitud
(km)

20

35.15

2do ___

10.17

3er ___

12.76

4to ___

3
41

3.89
Li = 61.97

Orden
1er ___

Total

Densidad de
drenaje:
sabiendo que:

c) Extensin media de escurrimiento superficial: De la relacin:

Es = 0.40
d) Frecuencia de Ros: De la relacin:

F = 0.42

e) sinuosidad de las corrientes de agua:

L: Long. Del Rios Principal = 17.94 km

Lt: Long. Del Valle
= 14.42 km
S = 1.24
2.4.- Caractersticas del Relieve de la cuenca
a) pendiente de la cuenca

Pendiente ligeramente ondulada

b) Curvas hipsomtricas

c)

Polgono de frecuencia de altitudes

DISTRIBUCIONES DE PROBABILIDAD EN HIDROLOGIA

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

de Distribuciones de Probabilidad. La variable se designa por mayscula y un valor
especifico de ella por minscula.
Por P(x = a) se denota la probabilidad de que un evento asuma el valor a; similarmente P(a
x b) denota la probabilidad de que un evento se encuentre en el intervalo (a,b). 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

P(x)
0.05
0.15
0.25

F(x)
0.05
0.20
0.45
6

0.20
0.15
0.10
0.08
0.02
1.0

0.30

1.20

0.25

1.00

0.20

0.80
F(x)

f(x)

3
4
5
6
7
Total

0.15

0.60

0.10

0.40

0.05

0.20

0.00

0.65
0.80
0.90
0.98
1.00

0.00

# dias nublados

# dias nublados

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

0.25

1.20

0.20

1.00

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

0.80

0.15

F(x)

f(x)

x
1
2
3
4
5
6
7
8
9
Total

0.10

0.60
0.40

0.05

0.20

0.00

0.00

Qmx instntaneo *10 (m/s)

10

Qmx instntaneo *10 (m/s)

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

puede tener algo s
0.35

1.20

0.30

1.00
0.80

0.20

F(x)

f(x)

0.25
0.15

0.60
0.40

0.10
0.05

0.20

0.00

0.00
1

10

Qmx instntaneo *10 (m/s)

10

15

Qmx instntaneo *10 (m/s)

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

caractersticas

i)

ii)

P ( a x b)

iii)

f ( x ) dx 1

f ( x )dx

f ( x )dx 0

Lo que implica que las probabilidades se definen solo como AREAS bajo la funcin de
densidad de probabilidad (FDP) entre lmites finitos.
1.1

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)
M

x r f ( x ) dx

para la variable continua

M r x r f ( x) para la variable discreta

j 1

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

M

( x ) r f ( x ) dx

para la variable continua

M r ( x ) r f ( x ) para la variable discreta

j 1

1.2

PARMETROS ESTADISTICOS

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.

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

x f ( x ) dx

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

1 n
x xi
n i 1

1.2.2 Varianza :
mide la variabilidad de los datos. Es el segundo momento respecto a la media.
2

( x ) 2 f ( x) dx

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

1 n
s2
( xi x) 2
n 1 i 1
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

1.00
0.80

f(x)

0.60
0.40
0.20
0.00
0

2
0.50

4
1.00

1.30

10

2.00

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

estndar.

Coeficiente de variacin Cv es una medida adimensional de la variabilidad su estimado

es Cv

s
x

1.2.3 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.
E[( x ) 3 ]

( x ) 3 f ( x ) dx

tercer momento respecto a la media

1
3 E `[( x )3 ]

Un estimativo del coeficiente de asimetra est dado por

Cs

n ( x x) 3
i 1

( n 1)(n 2) * s 3

Ejemplo
Encontrar el valor medio de la precipitacin si se tiene

10

Intervalo (mm)
100
110
120
130
140
150
160

Xi medio

110
120
130
140
150
160
170

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
x = 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:
X T KT

y se puede estimar a partir de los datos

X T x KT s

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

11

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
3.1

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.

3.1.1 Funcin de densidad:

La funcin de densidad est dada por

f ( x)

1 ( x ) 2
2 2

exp
x
2
Los dos parmetros de la distribucin son la media y desviacin estndar para los cuales
x (media) y s (desviacin estndar) son derivados de los datos.

3.1.2 Estimacin de parmetros:

1 n
xi
n i 1

1 n
s
( xi x) 2

n 1 i 1

1
2

3.1.3 Factor de frecuencia:

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

KT

xT

este factor es el mismo de la variable normal estndar KT F 1 (1 Tr1 )

12

3.1.4 Limites de confianza:

X Tr t(1 ) S e

donde es el nivel de probabilidad t (1 ) es el cuantil de la distribucin normal

estandarizada para una probabilidad acumulada de 1- y Se es el error estndar
3.2

DISTRIBUCION LOGNORMAL DE DOS PARAMETROS

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

3.2.1 Funcin de densidad:

f ( x)

1
x 2

exp

1 ( y y )
2 y2

x0

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

3.2.2 Estimacin de parmetros:

y

1 n
ln( xi )
n i 1

1 n
sy
(ln( xi ) y ) 2

1
i 1

1
2

3.2.3 Factor de frecuencia:

13

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, xy 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

ln(1 Cv 2 )
1
2

1
2

Exp KT * ( Ln(1 Cv ))

Kt
Cv
2

K es la variable normal estandarizada para el Tr dado, Cv

s
es el coeficiente de variacin,
x

x media de los datos originales y s desviacin estndar de los datos originales.

3.2.4 Limites de confianza:

En el campo transformado.
Ln ( X Tr ) t (1 ) ST

Se

( S y )
n

K
1 T
2

1
2

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 m3/s no sea igualado o excedido P(Q 4.25).
Solucin:

14

n=30
x= 15 m3/s
s = 5 m3/s

xy=2.655
sy = 0.324

En el campo original
1

ln(1 Cv 2 )
Exp K * ( Ln(1 Cv 2 )) 2
1
2

Kt
Cv

Cv

s
= 5/15 = 0.33
x

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
1

ln(1 0.332 )
1
Exp 2.33 * ( Ln(1 0.332 )) 2
2

KT
0.33

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
Se

( S y )
n

K
1 T
2

1
2

15

2.332
1

1
2

= 1.93
Se

1.93 0.324
30

0.11

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

3.59095]
e3.59095]

[25.26

36.29]

Intervalos de confianza para QTr100

b) Calcular la probabilidad de que un caudal de 45 m3/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%

3.3

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).

3.3.1 Funcin de densidad:

f ( x)

(x )
1
(x )
exp
exp

16

En donde y son los parmetros de la distribucin.

(x )
F ( x) f ( x)dx exp exp

3.3.2 Estimacin de parmetros

x 0.5772

donde

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

3.3.3 Factor de frecuencia:

KT

Tr
6

0.5772 ln ln

T

1
r

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.

3.3.4 Limites de confianza

Xt t(1-) Se
Se

s
n
1
2 2

[1 1.1396KT 1.1KT ]

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

17

KT

6
0.577 ln[ln100 ln(99)]

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)
1

[1 11396
.
(314
. ) 11
. (314
. )2 ]2

= 3.93
Se

(3.93) (5)

30
Se 3.58 m 3 / s

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

3.4

36.58 m3/s]

Intervalo de confianza para QTr100

DISTRIBUCION GAMA DE TRES PARAMETROS 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.

3.4.1 Funcin de densidad:

f ( x)

1 x x0

x x0

exp

donde,

18

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

3.4.2 Estimacin de parmetros:

2

2

;
Cs

Cs
;
2

x0 x

Cs es el coeficiente de asimetra,
muestra respectivamente.

son la media y la desviacin estndar de la

3.4.3 Factor de frecuencia:

Cs 1 3
Cs
K z ( z 1)
( z 6 z )

6 3
6
2

Cs
( z 1)

Cs
z

1 Cs

3 6

donde z es la variable normal estandarizada

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

3.4.4 Intervalos de confianza:

Xt t(1-) Se
Se

S
n

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 pie3/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

(1.9,100) = 3.553
(2.0,100) = 3.605
19

QTr100 = 4144+ (3.595) (3311)

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

S
n

= F(1.981,100)

Se

de tablas se obtiene =8.4922

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

( 3311) (8.4922)
30

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

3.5

24494.71pie3/s]

Intervalos de confianza para QTr100

DISTRIBUCION LOG GAMMA O LOGPEARSON DE 3 PARAMETROS

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.

3.5.1 Funcin de densidad:

f ( x)

1
ln( x ) y0

ln( x) y0
exp

donde,
y0 y para 0
20

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

3.5.2 Estimacin de parmetros:

2

2

;
Cs

s y

Cs
;
2

x0 x y

Cs es el coeficiente de asimetra, , x y y s y son la media y la desviacin estndar de los

logaritmos de la muestra respectivamente.

3.5.3 Factor de frecuencia:

ln(YTr ) x y K s y

Cs 1 3
Cs
K z ( z 1)
( z 6 z )

6 3
6
2

Cs
( z 1)

6
2

Cs
z

1 Cs

3 6

donde z es la variable normal estandarizada

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

3.5.4 Intervalos de confianza:

Xt t(1-) Se
Se

Sy
n

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.
21

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.
1

Aunque no existe una definicin generalmente aceptada, se puede entender como valores extremos, muy
superiores a los dems registrados (Ashkar, et al. 1994).

22

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 2 o hallando la distribucin emprica de los datos muestrales, por el
mtodo de Plotting Position.
4.1

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

m
n

Weibull

m
n 1

Hazen

2m 1
2n

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).
4.2

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.

23

4.2.1 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 Dn max( P ( x) Po( x)) .
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.

4.2.2 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
k
( fo fc )2
2

en donde f o f c
fc
i 1
si el estadstico =0 significa que lae 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.

24